| Summary: | Η παρούσα διπλωματική εργασία έχει ως αντικείμενο την μελέτη και ανάπτυξη μίας τεχνικής ανίχνευσης φάσματος (spectrum sensing technique), η οποία να μπορεί να χρησιμοποιηθεί σε περιβάλλον Δυναμικής Εκχώρησης Φάσματος από Γνωστικά Συστήματα Ραδιοεπικοινωνιών (Cognitive Radio Systems).
Οι παραδοσιακές στατικές στρατηγικές καταμερισμού του φάσματος έχουν δημιουργήσει προβλήματα έλλειψης διαθέσιμου φάσματος. Ταυτόχρονα, πρόσφατες μετρήσεις δείχνουν ότι μεγάλα τμήματα του φάσματος που έχουν εκχωρηθεί με άδεια σε συγκεκριμένα συστήματα υποχρησιμοποιούνται. Είναι επομένως αναγκαίο να υιοθετηθούν νέες πολιτικές διαχείρισης του φάσματος οι οποίες θα επιτρέπουν σε μη αδειοδοτημένα δίκτυα να κάνουν χρήση τμημάτων του αδειοδοτημένου φάσματος. Τα Γνωστικά Συστήματα Ραδιοεπικοινωνιών είναι ευφυή συστήματα τα οποία έχουν γνώση του περιβάλλοντός τους και μπορούν να προσαρμόζουν κατάλληλα τις παραμέτρους λειτουργίας τους σε αυτό. Τα συστήματα αυτά μπορούν να ανιχνεύουν περιοδικά το φάσμα, να εντοπίζουν τις ζώνες συχνοτήτων οι οποίες δε χρησιμοποιούνται από τους αδειοδοτημένους χρήστες τους και να τις αξιοποιούν.
Όπως γίνεται εύκολα αντιληπτό από τα παραπάνω η ανίχνευση φάσματος αποτελεί ένα ιδιαιτέρως κρίσιμο θέμα για τα Γνωστικά Συστήματα Ραδιοεπικοινωνιών. Στο στάδιο αυτό, το σύστημα ανιχνεύει και παρακολουθεί στο περιβάλλον μέσα στο οποίο ενεργεί, το κατά πόσο το φάσμα είναι ελεύθερο ανά πάσα χρονική στιγμή και αξιοποιεί αυτά τα φασματικά κενά. Ουσιαστικά η ανίχνευση φάσματος εφαρμόζεται για να δώσει στον cognitive χρήστη μία όσο το δυνατόν πιστότερη εικόνα του περιβάλλοντος μέσα στο οποίο βρίσκεται.
Η δική μας μελέτη επικεντρώθηκε στις τεχνικές ανίχνευσης φάσματος (spectrum sensing) και συγκεκριμένα αναπτύσσουμε μία μέθοδο ανίχνευσης φασματικών κενών βασιζόμενη στη χρήση ενός προβλεπτή (predictor) και στη χρησιμοποίηση του σφάλματος πρόβλεψης του σήματος που προκύπτει από αυτόν ως μετρική για τη λήψη απόφασης σχετικά με την ύπαρξη ή την απουσία σήματος ακόμα και σε θορυβώδη περιβάλλοντα (πολύ χαμηλό SNR).
H τεχνική ανίχνευσης φάσματος που προτείνουμε μοντελοποιήθηκε στο περιβάλλον μοντελοποίησης MATLAB. Στη συνέχεια, διενεργήθηκαν εκτενείς προσομοιώσεις για ποικίλες τιμές των διαφόρων παραμέτρων του συστήματος αλλά και για διαφορετικά συστήματα, ούτως ώστε να αξιολογηθεί η επίδοση της τεχνικής σε διάφορες συνθήκες. === In the present thesis, we will study spectrum sensing techniques of Cognitive Radio SIMO systems.
The conventional approach to spectrum management is not flexible, as most of the useful part of the spectrum is bounded. Hence it is extremely difficult to find free frequencies in order to deploy new services or to enhance the already existing ones. At the same time, various measurements show that the licensed spectrum is heavily underutilized in terms of both the time domain as well as the space domain. Thus Cognitive Radio technology comes to offer solutions, mainly with regard to the issues mentioned above, providing a dynamic utilization of the spectrum. Cognitive Radio has been proposed for lower priority secondary systems intending to improve spectral efficiency through spectrum sensing thus allowing these systems to transmit at frequency bands that are detected to be unused.
As we can easily understand from the above, spectrum sensing is a critical issue for cognitive systems. In order to achieve adaptive transmission in unused portions of the spectrum without interferences to the licensed users of these portions (Primary Users-PUs), spectrum sensing is the first and one of the most important steps as high reliability is demanded on PUs' signal detection. That is, Secondary Users (SUs) should know if the spectrum is being used in order to exploit the available spectrum in the most efficient way. Essentially, spectrum sensing is used in order to provide the cognitive user with a representation of its operating environment which is as faithful as possible.
The scope of this thesis is the study and the creation of algorithms that will give the SU of a SIMO system the opportunity to detect the existence of spectrum holes. The implementation we used is based on a predictor. More specifically, the received signal passes through a backward linear predictor from which we compute the difference between the actual signal and the predicted signal, which is the prediction error. By properly exploiting the prediction error, more precisely the power of the prediction error, we can trustworthily detect the existence or the absence of a signal, even in noisy environments, that is, for low values of the signal-to-noise ratio. In order to test the performance of our algorithms, the system above was simulated by MATLAB for different conditions and channels.
|
|---|
