Publicado

2016-09-01

Algoritmo para sensado de espectro de banda ancha basado en transformada dispersa de Fourier

Algorithm for wideband spectrum sensing based on sparse Fourier transform1

DOI:

https://doi.org/10.15446/dyna.v83n198.48654

Palabras clave:

Radio Cognitiva, Sensado Compresivo, Transformada Dispersa de Fourier, Sensado de Espectro. (es)
Cognitive Radio, Compressed Sensing, Sparse Fourier Transform, Spectrum Sensing. (en)

Descargas

Autores/as

En este trabajo se presenta un nuevo algoritmo sub-Nyquist para realizar Sensado de Espectro de Banda Ancha (WSS) para Radios Cognitivos (CR) mediante el uso de los algoritmos de Transformada Dispersa de Fourier (sFFT) recientemente desarrollados. En este caso, hemos desarrollado un algoritmo sub-Nyquist robusto ante el ruido para WSS con reducción en el costo de muestreo, mediante la modificación del algoritmo sFFT casi óptimo; esto se logró mediante el uso de ventanas Gaussianas con soporte pequeño. Los resultados de simulación muestran que el algoritmo propuesto es adecuado para la implementación hardware de sistemas WSS sobre espectros dispersos compuestos por señales multibanda altamente ruidosas.
In this paper we present a novel sub-Nyquist algorithm to perform Wideband Spectrum Sensing (WSS) for Cognitive Radios (CRs) by using the recently developed Sparse Fast Fourier Transform (sFFT) algorithms. In this case, we developed a noise-robust sub-Nyquist WSS algorithm with reduced sampling cost, by modifying the Nearly Optimal sFFT algorithm; this was accomplished by using Gaussian windows with small support. Simulation results show that the proposed algorithm is suitable for hardware implementation of WSS systems for sparse spectrums composed of highly-noisy multiband-signals.

Referencias

Mitola, J. and Maguire, G.Q., Cognitive radio: Making software radios more personal. IEEE Personal Communications, 6(4), pp. 13-18, 1999. DOI: 10.1109/98.788210.

Arslan, H., Cognitive radio, software defined radio, and adaptive wireless systems. Dordrecht: Springer, 2007. DOI: 10.1007/978-1-4020-5542-3.

IEEE. IEEE 802.22-2011, wireless regional area networks (wran) – specific requirements part 22: Cognitive wireless ran medium access control (mac) and physical layer (phy) specifications: Policies and procedures for operation in the tv bands. 2011. DOI: 10.1109/IEEESTD.2011.5951707.

M.T.P. Group, Microsoft spectrum observatory, [online], Seattle, [Date of reference, Nov. 2013.]. Available at: http://spectrum-observatory.cloudapp.net/.

Vito, L.D., A review of wideband spectrum sensing methods for cognitive radios, Proceedings of Instrumentation and Measurement Technology Conference (I2MTC), pp. 2257-2262, 2012. DOI: 10.1109/I2MTC.2012.6229530.

Hongjian, S., Nallanathan, A., Wang, C.X. and Chen, Y., Wideband spectrum sensing for cognitive radio networks: a survey. IEEE Wireless Communications, 20(2), pp. 74-81, 2013. DOI: 10.1109/MWC.2013.6507397.

Axell, E., Leus, G., Larsson, E.G. and Poor, H.V., Spectrum sensing for cognitive radio: State-of-the-art and recent advances. IEEE Signal Processing Magazine, 29(3), pp. 101-116, 2012. DOI: 10.1109/MSP.2012.2183771.

Laska, J., Kirolos, S., Duarte, M., Ragheb, T., Baraniuk, R. and Massoud, Y., Theory and implementation of an analog-to-information converter using random demodulation, Proceedings of IEEE International Symposium on Circuits and Systems, pp. 1959-1962, 2007. DOI: 10.1109/ISCAS.2007.378360.

Sun, H., Chiu, W.Y., Jiang, J., Nallanathan, A. and Poor, H.V., Wideband spectrum sensing with Sub-Nyquist sampling in cognitive radios. IEEE Transactions on Signal Processing, 60(11), pp. 6068-6073, 2012. DOI: 10.1109/TSP.2012.2212892.

Mishali, M. and Eldar, Y.C., From theory to practice: Sub-nyquist sampling of sparse wideband analog signals. IEEE Journal of Selected Topics in Signal Processing, 4(2), pp. 375-391, 2010. DOI: 10.1109/JSTSP.2010.2042414.

Yen, C.-P., Tsai, Y. and Wang, X., Wideband spectrum sensing based on Sub-Nyquist sampling. IEEE Transactions on Signal Processing, 61(12), pp. 3028-3040, 2013. DOI: 10.1109/TSP.2013.2251342.

Tsui, J.B., Digital techniques for wideband receivers, 2nd Edition. Raleigh: Scitech, 2004. DOI: 10.1049/SBRA005E.

Donoho, D.L., Compressed sensing. IEEE Transactions on Information Theory, 52(4), pp. 1289-1306, 2006. DOI: 10.1109/TIT.2006.871582.

Lobato-Polo, A.P., Ruiz-Coral, R.H., Quiroga-Sepúlveda, J.A. and Recio-Vélez, A.L., Sparse signal recovery using orthogonal matching pursuit (OMP). Ingeniería e Investigación, 29(2), pp. 112-118, 2009.

Hassanieh, H., Indyk, P., Katabi, D. and Price, E., Simple and practical algorithm for sparse fourier transform, Proceedings of ACM-SIAM Symposium on Discrete Algorithms (SODA), pp. 1183-1194, 2012. DOI: 10.1137/1.9781611973099.93.

Hassanieh, H., Indyk, P., Katabi, D. and Price, E., Nearly optimal sparse fourier transform, Proceedings of the 44th symposium on

Theory of Computing (STOC), pp. 563-578, 2012. DOI: 10.1145/2213977.2214029.

Hassanieh, H., Shi, L., Abari, O., Hamed, E. and Katabi, D., Ghz-wide sensing and decoding using the sparse fourier transform, Proceedings of IEEE INFOCOM, pp. 2256-2264, 2014. DOI: 10.1109/INFOCOM.2014.6848169.

Indyk , P., Kapralov, M. and Price, E., (Nearly) Sample-optimal sparse fourier transform, Proceedings of ACM-SIAM Symposium on Discrete Algorithms (SODA), pp. 480-499, 2014. DOI: 10.1137/1.9781611973402.36.

Gilbert, A.C., Strauss, M.J. and Tropp, J.A., A tutorial on fast fourier sampling. IEEE Signal Processing Magazine, 25(2), pp. 57-66, 2008. DOI: 10.1109/MSP.2007.915000.

Gilbert, A.C., Muthukrishnan, S. and Strauss, M.J., Improved time bounds for near-optimal sparse fourier representations, Proceedings of SPIE Wavelets XI, pp. 1-15, 2005. DOI: 10.1117/12.615931.

Dutt, A. and Rokhlin, V., Fast fourier transforms for nonequispaced data, ii. Applied and Computational Harmonic Analysis, 2(1), pp. 85-100, 1995. DOI: 10.1006/acha.1995.1007.

Tanton, J., Encyclopedia of Mathematics. New York: Facts on File, 2005.

Abramowitz, M. and Stegun, I., Handbook of mathematical functions with formulas, graphs, and mathematical tables, 10th printing. Washington, D.C.: Dover, 1972. DOI: 10.1063/1.3047921.

Gilbert, A.C., Li, Y., Porat, E. and Strauss, M.J., Approximate sparse recovery: Optimizing time and measurements, Proceedings of the 42nd ACM symposium on Theory of computing, pp. 475-484, 2010. DOI: 10.1145/1806689.1806755.

Dimensions

PlumX

Visitas a la página del resumen del artículo

670

Descargas

Los datos de descarga aún no están disponibles.

Cómo citar

[1]
A. López-Parrado y J. Velasco-Medina, «Algoritmo para sensado de espectro de banda ancha basado en transformada dispersa de Fourier», DYNA, vol. 83, n.º 198, pp. 79–86, sep. 2016, doi: 10.15446/dyna.v83n198.48654.

Licencia

Derechos de autor 2016 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.