cooperativo baseado em multiestágios e
aprendizagem de máquina
Ricardo Seiti Yoshimura*, Maicon Kist**, Dick Carrillo Melgarejo, Fabiano Silva Mathilde, Cristiano Bonato Both**, Juliano João Bazzo, Lisandro Zambenedetti Granville**
Rádios cognitivos surgiram como uma solução para otimizar a utilização do espectro de frequências através da análise e seleção dinâmica de canais livres para comunicação. Dentro dessa abordagem, o sensoriamento espectral é uma etapa fundamental no processo cognitivo, pois deve-se detectar sinais de forma confiável e no menor tempo possível. Este artigo apresenta uma implementação em rádio definido por software de uma proposta de algoritmo de sensoriamento espectral adaptativo, integrando três soluções para otimizar o sensoriamento espectral: aprendizagem de máquina, multiestágios e cooperação. Enquanto a aprendizagem de máquina e o sensoriamento multiestágios são executados em cada rádio cognitivo da rede, uma estação-base recebe os resultados do sensoriamento e executa o algoritmo cooperativo. A implementação foi realizada em um ambiente real e seus resultados mostram que a integração alcança uma elevada taxa de acerto e mantém o tempo de sensoriamento baixo, quando comparada a outras soluções de sensoriamento.
Palavras-chave: Rádio cognitivo. Rádio definido por software. Sensoriamento espectral. Aprendizagem
de máquina, Sensoriamento cooperativo.
Introdução
Em um ciclo cognitivo, um elemento deve ser capaz de observar o meio ao seu redor, analisá-lo e a partir dessa análise tomar a decisão mais conveniente, interagindo de volta ao meio. Nesse sentido, rádios cognitivos surgiram como dispositivos capazes de identificar e explorar porções subutilizadas do espectro, fazendo uso de canais não utilizados para maximizar a eficiência na comunicação (AKYILDIZ et al., 2006).
A tarefa de análise do espectro é chamada de sensoriamento espectral (YUCEK; ARSLAN, 2009). A maximização da eficiência dessa funcionalidade implica sua realização no menor tempo possível e com a maior taxa de acertos (GHASEMI; SOUSA, 2008). O tempo refere-se à duração mínima para a técnica de sensoriamento avaliar o estado de um canal (livre ou ocupado). A taxa de acerto, por sua vez, é a relação entre o número de avaliações, cujo estado do canal tenha sido analisado corretamente, e o total de avaliações realizadas (GABRAN; PAWELCZAK; CABRIC, 2011). Deve haver, portanto, um equilíbrio entre ambos, tornando esse um dos maiores desafios no projeto de técnicas de sensoriamento espectral.
Na literatura sobre rádio cognitivo são destacadas cinco técnicas de sensoriamento espectral individuais, cada uma com diferentes relações entre tempo de sensoriamento e taxa de acerto:
a) detecção de energia (SONG et al., 2012); b) detecção de forma de onda (TANG,
2005);
c) detecção cicloestacionária (DEEPA; IYER; MURTHY, 2010);
d) detecção por identificação de rádio (YUCEK; ARSLAN, 2009); e
e) detecção por filtro casado (GHASEMI; SOUSA, 2008).
As técnicas de sensoriamento apresentam diferentes taxas de acerto e complexidades. Técnicas simples, em comparação com técnicas mais complexas, apresentam como principal vantagem um menor tempo de sensoriamento, enquanto a desvantagem é a redução da taxa de acerto no resultado do sensoriamento (GHASEMI; SOUSA, 2008).
Para reduzir o tempo de sensoriamento das técnicas individuais, sem afetar a taxa de acerto das avaliações do canal, são propostas na literatura soluções baseadas em sensoriamento cooperativo, multiestágios e aprendizagem de máquina. O sensoriamento cooperativo surge como uma solução para os problemas enfrentados pelas técnicas de sensoriamento espectral individual, tais como: ruído, desvanecimento e terminal escondido. A solução cooperativa consiste em compartilhar as avaliações do sensoriamento entre os rádios cognitivos localizados em uma mesma região geográfica. As principais vantagens em relação *Autor a quem a correspondência deve ser dirigida: rseiti@cpqd.com.br.
às técnicas de sensoriamento individuais são aumento na taxa de acerto, redução no tempo de sensoriamento e redução de terminais escondidos (GANESAN; LI, 2005). A solução multiestágios surgiu para aumentar a taxa de acertos do sensoriamento espectral sem demandar troca de informações entre os dispositivos cognitivos (MALEKI; PANDHARIPANDE; LEUS, 2010). Essa solução consiste em aplicar duas ou mais técnicas de sensoriamento individuais sobre o sinal recebido. O resultado final do estado do canal depende então do algoritmo que é utilizado para combinar os resultados de cada técnica individual. Nas abordagens mais simples, por exemplo, o estado do canal é o resultado da aplicação de operadores lógicos AND e OR sobre os resultados individuais (HUR et al., 2006).
O uso de algoritmos de aprendizagem de máquina permite aumentar a taxa de acertos através de algoritmos que se adaptam e melhoram as decisões futuras baseados no resultado das decisões anteriores. Na função de sensoriamento espectral, esses algoritmos são utilizados principalmente para adaptar o limiar de decisão das técnicas de sensoriamento individuais. O limiar de decisão é um valor utilizado para identificar se o canal está livre ou ocupado. Na técnica de detecção de energia, por exemplo, o limiar é um valor de energia (GONG et al., 2009).
Uma arquitetura que possibilita o emprego de algoritmos de aprendizagem de máquina para melhorar a taxa de acertos de um detector de energia está sendo desenvolvida1 . Os resultados apresentados demonstram que essa solução é capaz de alcançar elevada taxa de acerto e manter baixo o tempo de sensoriamento. Contudo, a utilização dessa solução em um ambiente cooperativo não é abordada.
Apesar dos diversos trabalhos sobre técnicas de sensoriamento individuais e cooperativas propostos na literatura, poucos são os trabalhos que avaliam esses algoritmos em um cenário real. Neste trabalho, é descrito o processo de integração da arquitetura proposta por Kist e autores com um algoritmo cooperativo. A principal contribuição deste trabalho é analisar os ganhos reais oferecidos pela solução cooperativa em uma rede cognitiva implementada na prática por meio de rádio definido por software. Para tal, a solução de Kist e autores foi desenvolvida utilizando o framework GNU Radio (2013) e a plataforma USRP (Universal Software Radio Peripheral) como front end. O algoritmo cooperativo utilizado é o de votação, cujo ambiente foi composto por três rádios cognitivos. Quando se compara o sensoriamento de um único dispositivo e o sensoriamento cooperativo,
os resultados mostram que a solução cooperativa é capaz de elevar a taxa de acertos de todos os dispositivos cognitivos presentes na rede.
Este trabalho está organizado da seguinte maneira: na Seção 1, é apresentada a proposta deste trabalho – um sensoriamento cooperativo baseado em multiestágios e aprendizagem de máquina; na Seção 2 é descrito o cenário de experimentação real; os resultados obtidos demonstrando a eficiência da solução proposta são apresentados na Seção 3. Considerações finais e trabalhos futuros são apresentados na Seção 4.
1 Sensoriamento cooperativo baseado em multiestágios e aprendizagem de
máquina
A fim de aumentar a taxa de acertos em relação ao estado do canal, neste trabalho propõe-se a combinação dos algoritmos de sensoriamento adaptativo utilizando aprendizagem de máquina em multiestágios e sensoriamento cooperativo por votação.
A solução de Kist e autores, executada em cada dispositivo cognitivo, é capaz de controlar o tempo entre sensoriamentos de forma adaptativa, a fim de detectar o estado do canal da maneira mais precisa e mais rápida possível. Entende-se por detecção do estado do canal a identificação da comunicação ou não comunicação de transmissores numa determinada largura de faixa do canal de comunicação. Para tal, utiliza-se de um detector de forma de onda, mais preciso, porém, mais lento, para periodicamente comparar os resultados com um detector de energia, mais rápido, porém, menos preciso.
Quando o detector de energia decidir contrariamente ao detector de forma de onda, aplica-se o algoritmo de aprendizado Bayesiano para reconfigurar o detector de energia de modo que sua decisão seja igual à informação recebida. Dessa forma, à medida que as avaliações do detector de energia são corrigidas, o algoritmo reconfigura seus parâmetros para que o sensoriamento seja realizado com menor frequência e dê prioridade à comunicação de dados úteis. A solução de Kist e autores controla a execução desses detectores, cujos resultados demonstram que essa solução converge para uma configuração adequada rapidamente. As decisões espectrais realizadas por cada dispositivo cognitivo são enviadas para uma estação-base. Nessa estação é empregado um algoritmo de sensoriamento cooperativo baseado em votação, que combina as decisões dos dispositivos de rádio cognitivo receptores e 1 An Adaptive Feedback System to Support Threshold Learning in Cognitive Radio, de autoria de Kist et al., 2013.
fornece a decisão final do estado do canal. O algoritmo de votação proposto é representado matematicamente como:
d (t )=
{
K > N , H
K < N , H
01K = N , H
1onde K representa a quantidade de dispositivos que decidiram que o canal está livre, N é a quantidade de dispositivos que decidiram que o canal está ocupado,
H
0 é a decisão final de que o canal está livre eH
1 de que o canal está ocupado. Assim, o algoritmo por votação escolhe o estado final do canal de acordo com a escolha da maioria dos dispositivos. Se houver empate na decisão entre os dispositivos, a hipóteseH
1 prevalece.Dessa forma, para a i-enésima decisão de ocupação em um dado instante, haverá convergência se todos os dispositivos obtiverem os mesmos resultados em cada uma de suas decisões individuais. Do contrário, se houver diferença na decisão individual de pelo menos um dos dispositivos, haverá divergência para aquela i-enésima decisão. Note que não é possível saber a priori qual é o dispositivo com a maior taxa de acerto, impossibilitando a escolha de um dispositivo como referência nas decisões para os dispositivos restantes. Isso justifica o uso do método de cooperação.
A integração entre a solução de Kist e autores e o algoritmo cooperativo por votação foi bastante direta. Foram realizadas modificações na solução de Kist e autores para que as decisões realizadas sobre o estado do canal fossem salvas em arquivos na memória. Assim, para cada rádio cognitivo receptor é gerado um arquivo de decisões. Note que, a fim de que o algoritmo de cooperação integre a decisão dos dispositivos, é necessário antes que os dispositivos estejam sincronizados entre si. Para isso, considerando que a diferença de atraso de propagação no meio de RF entre os dispositivos
é desprezível, a sincronização neste experimento consistiu no alinhamento temporal das amostras dentre os receptores, considerando como referência a primeira subida de nível do sinal, i.e. sob a ótica da primeira ocasião em que fosse detectada a comunicação do sinal durante uma coleta de informação. Por fim, o algoritmo cooperativo por votação utiliza esses arquivos para realizar a decisão final de ocupação do canal, utilizando o algoritmo explicado anteriormente.
Nesta seção foi apresentada a proposta de integração da arquitetura proposta por Kist e autores e a cooperação entre rádios cognitivos. Na seção seguinte é apresentado o ambiente de validação desenvolvido para avaliação da integração.
2 Cenário experimental
Na Figura 1 pode ser observado o cenário utilizado para validação da integração proposta. O cenário é composto por dois ambientes: o ambiente de radiofrequência e o ambiente de sensoriamento. O primeiro foi projetado com o propósito de se assemelhar a um ambiente de radiofrequência real indoor. O segundo envolve a execução dos algoritmos de sensoriamento. Os dois ambientes são detalhados nas seções 2.1 e 2.2, respectivamente. Além disso, os parâmetros de configuração utilizados no cenário de validação são descritos na seção 2.3.
2.1 Ambiente de radiofrequência
No ambiente de radiofrequência, um sinal é irradiado pelo front end do transmissor, conforme Figura 1. Esse sinal é capturado pelo front end dos rádios cognitivos, compostos pelas plataformas USRP N210. Os sinais são capturados e processados em computadores pessoais executando o framework GNU Radio. A comunicação entre as plataformas USRP N210 e os computadores ocorre por meio de interfaces Ethernet de 1Gbps.
O transmissor foi configurado para representar um usuário de rede sem fio, com duração da transmissão do sinal de radiofrequência, intervalo entre transmissões e potência do sinal predefinidas.
O ambiente de propagação foi caracterizado como indoor em uma faixa de frequência UHF. Neste ambiente, os efeitos causados por multipercurso e perdas por propagação em larga escala podem ser considerados desprezíveis, dada a proximidade e alinhamento dentre os elementos de transmissão e recepção. É importante destacar que as antenas foram dispostas numa distância pouco maior do que meio comprimento de onda, o que traz como resultado uma diversidade espacial (PAULRAJ et al., 2003), tal que cada um dos sensores tenha a sua própria interpretação do sinal.
Os experimentos foram realizados em um cenário com transmissão de um sinal OFDM (Orthogonal Frequency-Division Multiplexing) e em outro com um sinal de voz em FM (Frequency Modulation). No espectro, os sinais diferem entre si, principalmente no que tange à largura de banda da mensagem e ao comportamento do sinal no espectro de frequência.
Os dispositivos cognitivos realizam constantemente a captura e o armazenamento do sinal recebido, para, em seguida, verificar o estado de ocupação do canal com a solução de Kist e autores, conforme descrito na subseção seguinte.
2.2 Ambiente de sensoriamento
O bloco de sensoriamento adaptativo executa o sincronismo temporal entre os dispositivos e a solução de Kist e autores, implementada em Python e utilizando recursos do framework GNU Radio.
Haverá diferenças de sincronismo, por menores que sejam, entre os receptores, seja do ponto de vista de propagação de RF ou durante o processamento entre os diferentes receptores. Isso pode ocasionar divergência nos resultados, principalmente no entorno de transição de estados de nível de um sinal a ser detectado. A degradação causada por falta de sincronismo pode ser considerada desprezível neste experimento. Na sequência, é executado o algoritmo de cooperação no bloco sensoriamento
cooperativo. Este recebe as decisões espectrais
realizadas por cada dispositivo de rádio cognitivo receptor, através de um canal de controle dedicado, e realiza a decisão final baseado na técnica de votação.
2.3 C. Parâmetros de configuração
Com o objetivo de verificar a eficácia da proposta, foi avaliada a transmissão dos sinais
OFDM e FM. No primeiro cenário, o front end do transmissor irradia um sinal OFDM com largura de banda de 5 MHz, enquanto no cenário FM a largura de banda é de 200 kHz. O transmissor intercala entre períodos de transmissão do sinal e de ausência de sinal, totalizando uma comunicação com os sensores de aproximadamente 1 minuto, num total de 15 coletas, cujo ponto de partida foi aleatoriamente escolhido. O período médio de transmissão é caracterizado segundo uma função densidade de probabilidade cuja envoltória obedece uma distribuição de Poisson, com média e variância (λ) iguais a 3 segundos. O período médio de ausência de sinal também é caracterizado de maneira semelhante. Na configuração dos dispositivos receptores, a taxa de amostragem no cenário OFDM é de 7 Msamp/s, enquanto no cenário FM é de 1,47 Msamp/s. Foram utilizados 3 dispositivos de rádio cognitivo sensores. Por fim, todos os resultados mostrados foram gerados com um intervalo de confiança de 90%. A Tabela 1 resume os parâmetros utilizados.
Tabela 1 Configurações utilizadas na avaliação
Frequência central (MHz) 763
Modo de transmissão OFDM FM
Taxa de amostragem
(Msamples/s) 7 1,47
Largura de faixa (MHz) 5 0,2
Número de Transmissores 1
Número de Receptores 3
Antena UHF log-periódica
Número de coletas 15
Intervalo de confiança 90%
Nesta seção foram apresentados o ambiente experimental utilizado, bem como os cenários de validação. Na seção seguinte serão apresentados os resultados dos algoritmos propostos avaliados no cenário experimental descrito.
3 Resultados
A Figura 2 ilustra o espectro de frequência do sinal OFDM para cada um dos receptores em um determinado instante de tempo. É possível perceber que a mensagem no Receptor 1 está com menor relação sinal-ruído, o que favorece erros de detecção.
Já a Figura 3 mostra os resultados da taxa de acertos ao longo das 15 coletas realizadas pelo sensor, com um intervalo de confiança de 90% definido para cada uma das medições. Fica evidente a vantagem de se utilizar o sensoriamento cooperativo comparado tão somente ao sensoriamento adaptativo, a exemplo das coletas 2 e 4. Nesses casos, em
(a) Espectro do sinal recebido pelo Receptor 1
(b) Espectro do sinal recebido pelo Receptor 2
(c) Espectro do sinal recebido pelo Receptor 3
Figura 2 Sinal capturado nos receptores
Tabela 2 Resultados dos algoritmos de sensoriamento no cenário OFDM
Estado Taxa de acerto Convergência Divergência
Receptor 1 Receptor 2 Receptor 3 Cooperativo
Livre 96,40%±
2,72% 92,58%±5,61% 92,10%±5,52% 98,73%±0,54% 88,95%±12,07% ±12,07%11,05% Ocupado
particular, quando um dos sensores apresentou elevada taxa de erro na detecção, os demais sensores compensaram os resultados, garantindo uma melhora de aproximadamente 35% da taxa de acerto na decisão final por cooperação.
A Tabela 2 mostra a média de acertos alcançada por cada dispositivo receptor e pelo algoritmo cooperativo por votação.
Cada i-enésima decisão do algoritmo adaptativo é enviada para a estação-base, onde é executado o algoritmo cooperativo. A Tabela 2 apresenta os resultados em relação à taxa de acerto na decisão do sensoriamento tomada por cada um dos receptores. Além disso, na coluna Convergência mostra-se o número de vezes (em porcentagem) que a decisão foi a mesma em todos os dispositivos. A tabela também mostra que os dispositivos convergiram em aproximadamente 89% das decisões realizadas. Já em 11% das decisões, ao menos o resultado de um dos dispositivos foi diferente. São nessas situações de divergência que o algoritmo cooperativo se mostra importante, sendo responsável por realizar uma decisão com maior probabilidade de acerto.
O algoritmo de sensoriamento cooperativo alcançou uma taxa de acerto de 98,73%. Esse resultado demostra que a solução cooperativa é capaz de melhorar a taxa de acerto em relação ao sensoriamento individual. É importante destacar que a taxa de acerto do sensoriamento cooperativo foi maior que a de todos os dispositivos receptores e que o desvio-padrão é muito baixo. Isso significa que esse algoritmo é bastante constante, apresentando resultados semelhantes mesmo quando os receptores apresentam variações elevadas.
Por fim, na Figura 4 é demonstrado o tempo decorrido até a i-enésima decisão espectral do algoritmo cooperativo. A figura apresenta o tempo decorrido para os algoritmos propostos em comparação com o algoritmo de detecção por forma de onda, no qual, embora a taxa de acerto seja próxima de 100%, o tempo de sensoriamento é maior. Pode-se observar que o tempo para realizar as decisões espectrais na solução proposta é substancialmente menor que o tempo utilizado pelo algoritmo de forma de onda. Nos experimentos realizados no cenário OFDM, o algoritmo proposto se mostrou aproximadamente 33 vezes mais rápido que o
detector de forma de onda.
Para o cenário FM, os principais resultados são apresentados na Tabela 3. Percebe-se que nesse cenário apenas o Receptor 1 foi capaz de alcançar uma taxa de acerto elevada, em decorrência de ele ter sido usado como base para o formato de onda.
A baixa taxa de acerto dos demais dispositivos ocorre por conta da grande dificuldade de detectar um sinal FM próximo aos limiares de ruído. Na Tabela 4 são mostrados os resultados do algoritmo de sensoriamento cooperativo em FM. Aqui se destaca a robustez do algoritmo, pois, mesmo quando a maioria dos dispositivos apresenta uma taxa de acerto individual baixa, é possível melhorar a taxa final de acerto. Para o cenário FM, o tempo de sensoriamento apresentou um ganho aproximadamente 6 vezes maior em relação ao algoritmo de forma de onda. Em comparação com o ganho obtido com o sinal OFDM, ocorre uma redução, que se deve ao fato de a solução de Kist e autores tentar melhorar o acerto nas decisões sempre que há divergência entre os resultados obtidos no detector de energia e no detector de forma de onda.
Tabela 3 Resultados para o cenário FM Resultados Obtidos
Dispositivo Receptor 1 2 3
Taxa de acerto (%) 99,54 50,52 58,11
Figura 4 Comparação do tempo de sensoriamento
Tabela 4 Sensoriamento cooperativo – Sinal FM Resultados Obtidos
Taxa de acerto (%) 74,47
Ganho no tempo de sensoriamento 6 vezes
Os resultados demonstram que a integração entre a solução de Kist e autores e o algoritmo de cooperação por votação consegue alcançar taxas de acerto elevadas enquanto mantém o tempo de sensoriamento baixo. Já o tempo de sensoriamento é reduzido consideravelmente, independentemente do tipo de sinal analisado.
Conclusão
Neste trabalho foi apresentada a integração de um algoritmo de sensoriamento espectral individual com aprendizagem de máquina baseado em multiestágios e o algoritmo cooperativo de votação. A solução final é flexível e de baixa complexidade para ser incorporada em produtos comerciais. Os resultados, obtidos em um cenário real, mostraram que a solução é uma alternativa eficiente para obter uma elevada taxa de acertos na detecção de transmissões digitais, ao mesmo tempo em que o tempo utilizado para sensoriar os canais é mantido baixo. Trabalhos futuros sobre os algoritmos propostos incluem algoritmos de cooperação mais eficientes, utilização de sensoriamento ao longo de toda a largura de banda de um sinal, mehorias na detecção do sinal FM, controle de sincronização entre os dispositivos de rádio cognitivo, expansão do número de dispositivos transmissores e receptores, emulação de diferentes cenários de multipercurso em cada rádio cognitivo receptor, além de análise do comportamento do algoritmo de aprendizagem, frente a diferentes sinais de rádio de redes locais e metropolitanas, como o Wi-Fi e o WiMAX.
Agradecimentos
Os autores agradecem o Ministério das Comunicações, que, através do Fundo para o Desenvolvimento Tecnológico das Telecomunicações (FUNTTEL), financia o projeto RASFA no CPqD, além das pertinentes sugestões apresentadas pelo colaborador João Paulo C. L. Miranda.
Referências
AKYILDIZ, I. F. et al. Next generation/dynamic spectrum access/cognitive radio wireless networks: A survey. Computer Networks, v. 50, n. 13, p. 2127-2159, 2006.
DEEPA, B.; IYER, A.; MURTHY, C. Cyclostationary-based architectures for spectrum sensing in IEEE 802.22 WRAN. In: IEEE
GLOBAL TELECOMMUNICATIONS
CONFERENCE (GLOBECOM 2010), Miami.
Proceedings... Miami, 2010, p. 1-5.
GABRAN, W.; PAWELCZAK, P.; CABRIC, D. Throughput and collision analysis of multichannel multistage spectrum sensing algorithms. IEEE
Transactions on Vehicular Technology, v. 60,
n. 7, p. 3309-3323, 2011.
GANESAN, G.; LI, Y. Agility improvement through cooperative diversity in cognitive radio. In: IEEE
GLOBAL TELECOMMUNICATIONS
CONFERENCE (GLOBECOM 2005), St. Louis, USA, Proceedings... St. Louis, p. 2505-2509, 2005.
GHASEMI, A.; SOUSA, E. Spectrum sensing in cognitive radio networks: requirements, challenges and design trade-offs. IEEE
Communications Magazine, v. 46, n. 4, p.
32-39, 2008.
GNU RADIO, the free and open software radio
ecosystem. Disponível em:
<http://gnuradio.org/redmine>. Acesso em: 09. dez. 2013.
GONG, S. et al. Threshold-Learning in Local Spectrum Sensing of Cognitive Radio. In: IEEE VEHICULAR TECHNOLOGY CONFERENCE (VTC 2009), Barcelona. Proceedings... Barcelona, 2009, p. 1-6.
HUR, Y. et al. A cognitive radio (CR) system employing a dual-stage spectrum sensing technique: A multi-resolution spectrum sensing (MRSS) and a temporal signature detection (TSD) technique. In: IEEE GLOBAL TELECOMMUNICATIONS CONFERENCE (GLOBECOM 2006), San Franscico.
Proceedings... San Franscico, p. 1-5, 2006.
MALEKI, S.; PANDHARIPANDE, A.; LEUS, G. Two-stage spectrum sensing for cognitive radios. In: IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS SPEECH AND SIGNAL PROCESSING (ICASSP 2010), Dallas.
Proceedings... Dallas, 2010, p. 2946-2949.
PAULRAJ, A.; NABAR, R.; GORE, D. Introduction to Space-Time Wireless Communications. In: Cambridge University Press, 2003.
SONG, J. et al. Spectrum sensing in cognitive radios based on enhanced energy detector. IET
Communications, 6(8):805-809, 2012.
TANG, H. Some physical layer issues of wide-band cognitive radio systems. In IEEE INTERNATIONAL SYMPOSIUM ON NEW FRONTIERS IN DYNAMIC SPECTRUM ACCESS NETWORKS (DySPAN 2005), Baltimore, USA. Proceedings... Baltimore, 2005, p. 151-159.
USRP. Disponível em <https://www.ettus.com/product>. Acesso em: 09 dez. 2013.
YUCEK, T.; ARSLAN, H. A survey of spectrum sensing algorithms for cognitive radio applications. IEEE Communications Surveys
Tutorials, 11(1):116-130, 2009.
Abstract
Cognitive radios emerged as a solution to optimize the use of radio spectrum through analysis and dynamic selection of channels used for communications.The main function to perform channel analysis is called Spectrum Sensing. Through this function is possible to analyse and select available channels for transmission. This article presents an integration of three solution to optimize the Spectrum Sensing: machine learning, multi-stages and cooperation. In this integration, while the machine learning and the multi-stage spectrum sensing is executed in each cognitive radio, a base station receives the sensing results and engages them through the cooperative algorithm. Results show that the integration obtains a high hit rate while keeping the sensing duration low, when compared to existing sensing solutions.
Key words: Cognitive Radio. Software Defined Radio. Spectrum Sensing. Machine Learning.
