Sistema de sensoriamento do espectro de TV por detecção de energia em múltiplos estágios

por detecção de energia em múltiplos estágios

Fabbryccio A. C. M. Cardoso, Fabiano Silva Mathilde*_{, Dick Carrillo Melgarejo, Ricardo Seiti}

Yoshimura, Juliano J. Bazzo e Fabrício Lira Figueiredo

Este artigo descreve a arquitetura de um sistema de sensoriamento do espectro de TV baseado em processamento digital e em plataforma de rádio definido por software. O processamento é realizado em banda base e emprega os algoritmos FCME (Forward Consecutive Mean Excision) e CA (Cell Averaging) como parte do sensoriamento. Projetado para aplicações que requeiram a detecção de sinais na faixa de TV sob condições de muito baixa relação sinal-ruído, o sistema foi desenvolvido em linguagem C/C++ para a plataforma GNU Radio, com hardware USRP da Ettus. O desempenho foi caracterizado por simulações computacionais em ambiente Matlab e por testes de laboratório. Os resultados indicaram melhora de desempenho quando comparado a métodos similares propostos na literatura, identificando sinais com relação sinal-ruído inferior a 53%. Atualmente o método é utilizado na Rede Experimental Cognitiva instalada nas instalações do CPqD para o uso oportunista do espectro de TV.

Palavras-chave: Sensoriamento de espectro. Rádio definido por software. Rádio cognitivo. Detecção de energia. CFAR.

Introdução

Tecnologias de rádio cognitivo possibilitam introduzir o conceito de uso oportunista no modelo de canalização fixa e, por este motivo, são consideradas uma solução bastante atrativa para o problema de congestionamento do espectro de frequências (BEEK et al., 2011; CABRIC; MISHRA; BRODERSEN, 2004; YÜCEK; ARSLAN, 2009). O uso oportunista do espectro permite a utilização de canais de radiofrequência por sistemas não licenciados, desde que tais canais estejam livres. O canal deve ser liberado pelo sistema oportunista assim que um sistema licenciado começar a operar no canal. Essa abordagem oportunista pode ser estendida para o uso de canais adjacentes, tipicamente utilizados como bandas de guarda em sistemas de TV analógica, desde que não se gere interferência no sinal licenciado vizinho (CORDEIRO; CHALLAPALI; BIRRU, 2006). Tal uso oportunista do espectro vem sendo visto como uma forma promissora para otimizar a utilização de um recurso escasso e cada vez mais demandado (STAPLE; WERBACH, 2004). Para isto, é necessário um mecanismo para se detectar em tempo real sinais na faixa de TV, mesmo em condições de baixa relação sinal-ruído. Este artigo explora a aplicação de algoritmos de detecção de energia com taxa de falso alarme constante (Constant False Alarm Rate – CFAR) em uma estrutura de detecção segmentada em banda. Essa estratégia de segmentação da banda permite uma detecção mais eficiente de portadoras no canal de TV, mesmo quando tais portadoras são de banda estreita.

Algoritmos de detecção de energia são aplicados

no sistema de sensoriamento em múltiplos estágios. No primeiro estágio, é gerado um valor de referência para a energia do ruído. A computação desse valor de referência de energia é realizada através do método FCME (Forward Consecutive Mean Excision) (VARTIAINEN et al., 2010) aplicado aos segmentos de banda do canal. Esse método consiste na ordenação ascendente das medidas de energia dos segmentos de banda, seguida por um teste estatístico que decide, através de um limiar, pelo conjunto mais provável de medidas de energia que representam o ruído. A soma dessas medidas define o valor de referência para a energia do ruído.

O terceiro estágio consiste em identificar segmentos de frequência com energia suficiente para detectar a presença de sinal. Um teste estatístico é realizado em cada segmento para decidir pela presença de sinal. Os valores de energia de cada segmento de banda são comparados com a referência de energia calculada no primeiro estágio, ajustada por um limiar. Esse limiar é calculado no segundo estágio pelo método Cell Averaging (CA) (LEHTOMÄKE; JUNTTI; SAARNISAARI, 2006). Há ainda um estágio adicional que analisa o conjunto dos resultados dos testes realizados em cada segmento de banda do canal de TV para decidir pela presença ou ausência de sinal no canal. Esse processo de sensoriamento é então repetido em cada canal de TV que estiver sendo monitorado pelo sistema.

Para identificar o cenário proposto para uso do algoritmo, a Seção 1 apresenta um breve resumo do ambiente de sensoriamento; a Seção 2 traz os aspectos formais do algoritmo proposto; na *Autor a quem a corrêspondencia deve ser dirigida: fabianom@cpqd.com.br.

Seção 3 os autores fazem uma análise dos resultados experimentais; enquanto na Seção 4 são apresentados, em detalhes, os resultados de simulação.

1 Sistema de sensoriamento

A arquitetura do sistema de sensoriamento é mostrada na Figura 1. Trata-se de uma plataforma de rádio constituída por um receptor de RF controlável e sintonizável na faixa de TV, um módulo de conversão de sinais de RF para a banda base e um módulo programável de processamento digital de sinais.

Foi utilizado para validação em laboratório o equipamento USRP N200 da Ettus Research. Esse equipamento de rádio implementa o receptor de RF, o módulo de controle e de conversão de frequência de RF (radiofrequência) para FI (Frequência Intermediária), o conversor ADC (Analog to Digital Converter) e o conversor DDC (Digital Down Converter) de FI para banda base.

O USRP N200 disponibiliza o sinal digital em quadratura de fase (I/Q), amostrado com período de amostragem Ts, em uma interface Gigabit

Ethernet. Em ambiente computacional, esse sinal pode ser adquirido e processado através da interface de programação (API) da GNU Radio, que também possibilita controlar o USRP, por exemplo, para sintonizar o canal de RF, definir taxas de amostragem e definir a largura de banda dos filtros digitais.

O processamento do sinal em banda base é realizado por software em ambiente operacional Linux, de acordo com a estrutura de quadro definida pela Figura 2. O quadro tem duração de (α+2)NTs segundos e corresponde ao

período de tempo necessário para decidir se o canal está disponível ou ocupado. O parâmetro

α é um valor inteiro positivo, incluindo o zero, que pode ser configurado para ajustar a duração do quadro de sensoriamento do canal. A segmentação do sinal no tempo é realizada por

subquadros com N amostras cada. O subquadro 0 é utilizado para calcular uma referência de energia para o ruído, enquanto o subquadro (α+1) é empregado para testar os segmentos de frequência e decidir pela presença ou ausência de sinal. Há α subquadros de guarda utilizados para descorrelacionar as amostras de energia de referência das amostras de energia a serem testadas.

Definida a estrutura de quadro de análise do sinal em banda base, a cadeia de processamento pode ser dividida em um módulo (Amostrador de Energia) para calcular para cada subquadro as amostras de energia dos N / M segmentos de frequência; e um módulo (Detector de Energia) para realizar os testes estatísticos sobre as amostras de energia segmentadas conforme a estrutura de quadro da Figura 2.

1.1 Subsistema de amostragem de energia O módulo Amostrador de Energia é um módulo de processamento digital de sinais constituído pelos blocos de processamento S/P (Serial-para-Paralelo), Transformada Rápida de Fourier de N amostras (FFTN), Magnitude Quadrada

∣.∣2 e Acumuladores.

O Conversor S/P paraleliza o fluxo de amostras com período de Ts segundos para um fluxo de

blocos de N amostras com período de NTs segundos. Não há sobreposição de amostras entre os blocos, conforme Figura 2. O subquadro deve ter comprimento N com potência de 2 para que se possa utilizar o algoritmo rápido FFT. A FFT converte o bloco de sinal para o domínio da frequência, no qual medidas de energia são tomadas em segmentos consecutivos e disjuntos, com largura de banda dada por N / MT_s, onde o parâmetro M define o número de amostras e controla a largura de banda dos segmentos. Uma medida de energia é tomada como a soma das magnitudes quadráticas das amostras em um segmento e é

LNA Conversão_{RF FI} ADC DDC

S/P M Detector de Energia ) (nT_s r ) ( 0nNTs Z ) ( 1nNTs Z ) ( 1 /M s N nNT Z − N N FFT 2

∑

⋅ 2

∑

⋅ 2

∑

⋅ 

Figura 1 Arquitetura do sistema de sensoriamento Subquadro #0 Quadro:((2+α)NTs) (NTs) guarda (αNTs) Subquadro # (NTs) (1+α) t (s) f (Hz) s T 1 s NT M  

Figura 2 Estrutura de quadro com segmentação no tempo e na frequência para detecção de sinais

definida por Zi(nNTs), onde

i∈{0, 1, 2,⋯ , N /M }, é o índice do segmento de frequência, e n∈{0, 1,⋯ ,(1+α)} é o índice do subquadro.

1.2 Subsistema de detecção de energia

O processo de detecção de energia é realizado pelo módulo Detector de Energia e pode ser formulado como um teste estatístico de hipóteses. O teste de hipóteses é baseado na razão entre as medidas da energia do sinal observado e da energia de referência do ruído. Quando essa relação é maior do que um determinado limiar, decide-se pela presença de sinal. A definição desse limiar de decisão é um ponto crítico que impacta diretamente o desempenho da detecção.

O teste estatístico para se decidir entre as hipóteses de preseça de sinal H1 ou

ausência de sinal H0 é definido por:

H0: r( nTs) = η(nTs)

H₁: r(nT_s) =

∑

l=0 L

h_ls(nT_s−T_l)+η(n), (1) onde s (nTs) é o sinal fonte a ser detectado,

r (nTs) é o sinal recebido e amostrado pelo

sistema de sensoriamento, η(nTs) representa o ruído gaussiano, h_l é o coeficiente da l -ésima réplica de sinal e Tl o atraso de propagação correspondente.

Para o problema de detecção de sinal considerado neste trabalho, não é crítico o efeito de múltiplos percursos na propagação do sinal

s (nT_s), _{pois o objetivo não é a demodulação} ou a decodificação do sinal recebido. O importante é que o sinal tenha energia suficiente frente ao ruído para ser detectado. Neste caso, o efeito de se ter múltiplos percursos de propagação pode até ser benéfico, uma vez que pode agregar mais energia ao sinal recebido. A Figura 3 mostra o algoritmo de detecção implementado no módulo Detector de Energia. O algoritmo é executado para cada canal de TV em um intervalo de tempo equivalente a um quadro de sinal com duração de (α+2)NTs segundos. Por exemplo, nos testes de laboratório, utilizou-se taxa de amostragem de 16,254 MHz, o que equivale a um período de amostragem de 0,0655 μs. Também utilizou-se FFT de comprimento 2048 e 10 subquadros de guarda. Para esse conjunto de parâmetros, a duração do sensoriamento de um canal de TV é de apenas 1,512 ms.

As amostras de energia tomadas no domínio da frequência são definidas por:

onde i=0,1,⋯, N / M −1 e R_k(nNT_s) correspondem à k-ésima amostra de sinal no domínio da frequência.

O algoritmo de detecção é alimentado com N / M amostras de energia por subquadro. As amostras de energia do subquadro #0 são utilizadas no primeiro estágio de detecção para calcular um valor de energia de referência Z_ref pela soma de amostras selecionadas a partir do conjunto:

{

Zi(0)

∣

i=0,1,⋯, N / M −1

}

(3)

através do método denominado FCME.

O estágio 2 de detecção emprega o valor de referência Zref em um modelo estatístico, que usa a distribuição de Fisher para a relação de verossimilhança:

Prob

{

Zi(nNTs)

Zref

>γ : H0

}

(4) com o objetivo de calcular o valor de limiar γ . Esse valor de limiar é utilizado para testar as amostras:

{

Zi((1 +α)NTs)

∣

i=0,1,⋯, N / M −1

}

(5)

no estágio 3 de detecção e, a partir dos resultados para esses testes, decidir pela presença ou ausência de sinal no estágio 4. Esse modelo pode ser utilizado para sensoriamento de qualquer tipo de sinal. O objetivo é prover um método simples e robusto de detecção.

Seleção das amostras de referência Calcula Limiar Testes de hipótese Decisão Canal livre ou ocupado (Energia de segmentos) Para cada segmento Para cada canal de TV Estágio 1 Estágio 2 Estágio 3 Estágio 4

(

)

{

Zi nNTs |i= 0,1,,N−1

}

Subquadro #0 Subquadro # (α + 1 )

γ

Figura 3 Algoritmo de detecção de energia em canais de TV

(a) (b) (c) ( ) ( ) {Zi α+1N i=0,1,,N M} ref Z ( ) {Zi0 i=0,1,,N M} γ ) 0 ( ) 0 ( ) 0 ( (1) ( 1) ) 0 ( _{<Z < <Z}NM− Z  ) 0 ( ) 0 ( () 1 0 ) ( I I i i _Z Z < ∑− = β I TCME = β ( )k CME M k MT FD e _k MT P CME∑ − = − = 1 0 ! 1 1 ∑− = = 1 0 ) ( ₍₀₎ I i i ref Z Z 3 10 1_× − = FD P 3 10 1_× − = FA P ( )         > + = ₍₀₎ : 0 ) 1 ( Pr H Z NT Z P ref s i FA γ α ) 2 , 2 , 1 ( 1 _{P I} FCDF − FA = − γ ( ) ( 1 ) ref(0) i N Z Z α+ >γ Para Módulo de Decisão ref Z

Figura 4 Algoritmo de detecção: (a) estágio 1; (b) estágio 2; (c) estágio 3 A seção seguinte apresenta os aspectos formais

do algoritmo; todos os conceitos teóricos são explicados e contrastados com o respectivo cenário de uso típico.

2 Estratégia de detecção

O método de detecção é realizado em múltiplos estágios conforme Figura 3 e Figura 4.

2.1 Estágio 1 — Algoritmo de seleção

O método utilizado para definir o valor de referência para a energia do ruído é denominado de Forward Consecutive Mean Excision (FCME) (VARTIAINEN et al., 2010). O princípio básico do FCME consiste na ordenação ascendente de um conjunto de valores de energia. Neste caso, o conjunto de valores de energia a ser ordenado é dado por:

{

Z_i(0)

_∣

i=0,1,⋯, N / M −1

_}

, (6) resultando no seguinte conjunto ordenado de valores de energia:

{

Z(i)₍₀₎

_∣

_{i=0,1,⋯, N / M −1}

_}

_{, (7)}

onde

Z(0)_(0)<Z(1)_(0)<Z(2)_(0)<⋯<Z(N / M −1)_{(0). (8)} A seleção das amostras de energia que melhor representem a energia do ruído provavelmente deve incluir os valores inferiores a um determinado valor Z(I )_{(0) tal que:}

β

∑

i=0 I−1 Z(i) <Z(I) (0) , (9)

onde I representa o I-ésimo valor de {Z(i)

(0)} no qual a condição em (9) é verdadeira.

O algoritmo de busca de Z(I )

(0) é realizado de forma iterativa, sendo necessário calcular o fator de escala β para cada iteração. O cálculo do fator de escala β é feito sob a hipótese inicial de Z(I )_{(0) ser uma medida de energia que}

contenha apenas ruído. A probabilidade de não

se selecionar amostras que supostamente também representariam a energia do ruído correspode à probabilidade de falso descarte sob a hipótese H0 e é dada por:

P_FD=Prob {Z_I>β

∑

i=0 I −1

Z(i)

: H₀}. (10) Como se supõe que as componentes em quadratura do ruído têm distribuição gaussiana com média zero e variância σ2_{, então a} somatória dos 2M valores que constituem a medida Z_i(nNT_s) deve ter distribuição chi-quadrada central com 2M graus de liberdade e média dada por:

E {Z_i(nNT_s)}=2 Mσ2 . (11) Dado que:

∑

i=0 I−1 Z(i) ≈IE {Z(i) }, (12)

então (10) pode ser aproximada por: PFD≈Prob{ZI>βI2Mσ

2

}. (13)

Essa aproximação é tão melhor quanto maior for índice I, que define o número de amostras de energia Z(i) _{acumuladas em Z}

ref. Adicionalmente, dado que o grau de liberdade 2M é par, então a função de distribuição cumulativa da chi-quadrada pode ser simplificada (PROAXIS, 2001, p. 43), resultando em:

Prob{ZI<z}=1−е −z/2σ2

∑

k=0 M−1 1 k !( z 2σ2) k , (14) onde z=β2IMσ2 .

Portanto, a probabilidade de falso descarte pode ser escrita como:

PFD≈1−е −MIβ

_∑

k=0 M −1 1 k !(MIβ) k ₍₁₅₎

Definindo T_CME=Iβ , onde T_CME representa um parâmetro de entrada do método FCME, o

parâmetro TCME pode ser resolvido a partir de

(4) e o fator de escala β pode ser calculado em cada iteração por:

β=TCME/I . (16)

A expressão (15) pode ser tabelada em função de TCME e resolvida por interpolação dado

P_FD. Neste trabalho foi levantada a curva de PFD em função de TCME. Em seguida,

procurou-se o valor de T_CME que levava ao valor dado de PFD.

Por exemplo, se (15) for resolvida para PFD=0,0001 e M =16, obtém-se

T_CME=1,9528 e, por conseguinte, é possível calcular o fator de escala β para todas as iterações do método de seleção a partir de (16). Esse valor de T_CME foi empregado nos resultados de simulação apresentados nas Seções 3 e 4.

O valor de referência de energia para o ruído é então dado pela energia total dos segmentos selecionados pelo método FCME, ou seja:

Zref(0)=

∑

i=0 I−1

Z(i)

. (17)

O método apresentado para o cálculo da energia de referência do ruído Z_ref(0) faz sentido apenas se houver segmentos de frequência sem sinal. Para garantir que haja segmentos de energia que representem o ruído, a largura de banda espectral é definida através de 1/T_s de modo que compreenda parte dos canais adjacentes. Sabendo que canais adjacentes são tipicamente utilizados como banda de guarda na faixa de TV, essa estratégia deve prover os segmentos de frequência desocupados que são necessários.

2.2 Cálculo do limiar (estágio 2) e Teste de hipótese (estágio 3)

Definido o conjunto de referência para as medidas do ruído, o próximo passo consiste em testar cada segmento do canal a partir da relação:

Z_(α+1)(nNT_s)>γ Z_ref(0). (18) para i=0,1,⋯, N / M −1, onde γ é um limiar que é determinado pelo método de decisão empregado. Pode-se utilizar, por exemplo, a mesma estratégia do FCME para o cálculo desse limiar de decisão. Entretanto, esse é um método aproximado que tem o benefício da simplicidade computacional, sendo bastante apropriado para uso iterativo como foi realizado no algoritmo de descarte.

Tendo em vista que o conjunto de referência é mais confiável, pode-se empregar um método de decisão exato como o CA (LEHTOMÄKE; JUNTTI; SAARNISAARI, 2006) para o cálculo do limiar em (18).

O limiar no método CA é calculado sob a hipótese da presença apenas do ruído e pela definição da probabilidade de falso alarme dada por:

PFA = Prob

{

Zi(nNTs)

Z_ref >γ : H0

}

. (19) Como se supõe que as componentes em quadratura do ruído têm distribuição gaussiana, então as medidas de energia Zi e Zref

devem ter distribuição chi-quadrada centrada com 2M e 2MI graus de liberdade, respectivamente. Dado que a razão de duas distribuições chi-quadradas resulta em uma distribuição de Fisher (PHILLIPS, 1982), cuja função de distribuição cumulativa é dada por:

FDCF(γ)=1−Prob

{

Zi/2 M

Z_ref/2 M I>Iγ

}

, (20) então o limiar γ é calculado por

γ=FDCF−1

(1−PFA, 2 M , 2 M I )/ I , (21)

onde FDCF é a função de distribuição cumulativa de Fisher.

São testados N / M segmentos do canal pelo método CA, o que resulta em igual número de entradas para o algoritmo de decisão do estágio 4.

2.3 Critério de decisão (estágio 4)

O método proposto neste trabalho acusa a presença de sinal se pelo menos dois dos segmentos de frequência do canal apresentarem resultado verdadeiro para o teste em (18). Outras estratégias para a tomada de decisão poderiam ser adotadas, como, por exemplo, a decisão por maioria. Essas estratégias podem reduzir a probabilidade de falsa detecção. Porém, em aplicações de uso secundário do espectro, é preferível tolerar uma probabilidade mais alta de falso alarme do que uma menor probabilidade de detecção.

3 Resultados experimentais e de simulação Esta seção analisa os resultados obtidos em laboratório e os resultados de simulação com parâmetros de configuração equivalentes ao do experimento de laboratório.

O modelo de simulação mostrado na Figura 5 foi desenvolvido em Matlab/Simulink. O modelo utilizado em ambiente laboratorial foi desenvolvido em plataforma GNU Radio com hardware USRP e é mostrado na Figura 6. Esses modelos visam avaliar o desempenho do método de detecção para sinais de TV digital que seguem o padrão brasileiro de transmissão, o ISDB-T.

A Tabela 1 ilustra as principais características do sinal empregado nos testes. A segmentação no tempo é realizada sem sobreposição, a partir de

uma janela retangular com N =2048 amostras, o que equivale a subquadros de NT_s=126μs

.

A segmentação na frequência foi realizada a cada M =16 amostras no domínio da frequência, o que define a largura de banda de cada segmento por M / NT_s=126,9841 kHz . No total, para cada janela de tempo, são considerados 128 segmentos de frequência. O primeiro estágio do algoritmo de detecção é executado sobre esses segmentos no subquadro 0 para calcular a energia total de referência do ruído Z_ref

.

Essa medida de referência é empregada para detecção posterior de sinal. Ambos os modelos utilizaram um intervalo de guarda equivalente a 10 janelas da FFT, ou seja, de 1,26 ms

.

Para os resultados de simulação utilizou-se apenas ruído aditivo gaussiano branco (AWGN).

Os resultados são apresentados em função da relação sinal-ruído (SNR) ou normalizados, em função da energia do segmento pela densidade espectral de ruído (E_seg/N₀)

.

O cálculo da variância do ruído é dado em função da SNR ou da (Eseg/N0) por: SNR=S /σ2 = Eseg/NTs N₀M / NT_s, σ2_{=S/ SNR ,} σ2 = M S Eseg/N0 , (22)

onde S é a potência do sinal. Neste trabalho, a potência do sinal foi normalizada em S=1

.

Se considerarmos Eseg/N0 dada em dB, obtém-se: σ2 = M 10 Eseg/N0 10 . ₍₂₃₎

Expressão semelhante pode ser obtida para a variância em função da SNR em dB. A relação entre SNR e E_seg/N₀ é dada a partir de (22) em decibéis por:

SNR=E_seg/N₀−10log( M ). (24) Por exemplo, para segmentos com M =16 amostras tomadas na frequência, o que equivale a segmentos de 127 kHz, tem-se:

SNR=Eseg/N0−12 dB. (25) No sistema experimental, realizado em ambiente controlado de laboratório, é necessário estimar a relação sinal-ruído em banda base. Para esse cenário, os resultados são obtidos em função da SNR estimada pela seguinte equação:

̂Eseg/ ̂N0 = M ̂SNR , ̂ SNR= 1 #ASk ∈A

∑

_S ∣Rk(nNTs)∣ 2 1 # A_N k∈A

∑

N ∣R_k(nNT_s)∣2 −1, (26)

sendo que A_S é o conjunto de índices k tal que valores Rk(nNTs) sejam tomados das

amostras nas quais sabe-se que há sinal mais ruído descorrelacionado; AN é o conjunto de

índices k tal que valores R_k(nNT_s) sejam tomados das amostras nas quais sabe-se que há apenas ruído; e #(A) é o tamanho do conjunto

A .

Os resultados de simulação em Matlab/Simulink são apresentados na Figura 7(a) como referência

Tabela 1 Parâmetros da Simulação

Padrão ISDB-T

Uso Principal TV Digital

Tamanho da FFT (N ) 2048

Modulação Base OFDM

Modulação Dados 64-QAM

Modulação Controle BPSK Prefixo Cíclico 1/16 Taxa de Amostragem (1/T_s) 16,254 MHz Largura de banda do segmento (M /N T_s) 127 kHz (M =16)

Período de Guarda (α) 10 janelas

Figura 5 Modelo de Simulação

0 2 4 6 8 10 12 14 10-4 10-3 10-2 10-1 100 SNR (E_seg/N₀) dB PD FCME-CA IC 90% (a) 0 2 4 6 8 10 12 14 16 18 20 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Relação Sinal-Ruído [dB] Pr ob ab ili da de d e D et ec çã o N=1024 N=2048 N=4096 (b)

Figura 7 Probabilidade de detecção (PD) de sinal de TV Digital em: (a) ambiente de simulação Matlab/Simulink, dada em função de E_seg/N₀

,

(b) ambiente experimental, dada em função da SNR

estimada por (26) para validação do resultado experimental. A

Figura 7(b) mostra resultado equivalente com a plataforma GNU Radio operando em tempo real com hardware USRP N210 da Ettus.

A Figura 7(a) mostra os resultados da simulação de acordo com o tamanho da FFT e com probabilidade de falso alarme P_FA igual a 0.0001, esse valor foi escolhido para maximizar o desempenho do método.

Analisando o gráfico, é possível notar que sinais com cerca de 8 dB acima do ruído são detectados com um nível de certeza superior a 95%.

O resultado em ambiente real é mostrado na Figura 7(b). Também é possível notar na melhor das medidas, N = 1024, que sinais com cerca de 8 dB de relação sinal-ruído são detectados com um nível de certeza de 95%.

A partir da Figura 7, observa-se que os resultados obtidos são melhores do que os encontrados apenas para o FCME na literatura. Por exemplo, o estudo realizado por Shen e autores (2008) mostra que no melhor dos casos temos uma probabilidade de detecção de 95% para 15 dB de SNR para o FCME clássico. O sistema proposto neste trabalho atinge a mesma probabilidade de detecção com 8 dB de SNR. 4 Análise adicional dos resultados de

simulação

Esta seção provê uma análise mais detalhada do sistema de sensoriamento proposto a partir de resultados de simulação.

4.1 Parâmetros de simulação e modelo do sinal de TV

O modelo de simulação para se avaliar o desempenho do sistema de sensoriamento

proposto é mostrado na Figura 5. Esse modelo visa avaliar o desempenho do método de detecção para sinais de TV digital que seguem o padrão brasileiro de transmissão, o SBTVD-T. O modo de transmissão empregado utiliza 2048 portadoras, prefixo cíclico 1/16 e modulação 64-QAM. Como ilustração do sinal de TV digital, a Figura 8 mostra a constelação do sinal demodulado sobreposta para todas as 2048 portadoras em dois símbolos OFDM. A constelação 64-QAM se refere às portadoras de dados, a BPSK às portadoras-piloto e os símbolos nulos às portadoras de guarda. O espectro estimado a partir do sinal amostrado a uma taxa de 16,254 MHz em banda base é mostrado na Figura 9 para uma relação sinal-ruído de ~30 dB.

Os resultados de simulação apresentados neste artigo foram obtidos com ruído aditivo gaussiano branco (AWGN). Também foram realizadas simulações com perfis de canal padronizados pela ITU para ambientes de propagação típicos da radiodifusão de TV, como os perfis BRAZIL A, B e E (ITU, 2003). Porém, como os resultados se mostraram equivalentes aos obtidos para AWGN, eles não serão apresentados.

Esse resultado era esperado tendo em vista que múltiplos percursos na propagação do sinal equivalem a desvanecimentos seletivos na frequência, que devem afetar segmentos de frequência específicos. O algoritmo proposto é capaz de identificar automaticamente um conjunto de segmentos para referência da energia do ruído. Se um segmento sofrer com um desvanecimento profundo, provavelmente ele passará a representar uma amostra de energia do ruído, sem comprometer a detecção do sinal. Nas simulações realizadas, decide-se pela presença do sinal quando se detecta pelo menos

dois segmentos de sinal no canal de TV.

No detector, seguindo a notação da Figura 4, foi utilizada uma taxa de amostragem de T_s=16,254 MHz que provê uma resolução espectral com largura de banda equivalente, conforme Figura 9. A segmentação no tempo é realizada sem sobreposição a partir de uma janela retangular com N=2048 amostras, o que equivale a uma duração de subquadro de NT_s=126 μs. Outras formas de janelamento podem ser utilizadas, mas optou-se pela de menor complexidade computacional.

Os cenários de simulação considerados são descritos na Tabela 2. São analisados resultados para arranjos de segmentos tempo-frequência de 126 µs × 254 kHz (cenários 1 e 2), 126 µs × 508 kHz (cenário 3), 504 µs × 127 kHz (cenário 4) e 504 µs × 254 kHz (cenário 5). Na configuração atual do algoritmo de detecção, o primeiro estágio define a energia total de referência do ruído Zref(0). Essa medida de referência é

empregada para detecção posterior de sinal, no subframe #3. Nas simulações, foi utilizado um intervalo de guarda equivalente a 2 subquadros. Os segmentos são então avaliados ao longo da frequência, no segmento de tempo seguinte ao período de guarda. Desta maneira, o método de detecção deve levar um período equivalente a quatro segmentos de tempo para identificar a presença de sinal em um canal de TV. Conforme Tabela 2, isso equivale a tempos de detecção bastante curtos, que são de 0,5 ms para os cenários 1, 2 e 3 e de 2 ms para os cenários 4 e 5.

É importante destacar que a acumulação das amostras de energia é tomada apenas na frequência visando uma baixa complexidade computacional por quadro de detecção. Também é desejável que o quadro de detecção por canal de TV seja o mais curto possível para que a varredura dos canais na faixa de TV em VHF e/ou UHF fique na ordem de ms.

4.2 Análise de resultados

O cenário ideal para o detector de energia é quando se conhece exatamente a variância do ruído e a potência do sinal. O resultado para esse cenário é apresentado na Figura 10 e foi gerado a partir de uma janela de tempo de 126 µs para um canal de TV de 6 MHz. Esse resultado é apresentado como uma referência de desempenho ideal para o algoritmo de detecção proposto neste artigo. Os resultados de simulação mostram ser possível aproximar esse resultado ideal pelo sistema proposto quando se Tabela 2 Cenários de simulação para o método de detecção em dois estágios. Parâmetros comuns a todos

os cenários são 1/T_s=16,254 MHz Cenário Parâmetros de Simulação NFFT ( N ) NTs (s) M / NT_S (kHz) _{M P} FD Tempo de detecção: 1 quadro, α=2 4 NTs (ms) 1 2048 126 253,97 32 0,001 0,504 2 2048 126 253,97 32 0,01 0,504 3 2048 126 507,93 64 0,01 0,504 4 8192 504 126,98 64 0,01 2,016 5 8192 504 253,97 128 0,01 2,02 - 1 . 5 - 1 - 0 . 5 0 0 . 5 1 1 . 5 - 1 . 5 - 1 - 0 . 5 0 0 . 5 1 1 . 5 C o m p o n e n t e e m f a s e C o m p o n e n te e m q u a d ra tu ra

Figura 8 Constelação do sinal demodulado do SBTVD considerando-se todas as portadoras do

sinal - 8 - 6 - 4 - 2 0 2 4 6 8 - 8 0 - 7 0 - 6 0 - 5 0 - 4 0 - 3 0 - 2 0 - 1 0 0 1 0 F r e q u ê n c i a ( M H z ) P o tê n c ia ( d B )

Figura 9 Estimativa do espectro de potência do sinal recebido (periodograma)

utiliza um quadro de sensoriamento da ordem de 504 µs. É importante destacar, entretanto, que o sistema de sensoriamento atinge esse resultado sem conhecimento prévio das estatísticas do ruído e da potência do sinal.

Os resultados de desempenho são apresentados para diferentes valores de SNR em termos de probabilidade de falso alarme PFA versus

probabilidade de detecção P_D considerando-se os cenários da Tabela 2. Esconsiderando-ses resultados são apresentados nas Figuras 11 a 15. Para todos os cenários são apresentados resultados de probabilidade de detecção por canal de 6 MHz. Como o algoritmo de detecção trabalha com granularidade de segmentos, também são apresentados os resultados de PD dos segmentos de frequência nas figuras com rótulo (a). A probabilidade de detecção de sinal no canal de TV é gerada a partir da detecção de pelo menos dois segmentos de frequência ocupados nesse canal. Esses resultados são apresentados com rótulo (b).

Nas Figuras 11(c) e 11(d) são apresentadas, para o cenário 1, as relações entre a probabilidade de falso alarme nominal, utilizada nas equações que calculam o limiar de detecção, e a probabilidade de falso alarme medida nas simulações. A Figura 11(c) mostra que a taxa de falso alarme dos segmentos é igual à taxa nominal conforme especificado para o algoritmo. Esse mesmo padrão de resultado se repete para todos os cenários de simulação.

Comparado com os resultados de probabilidade obtidos para os segmentos, observa-se na Figura 11(d) que há uma melhora na probabilidade de falso alarme quando se avalia a ocupação do canal de TV como um todo. Além disso, observa-se na Figura 11(b) que também há uma melhora na probabilidade de detecção de sinal. Esse padrão de resultado também se repete para todos os cenários de simulação e, por esse motivo, não são apresentados para os demais cenários.

Para todos os resultados das Figuras 12 a 15, ao

se comparar os resultados de detecção por segmento (a) com os de detecção por canal (b), percebe-se que o critério de se ter pelo menos dois segmentos ocupados no canal é capaz de melhorar o desempenho tanto em termos de probabilidade de falso alarme quanto de detecção. Além disso, aumenta-se a robustez do método com relação à relação sinal-ruído.

A comparação entre os resultados dos cenários 1 e 2 indica que o algoritmo é razoavelmente robusto a variações na probabilidade de falso descarte do primeiro estágio de detecção. Há uma pequena melhora de desempenho geral da detecção quando se tolera um descarte errado maior de segmentos de referência. Esse resultado está coerente porque, ao se aumentar a PFD, um número maior de segmentos será

descartado no primeiro estágio. Desta forma, os segmentos remanescentes deverão representar melhor a energia total do ruído. Por outro lado, pode ser ruim configurar a PFD em um valor

muito elevado, pois pode-se reduzir significativamente o número de segmentos de referência para o ruído.

Em geral, o algoritmo de detecção tem um desempenho superior quando se aumenta o número de segmentos de frequência do canal. Por exemplo, os cenários 3 e 4 empregam o mesmo número de amostras M =64 no cômputo da energia dos segmentos, mas há quatro vezes mais segmentos de frequência no cenário 4. Esses resultados indicam que o método é mais preciso quando há um número maior de segmentos no canal.

Resultados como os das Figuras 12 (cenário 2) e 15 (cenário 5) mostram que, ao se aumentar o número de amostras M no cômputo da energia dos segmentos, mantendo-se a largura de banda dos segmentos e o número de segmentos no canal, há uma melhora nos resultados de detecção e falso alarme. Esse resultado indica que o método é mais preciso quando há um número maior de amostras M por segmento. Observa-se também que aumentar a largura de banda dos segmentos em detrimento do número desses segmentos ainda assim melhora-se os resultados de probabilidade de detecção e de falso alarme. Essa configuração pode ser obtida aumentando-se o número de amostras M por segmento sem aumentar o tamanho da FFT (duração do segmento no tempo). Esse comportamento do algoritmo pode ser constatado ao se comparar os resultados entre os cenários 2 e 3 (Figuras 12 e 13), e entre os cenários 4 e 5 (Figuras 14 e 15). A melhora de desempenho indica que nesses cenários o número de amostras M por segmento tem um peso maior no desempenho do que o número de segmentos. Nesses casos, a redução no número de segmentos não é significativa para se prejudicar a referência da energia total do ruído.

1 0- 3 1 0- 2 1 0- 1 1 00 P_{F A} PD ( IC 0 .9 9 ) - 1 0 d B S N R = - 7 , - 5 d B

Figura 10 Probabilidade de detecção versus de falso alarme para SNR = -10, -7 e -5 dB. Foi considerado o cenário ideal de detecção, onde se conhece exatamente o valor da variância do ruído

1 0- 3 1 0- 2 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r s e g m e n t o d e f r e q u ê n c i a -10 dB -7 dB -5 dB -3 dB (a) 1 0- 3 1 0- 2 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r c a n a l d e 6 M H z -10 dB -7 dB -5 dB e -3 dB (b) 1 0- 3 1 0- 2 1 0- 3 1 0- 2 P F A n o m i n a l P F A m e d id a p o r s e g m e n to ( IC 9 0 % ) SNR = -10, -7, -5 e -3 dB P F A x PF A n o m i n a l p o r s e g m e n t o d e f r e q u ê n c i a (c) 1 0- 3 1 0- 2 1 0- 3 1 0- 2 P F A n o m i n a l d o s e g m e n t o P F A m e d id a p o r c a n a l d e 6 M H z ( IC 9 0 % ) SNR = -10, -7, -5 e -3 dB P F A x PF A n o m i n a l p o r c a n a l d e 6 M H z (d)

Figura 11 Resultados de desempenho para o cenário 1: curvas levantadas para SNR = -10, -7, -5 e -3 dB

1 0- 3 1 0- 2 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r s e g m e n t o d e f r e q u ê n c i a -10 dB -7 dB -5 dB -3 dB (a) 1 0- 3 1 0- 2 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r c a n a l d e 6 M H z -10 dB -7 dB -5 dB e -3 dB (b)

(a) (b)

Figura 13 Resultados de desempenho para o cenário 3: curvas levantadas para SNR = 10, -7, -5 e -3 dB

(a) _(b)

Figura 14 Resultados de desempenho para o cenário 4: curvas levantadas para SNR = -10, -7, -5 e -3 dB

(a) (b)

Figura 15 Resultados de desempenho para o cenário 5: curvas levantadas para SNR = -10, -7, -5 e -3 dB Conclusão

Este artigo apresentou um sistema de sensoriamento de canal com processamento tempo-frequência digital em banda base. O método de detecção é realizado em quatro estágios com a aplicação dos algoritmos FCME e CA e foi validado por simulação para a detecção

de sinais do padrão brasileiro de TV digital (SBTVD-T).

A arquitetura proposta para o sensoriamento dos canais de TV tem um tempo de processamento configurável e opera com relação sinal-ruído negativa. Nos testes realizados o tempo de processamento foi sempre inferior a 2 ms por canal. Os resultados de desempenho

1 0- 3 1 0- 2 1 0- 1 1 00 P F A PD ( IC 9 9 % ) P D x PF A p o r s e g m e n t o d e f r e q u ê n c i a -10 dB -7 dB SNR = -3, -5 dB 1 0- 4 1 0- 3 1 0- 1 1 00 P F A PD ( IC 9 9 % ) P D x PF A p o r c a n a l d e 6 M H z -10 dB SNR = -3, -5, -7 dB 1 0- 3 1 0- 2 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r s e g m e n t o d e f r e q u ê n c i a -10 dB -7 dB SNR = -3, -5 dB 1 0- 4 1 0- 3 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r c a n a l d e 6 M H z -10 dB SNR = -3, -5, -7 dB 1 0- 2 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r s e g m e n t o d e f r e q u ê n c i a -10 dB SNR = -3, -5, -7 dB 3.0 × 10-3 _{1 0}- 4 1 0- 1 1 00 P F A P D ( IC 9 9 % ) P D x PF A p o r c a n a l d e 6 M H z -10 dB SNR = -3, -5, -7 dB 4.0 × 10-5

apresentados podem ser ainda melhores se for tolerado um tempo maior de processamento. Esse tempo de processamento adicional é necessário caso sejam utilizados mais de um subquadro no estágio 3 de detecção.

Com base nos resultados de simulação apresentados neste artigo, pode-se chegar às seguintes conclusões referentes ao comportamento do detector proposto:

• O aumento na probabilidade nominal de falso descarte do primeiro estágio pode melhorar o desempenho geral do método, pois há um rigor maior na escolha dos segmentos de referência do ruído.

• O método de detecção apresenta resultados melhores quando se aumenta o número de segmentos na frequência e a largura de banda desses segmentos.

• O aumento na largura de banda dos segmentos pode compensar uma redução proporcional no número de segmentos resultando, ainda assim, em uma melhora nos resultados de desempenho.

Além disso, o sistema de sensoriamento se mostrou simples de implementar em plataformas voltadas para ambientes reais, como o GNU Radio + USRP, apresentando resultados coerentes com os de simulação. Atualmente o método é utilizado na Rede Experimental Cognitiva instalada nas instalações do CPqD para a detecção de usuários licenciados.

Referências

BEEK, J. et al. UHF white space in Europe – a quantitative study into the potential of the 470-790 MHz band. IEEE DySPAN, mai. 2011.

CABRIC, D.; MISHRA, S. M.; BRODERSEN, R. W. Implementation Issues in Spectrum Sensing for Cognitive Radios. Proc. Asilomar Conference on Signals, Systems and Computers, v. 1, nov. 2004.

CORDEIRO, C.; CHALLAPALI, K.; BIRRU, D. IEEE 802.22: An Introduction to the First Wireless Standard based on Cognitive Radios, Journal of Communications, v. 1, n. 1, April. 2006.

INTERNATIONAL TELECOMMUNICATIONS UNION – RADIOCOMMUNICATION SECTOR (ITU). ITU Radio communication study Groups: Document 6E/TEMP/131-E, Guidelines and

Techniques for the Evaluation of DTTB

Systems, March 19, 2003.

LEHTOMÄKE, J. J.; JUNTTI, M.; SAARNISAARI, H. Spectrum Sensing with Forward Methods, IEEE Military Communications Conference, 2006.

MARIANI, A.; GIORGETTI, A.; CHIANI, M. Effects of Noise Power Estimation on Energy Detection for Cognitive Radio Applications, IEEE Transactions on Communications, v. 59, n. 12, dec. 2011.

PHILLIPS, P. C. B. The true characteristic function of the Fisher distribution. Biometrika, 1982.

PROAXIS, J. Digital Communications. McGraw-Hill, 4th Edition, 2001.

SHEN, B. et al. Improved Consecutive Mean Excision Algorithm Based Spectrum Sensing for Dynamic Spectrum Access. IEEE International Conference on Communications, 2008.

STAPLE, G.; WERBACH, K. The end of spectrum scarcity [spectrum allocation and utilization]. IEEE Spectrum, v. 41, mar. 2004. VARTIAINEN, J. et al. Analysis of the Consecutive Mean Excision Algorithms, Journal of Electrical and Computer Engineering, 2010.

YÜCEK, T.; ARSLAN, H. A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications. IEEE Communications Surveys & Tutorials, v. 11, n. 1, 2009.

Abstract

This article describes a spectrum-sensing system architecture based on digital processing and software defined radio platform to detect TV channels on VHF and UHF bands. The baseband processing applies the combined use of the algorithms Forward Consecutive Mean Excision (FCME) and Cell Averaging (CA) as part of the detection system. The proposed method has been developed for applications that require detecting licensed TV signals under the assumption of very low signal-to-noise ratio. The performance of the system was characterized by computer simulations using Matlab and laboratory tests using GNU Radio platform with Ettus’ USRP hardware. The detection system shows better results against similar methods proposed in the literature, identifying signals with signal to noise ratio 53% lower than other methods. Furthermore, the method is simple to implement in a platform directed to software defined radio, such as GNU Radio. Currently the method is used in Experimental Cognitive Network deployed in the CPqD for licensed TV signal detection.