Dissertação Carlos Rafael

CARLOS RAFAEL NOGUEIRA DA SILVA
DEZEMBRO/2012
Sensoriamento Espectral
Cooperativo com Fuso de
Autovalores para Sinais OFDMA e
Outros Sinais de Banda Larga

Sensoriamento Espectral Cooperativo com
Fuso de Autovalores para
Sinais OFDMA e Outros Sinais de Banda Larga

CARLOS RAFAEL NOGUEIRA DA SILVA
Dissertao apresentada ao Instituto Nacional
de Telecomunicaes, como parte dos
requisitos para obteno do Ttulo de Mestre
em Engenharia Eltrica.
ORIENTADOR: Prof. Dr. Dayan Adionel
Guimares
Santa Rita do Sapuca
2012

Silva, Carlos Rafael Nogueira da
S586s
Sensoriamento Espectral Cooperativo com Fuso de Au tovalores
para Sinais OFDMA e Outros Sinais de Banda Larga. / Carlos Rafael Nogueira da
Silva. Santa Rita do Sapuca, 2012.
71p.

Orientador: Prof. PhD. Dayan Adionel Guimares.
Dissertao de Mestrado Engenharia de Telecomunicaes
Instituto Nacional de Telecomunicaes INATEL.

Inclui bibliografia.

1. Sensoriamento espectral 2. Autovalores 3. Teste de Hiptese
4. OFDMA 5. Engenharia de Telecomunicaes. I. Guimares, Dayan Adionel. II.
Instituto Nacional de Telecomunicaes INATEL . III. Ttulo.

CDU 621.39

FOLHA DE APROVAO
Dissertao defendida e aprovada em _____ /_____ /_____ ,
pela comisso julgadora:

______________________________________________________________
Prof. Dr. Dayan Adionel Guimares
INATEL

______________________________________________________________
Prof. Dr. Gustavo Fraidenraich
UNICAMP

______________________________________________________________
Prof. Dr. Rausley Adriano Amaral de Souza
INATEL
________________________________
Coordenador do Curso de Mestrado
Prof. Dr. Luciano Leonel Mendes

ii

We build too many walls and not enough bridges
Sir Isaac Newton

iii

Aos meus avs que j partiram ao encontro de
Deus Pai, mas que me deixaram, alm de saudades,
maravilhosas lies de vida.

iv

AGRADECIMENTOS

Agradeo, primeiramente, a Deus pelo maravilhoso dom da vida e por
iluminar este caminho que acabo de percorrer, na realizao deste trabalho.
Aos meus pais e meus irmos, que sempre foram meus maiores
incentivadores e me apoiaram em todos os momentos de minha luta.
Ao Prof. Dr. Dayan Adionel Guimares pela disponibilidade, pela
cuidadosa orientao e profissionalismo exemplar.
Aos Professores Dr. Luciano Leonel Mendes, Dr. Antnio Marcos
Alberti, Dr. Carlos Alberto Ynoguti, Dr. Rausley A.A. de Souza, Dr. Jos
Antnio Justino Ribeiro, Dr. Arismar Cerqueira Sodre Junior e Dr. Carlos
Roberto dos Santos pela excelente docncia, que me permitiram alcanar uma
slida formao acadmica.
A toda Comunidade INATEL, especialmente, aos funcionrios pela
tamanha dedicao ao trabalho que desempenham.
A FAPEMIG pelo apoio financeiro.

v

NDICE

LISTA DE FIGURAS
vii
LISTA DE ABREVIATURAS E SIGLAS
ix
LISTA DE SMBOLOS
x
RESUMO
xiii
ABSTRACT
xiv
Captulo 1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Contextualizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Estrutura e Contribuies da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Publicaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Captulo 2
Fundamentos Sobre Sensoriamento Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1 Introduo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2
Classificao das tcnicas de sensoriamento . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.3
Sensoriamento cooperativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.4
Tcnicas de combinao de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.5
Anlise de desempenho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.6
Tcnicas de sensoriamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13

2.6.1 Deteco por filtro casado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13

2.6.2 Deteco por propriedades ciclo-estacionrias . . . . . . . . . . . . . . . . . .
14

2.6.3 Deteco de energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16

2.6.4 Deteco baseada em autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17

vi

Captulo 3
Sensoriamento Espectral em Banda Larga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Deteco pela transformada de wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Compressed sensing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4 Deteco de energia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

Captulo 4
Sensoriamento Espectral Cooperativo com Combinao de Autovalores
para Sinais OFDMA e outros Sinais de Banda Larga . . . . . . . . . . . . . . . . . . . . . . 28
4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Fuso de autovalores e outros mtodos de fuso para sinais de banda
larga generalizado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.1 Fuso de amostras para sinais de banda larga . . . . . . . . . . . . . . . . . . . 29
4.2.2 Fuso de autovalores para sinais de banda larga . . . . . . . . . . . . . . . . 30
4.2.3 Fuso de deciso para sinais de banda larga . . . . . . . . . . . . . . . . . . . . 32
4.2.4 Resultados de simulao para deteco de sinais de banda larga . 33
4.3 Fuso de autovalores e outros mtodos de fuso para deteco de sinais
OFDMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.1 Fuso de autovalores para sinais OFDMA . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.2 Fuso de amostras para sinais OFDMA . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3.3 Fuso de decises para sinais OFDMA . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3.4 Resultados de simulao para deteco de sinais . . . . . . . . . . . . . . . . 40
4.4 Complexidade e volume de dados enviados ao CF . . . . . . . . . . . . . . . . . . . . . . 44

Captulo 5
Concluses e Oportunidades para Pesquisas Futuras . . . . . . . . . . . . . . . . . . . . . . 48
REFERNCIAS BIBLIOGRFICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

vii

LISTA DE FIGURAS

Figura 1.1: Classificao de algumas tcnicas de sensoriamento 3
Figura 2.1: Incerteza do receptor, sombreamento e mltiplo percurso 10
Figura 2.2: Mtodos de cooperao entre rdios cognitivos, a) Cooperao
centralizada; b) distribuda; c) Assistida por retransmisso (relay-
assisted) 11
Figura 2.3: Detector via filtro casado 14
Figura 2.4: Diagrama de blocos do detector de energia: a) implementao com
um pr-filtro analgico; b) implementao utilizando a FFT 17
Figura 3.1: Densidade espectral de potncia de um sinal banda larga dividido
em K sub-bandas 22
Figura 4.1: ROCs para fuso de amostras, fuso de decises e fuso de
autovalores usando GLRT no sensoriamento de um sinal de banda
larga generalizado. 34
autovalores usando MMED no cenrio de sensoriamento de um
sinal de banda larga generalizado. 35
autovalores usando MED no cenrio de sensoriamento de um
sinal de banda larga generalizado. 36
autovalores usando ED no cenrio de sensoriamento de um sinal
de banda larga generalizado. 36
autovalores usando o teste GLRT no sensoriamento de subcanais
OFDMA. 41
autovalores usando o teste MMED no sensoriamento de subcanais
OFDMA. 42
autovalores usando o teste MED no sensoriamento de subcanais
OFDMA. 43

viii

autovalores usando o teste ED no sensoriamento de subcanais
OFDMA. 43

ix

LISTA DE ABREVIATURAS E SIGLAS

3G Sistema de telefonia mvel de terceira gerao
4G Sistema de telefonia mvel de quarta gerao
ANATEL Agncia Nacional De Telecomunicaes
ASM Adjacent subcarrier method
AWGN Additive white gaussian noise
CF Centro de fuso
DEP Densidade espectral de potncia
DFT Discrete Fourier transform
DSM Diversity subcarrier method
DSSS Direct-sequence spread spectrum
ED Energy detection
ERD Eigenvalue ratio detection
EV-DO Evolution-data optimized
FFT Fast Fourier transform
GFDM Generalized frequency division multiplexing
GLRT Generalized likelihood ration test
HSPA High-speed packet access
LRT Likelihood ratio test
MED Maximum eigenvalue detection
MMED Maximum-minimum eigenvalue detection
MRC Maximum-ratio-combining
NP Neyman-Pearson
OFDM Orthogonal frequency division multiplexing
OFDMA Orthogonal frequency division multiple access
RC Rdio cognitivo
ROC Receiver operating characteristic
RLRT Roys largest root test
SNR Signal to noise ratio

x

LISTA DE SMBOLOS

( )
Conjugado transposto de ( )
1

Norma l
1

F

Norma de Frobenius
A
k
Matriz amostra para a k-sima sub-banda
A
s
Matriz amostra para o s-simo subcanal
b Nmero de bits por autovalor
B Largura de banda de um sinal de banda larga
d Nmero de amostras obtidas com taxa sub-Nyquist
E[] Valor esperado de []
f
0
Fronteira inferior do sinal de banda larga
F
n
Matriz transformada de Fourier unitria de n pontos
f
K
Fronteira superior do sinal de banda larga
( ) h Resposta discreta ao impulso no domnio do tempo
H
0,k
Hiptese que considera que a k-sima sub-banda est desocupada
H
1,k
Hiptese que considera que a k-sima sub-banda est ocupada
H
k
Resposta ao impulso do canal no domnio da frequncia para a k-
sima sub-banda
( ) i
s
H
Matriz diagonal de ganhos do s-simo subcanal para o i-simo
rdio cognitivo
( )
,
i
s k
H
'

Ganho do canal no domnio da frequncia entre o transmissor
primrio e o i-simo rdio cognitivo na k-sima subportadora do
s-simo subcanal OFDMA
j
I

Interferncia agregada ao j-simo usurio primrio
I
n
Matriz identidade de ordem n
J Nmero de autovalores por banda de frequncia
K Nmero de subfaixas em um sinal de banda larga

xi

K Nmero de subportadoras que formam um subcanal OFDMA
L Nmero de caminhos discriminveis
m Nmero de antenas em um rdio cognitivo ou nmero de rdios
em cooperao em uma rede secundria
n Nmero total de amostras tomadas por um rdio cognitivo
N Nmero de amostras obtidas por subfaixa de frequncia
P Nmero de usurios primrios
P
fa
Probabilidade de falso alarme
P
d
Probabilidade de deteco
R
k
Matriz de covarincia para a k-sima banda
R
s
Matriz de covarincia para o s-simo subcanal
( , )
y
R t t
Funo de autocorrelao dependente do tempo
( )
y
R
o
t Funo de autocorrelao cclica
s(t) Sinal primrio
( )
k
s t
Funo base do sinal primrio
( )
k
S f Densidade espectral de potncia na k-sima banda
( )
r
S f Densidade espectral de potncia resultante
T Intervalo de sinalizao
T
ED
Estatstica de teste para a deteco de energia
T
FC
Teste estatstico relativo deteco por filtro casado
T
GLRT
Estatstica de teste baseada na relao de mxima verossimilhana
generalizada
T
MED
Estatstica de teste para o detector baseado na relao entre
mximo autovalor e a varincia do rudo
T
MMED
Estatstica de teste para o detector baseado na relao entre o
mximo e o mnimo autovalores
( ) tr Trao da matriz
u Deciso final obtida pelo centro de fuso atravs da combinao
binaria das decises individuais

xii

u
i
Deciso alcanada pelo i-simo rdio cognitivo
v(t) Componente de rudo gaussiano
V
k
Rudo trmico no domnio da frequncia
( )
s r
S f W
Transformada de wavelet da densidade espectral de potncia
resultante
X
k
Sinal primrio no domnio da frequncia
( )
, '
( )
i
s k
Y j j-sima amostra coletada pelo i-simo rdio cognitivo para a k-
sima subportadoras pertencente ao s-simo subcanal
2
k
o

Densidade de potncia presente na k-sima banda

Limiar de deciso
j,k,i
j-simo mximo autovalor relativo k-sima sub-banda obtido
pelo i-simo rdio cognitivo
j,s,i

j-simo mximo autovalor relativo ao s-simo subcanal calculado
pelo i-simo rdio cognitivo
j,s
j-simo mximo autovalor relativo ao s-simo subcanal OFDMA
2
v
o Varincia do rudo trmico
| (f) Funo de wavelet

xiii

RESUMO

Uma possvel soluo para o problema de escassez de espectro de frequncias
a sua utilizao oportunista. A habilidade de verificar o espectro em busca de
posies disponveis para transmisso ocupa espao de destaque no desenvolvimento
de sistemas de rdios cognitivos. Com o intuito de aumentar a eficincia do processo
de sensoriamento espectral diminuindo os atrasos, tcnicas de sensoriamento em
banda larga vm sendo estudadas e aperfeioadas. Este trabalho apresenta uma nova
tcnica de sensoriamento espectral baseada nos autovalores da matriz de covarincia
do sinal recebido pelos rdios cognitivos. Tambm proposta uma nova tcnica de
combinao de dados atravs da combinao dos autovalores da matriz de
covarincia calculados por cada rdio cognitivo em cooperao. Os testes estatsticos
para o sensoriamento espectral baseado em autovalores para sinais em faixa estreita
so modificados empiricamente. Resultados de simulao mostraram que o mtodo
de combinao proposto supera outros mtodos de combinao como a fuso de
amostras e a fuso de deciso para qualquer um dos testes estatsticos. Tambm
apresentada uma adaptao da tcnica de sensoriamento para detectar o estado de
ocupao de subcanais em sinais OFDMA. Por fim, uma anlise do volume de dados
no canal de controle apresenta a reduo da quantidade de informao transmitida ao
centro de fuso pela tcnica proposta em relao tcnica de fuso de amostras.
Palavras-chave: Sensoriamento espectral; autovalores; sensoriamento
cooperativo; testes de hipteses; OFDMA;

xiv

ABSTRACT

A possible solution for the spectral scarcity problem is the opportunistic
frequency spectrum utilization. The art of verifying the spectrum in pursuit of
available positions for transmission occupies a prominent space for cognitive radio
development. Aiming at increasing the efficiency of the spectrum sensing process by
diminishing the delay time, wideband spectrum sensing techniques are being studied
and enhanced. This dissertation presents a new spectrum sensing technique based on
the eigenvalues of the covariance matrix of the received signal by cognitive radios. It
is also proposed a new method of data fusion through the combination of the
eigenvalues of the covariance matrix computed by each cooperating cognitive radio.
The test statistics for the eigenvalue-based spectrum sensing of narrowband signals
are empirically modified. Simulation results have shown that the proposed
combination method outperforms other combination methods such as sample fusion
and decision fusion for any test statistic. An adaptation of the spectrum sensing
technique to detect the occupancy state of subchannels in OFDMA signals is also
proposed. Ultimately, an analysis of the data volume over the control channel shows
a reduction of the amount of information transmitted to the fusion center with the
proposed technique relative to the sample fusion.
Keywords: Spectrum sensing; eigenvalues; cooperative sensing; hypothesis
test; OFDMA;

1

Captulo 1
Introduo
1.1 Contextualizao
Todos os dias aparecem novos sistemas de comunicao sem fio que procuram
utilizar uma poro do espectro. Para manter o controle, rgos reguladores ficam
responsveis por alocar o espectro a cada um dos usurios denominados primrios.
No Brasil a Agncia Nacional de Telecomunicaes (ANATEL) responsvel pela a
distribuio das faixas de frequncia entre os diversos assinantes.
A atribuio do espectro de frequncias realizada de maneira esttica,
alocando a cada usurio primrio uma determinada faixa de frequncia por um
perodo de tempo dentro de uma determinada regio geogrfica. O aumento da
demanda de servios de comunicao sem fio reduz o nmero de faixas no alocadas
causando o problema da escassez do espectro.
Com o advento do rdio definido por software e, por conseguinte, do rdio
cognitivo (RC) [1], solues para o problema da escassez do espectro baseada em
cognio foram propostas. Dentre as possveis solues, o acesso oportunista ao
espectro mostra-se como uma das mais promissoras tcnicas para melhor
aproveitamento do espectro. Com intuito de se ocupar oportunisticamente uma
poro do espectro, primeiro necessrio garantir que esta faixa do espectro no
esteja sendo utilizada pela rede primria. tarefa de verificar o espectro em busca de
buracos espectrais dado o nome de sensoriamento espectral.

2

O processo de sensoriamento espectral consiste em analisar o espectro de
frequncias em busca de bandas no ocupadas, permitindo ao RC acesso oportunista
a elas. Uma vez que um RC tenha ocupado uma faixa espectral, o processo de
sensoriamento deve continuar sendo realizado para que, quando do retorno do sinal
primrio, o RC desocupe a faixa evitando interferir no sinal primrio ou mantendo a
interferncia abaixo de um nvel aceitvel.
Nos pouco mais de dez anos do advento do RC, diversas tcnicas de
sensoriamento j foram propostas e outras muitas vm sendo estudadas. Da
perspectiva da deteco do sinal, as tcnicas de sensoriamento espectral podem ser
classificadas como coerentes e no coerentes [2]. Na deteco coerente, o processo
de sensoriamento realizado atravs de uma anlise entre o sinal recebido ou
propriedades extradas do sinal recebido e algum conhecimento a priori do sinal
transmitido pela rede primria. Na deteco no coerente nenhum conhecimento a
priori do sinal necessrio [2]. Outra maneira de se classificar as tcnicas de
sensoriamento baseada na banda de interesse, classificando-as como tcnicas de
sensoriamento em faixa estreita e em faixa larga. Uma tcnica de sensoriamento em
faixa estreita limita-se a monitorar apenas uma faixa por perodo de sensoriamento.
possvel sensoriar mltiplas faixas atravs de uma tcnica de faixa estreita, porm
deve ser feita de maneira sequencial alm de ser necessrio, a cada inicio de
sensoriamento, que o RC configure diversos parmetros (Filtro RF, PLL, filtro de
seleo de canal) para iniciar o processo em uma banda diferente. Em um cenrio de
sensoriamento, onde a deciso final realizada com base nos dados de vrios RCs
(caracterizando o sensoriamento cooperativo), ainda seria necessrio que todos os
RCs se sincronizassem, o que pode causar grandes atrasos no processo de deteco
do sinal primrio. Com o intuito de minimizar os atrasos causados pela configurao
de parmetros e sincronizao, tcnicas de sensoriamento de banda larga ganham
grande destaque. Tais tcnicas visam monitorar uma grande poro do espectro e
localizar conjuntamente todas as possveis bandas no ocupadas.
Das tcnicas classificadas como de faixa estreita destacam-se a deteco por
filtro casado [3]-[5], a deteco por propriedades ciclo-estacionrias [6]-[14] e a
deteco de energia [5][15][16]. J entre as tcnicas de sensoriamento de banda

3

larga, as mais comuns so a deteco pela transformada de wavelet [17], compressed
sensing [18][19] e novamente a deteco de energia [20][21]. A Figura 1.1 mostra as
principais tcnicas encontradas na literatura, a sua classificao quanto deteco do
sinal, bem como em relao faixa de interesse.
Dada importncia do processo de sensoriamento espectral, novas tcnicas
vm sendo desenvolvidas e tcnicas existentes vm sendo melhoradas. Dentre as
novas e mais promissoras tcnicas de sensoriamento esto aquelas baseadas nos
autovalores da matriz de covarincia do sinal recebido [23][24]. Assim como a
deteco de energia, a deteco por autovalores tambm pode ser usada para detectar
sinais em faixa estreita e em faixa larga [25].

Figura 1.1: Classificao de algumas tcnicas de sensoriamento [2]
A terceira gerao (3G) dos sistemas banda larga baseada principalmente em
espalhamento espectral por sequncia direta (DSSS direct-sequence spread
spectrum), tais como Evolution-Data Optimized (EV-DO) e High-speed Packet
Access (HSPA). J os sistemas da quarta gerao (4G) utilizam predominantemente
sistemas de multiportadoras, como a multiplexao por diviso de frequncias
ortogonais (OFDM orthogonal frequency division multiplexing) combinada ou no
com sua contraparte de mltiplo acesso mltiplo acesso por diviso de frequncias
ortogonais (OFDMA orthogonal frequency division multiple access) [26][31]. A
razo para a adoo do OFDM deve-se a algumas vantagens presentes nesta tcnica
para transmisso de dados em alta velocidade, especialmente em canais com
desvanecimento por mltiplos percursos [26]. Como os sistemas de comunicao em

4

banda larga tm usado preferencialmente sinais OFDM/OFDMA, importante que
os RCs estejam aptos a sensoriar eficientemente esta categoria de sinais.
1.2 Trabalhos Relacionados
No mbito do sensoriamento em faixa estreita, destacam-se as tcnicas de
deteco por filtro casado, por propriedades ciclo-estacionrias e a deteco de
energia. Para sinais de banda larga so usadas as tcnicas de deteco de energia, a
deteco pela transformada de wavelet e a tcnica compressed sensing. As tcnicas
baseadas nos autovalores da matriz de covarincia ganharam grande destaque devido
ao fato de no necessitarem qualquer conhecimento a priori do sinal primrio e ainda
serem capazes de detectar eficientemente sinais de faixa estreita e de banda larga.
O filtro casado conhecido como mtodo timo em termos de relao sinal
rudo (SNR signal-to-noise ratio) para deteco de sinais de usurios primrios
quando o sinal transmitido conhecido pelo RC [27][28]. O filtro casado projeta o
sinal recebido na direo do sinal transmitido atravs da correlao entre os dois e,
portanto, exige perfeito conhecimento do sinal transmitido pela rede primria.
A deteco pelas propriedades ciclo-estacionrias explora a periodicidade do
sinal primrio recebido. Esta periodicidade est geralmente incorporada na portadora
senoidal, no trem de pulsos, no cdigo de espalhamento, na sequencia de salto ou
prefixo cclico [2]. O mtodo de deteco pelas propriedades ciclo-estacionrias
consegue diferenciar o sinal do rudo devido ao fato do rudo no possuir ciclo-
estacionariedade [14].
A tcnica de deteco de energia um mtodo de deteco em faixa estreita
que calcula a energia presente no sinal recebido pelo rdio cognitivo. No que se
refere ao sensoriamento em banda larga, a deteco de energia exige que a banda do
sinal seja dividida em vrias faixas estreitas. A diviso das bandas de frequncia
pode ser conseguida atravs de uma abordagem utilizando um banco de filtros [22]
ou separando o sinal banda larga em sinais paralelos via transformada rpida de
Fourier (FFT fast Fourier transform) [20][21]. Neste caso a FFT aplicada s
amostras do sinal no domnio do tempo e a presena ou ausncia em cada banda

5

determinada conjuntamente pelo nvel de energia presente na correspondente amostra
do sinal no domnio da frequncia.
Quando o espectro do sinal desconhecido, a transformada de wavelet pode ser
utilizada para determinar as fronteiras das bandas presentes no sinal primrio [17].
Estas fronteiras esto localizadas nos pontos de mximo local da primeira derivada
da transformada de wavelet da densidade espectral de potncia (DEP) do sinal
recebido. Tendo estabelecido as fronteiras de frequncia presentes no sinal primrio,
a mdia da DEP calculada dentro de cada uma dessas fronteiras, determinando
assim a ocupao de uma determinada faixa.
Compressed sensing utiliza um procedimento de sensoriamento com uma taxa
de amostragem abaixo da taxa mnima de Nyquist (sub-Nyquist rate) [18][19] e
atravs de um problema de otimizao tipicamente convexo a DEP do sinal
estimada. Em seguida, aplica-se um procedimento semelhante deteco pela
transformada de wavelet.
Em [23] e [24] so apresentadas tcnicas de sensoriamento espectral baseadas
nos autovalores da matriz de covarincia do sinal recebido, para deteco de sinais
em faixa estreita. O teste estatstico pode ser realizado a partir de quatro tcnicas:
i) Deteco pelo mximo autovalor (MED maximum eigenvalue detection)
tambm conhecida como teste de Roy de mxima raiz (RLRT Roys
largest root test).
ii) Teste de razo de verossimilhana generalizado (GLRT generalized
likelihood ratio test).
iii) Deteco de energia (ED energy detection).
iv) Deteco pela razo entre mximo e mnimo autovalor (MMED
maximum-minimum eigenvalue detection), chamada tambm de deteco
pela razo de autovalores (ERD eigenvalue ratio detection)
Um dos maiores atrativos dos mtodos de deteco pelos autovalores da matriz
de covarincia a sua capacidade de detectar a presena do sinal primrio sem

6

qualquer conhecimento do sinal transmitido [24]. Os testes MMED e GLRT no
precisam nem mesmo de informaes sobre a varincia do rudo.
1.3 Estrutura e Contribuies da Dissertao
Este trabalho prope uma nova abordagem de sensoriamento espectral
cooperativo centralizado baseado nos autovalores da matriz de covarincia para
deteco de sinais OFDMA e de outros sinais em banda larga. Nesta abordagem, a
deteco de energia em [20] e [21] substituda por um detector baseado nos
autovalores da matriz de covarincia do sinal recebido. Na deteco de sinais de
banda larga, o objetivo principal determinar quais subportadoras ou subfaixas esto
disponveis para transmisso pela rede secundria. Uma variante proposta para a
deteco de sinais OFDMA; neste caso a tcnica visa determinar a ocupao ao nvel
de subcanal, ou seja, visa determinar conjuntamente o estado de ocupao de todas as
subportadoras presentes no subcanal, permitindo a ocupao total do subcanal por
um RC ou permitindo dividi-lo entre os rdios da rede secundaria.
Em um cenrio de sensoriamento cooperativo centralizado os dados devem ser
encaminhados a um centro de fuso (CF) onde sero combinados. Trs formas de
fuso de dados foram abordadas: i) a fuso das amostras de cada RC, considerando
as amostras no domnio da frequncia; ii) a fuso de decises binrias realizadas por
todos os RCs em cooperao e iii) a nova proposta de fuso na qual os autovalores
estimados por cada RC so combinados no (CF).
Resultados de simulao mostram que o novo esquema de fuso de autovalores
pode superar o desempenho da fuso de amostras e fuso de deciso na deteco de
sub-bandas desocupadas em um sinal de banda larga generalizado, como tambm na
deteco de subcanais desocupados de um sinal OFDMA.
O esquema de fuso de autovalores demanda menos dados transmitidos ao CF
quando comparado ao esquema de fuso de amostras com desempenho similar. No
entanto, a quantidade de dados transmitidos ao CF, tanto na fuso de autovalores
como tambm na fuso de amostras, supera em muito a quantidade enviada nos
esquema de fuso de deciso com parmetros de sistema similares.

7

O restante do trabalho dividido como se segue:
O Captulo 2 aborda os fundamentos sobre sensoriamento espectral,
apresentando suas definies, classificaes e as principais tcnicas de
sensoriamento espectral em faixa estreita presentes na literatura.
O Captulo 3 descreve detalhadamente as tcnicas de sensoriamento espectral
para sinais de banda larga.
No Captulo 4 aborda-se a tcnica de sensoriamento espectral cooperativo
baseada nos autovalores da matriz de covarincia para sinais de banda larga
generalizado e sinais OFDMA. A nova proposta de fuso de autovalores tambm
descrita nesse captulo, o enfoque principal do trabalho.
O Captulo 5 trs as concluses e as propostas para trabalhos futuros.
1.4 Publicaes
Os seguintes artigos foram elaborados com base no contedo desta dissertao:
i) Sensoriamento Espectral Baseado em Autovalores para Sinais em
Banda Larga. Simpsio Brasileiro de Telecomunicaes, SBrT12,
Braslia, DF, Setembro 2012.
ii) Cooperative Spectrum Sensing using Eigenvalue Combining for
OFDMA and other Wideband Signals. MDPI Journal of Sensors and
Actuators Networks (JSAN). Submetido

8

Captulo 2
Fundamentos Sobre Sensoriamento Espectral
2.1 Introduo
H pouco mais de dez anos os rdios cognitivos surgiram como o futuro
promissor das telecomunicaes, oferecendo a possibilidade de resolver diversos
problemas enfrentados no desenvolvimento de novas aplicaes de comunicaes
sem fio. Dentre os possveis problemas solucionveis pelas funcionalidades do RC
est o problema da escassez do espectro. Uma das propostas de soluo do problema
da escassez reside no que chamamos de acesso oportunista ao espectro. As faixas de
frequncia atualmente so licenciadas para seus usurios de maneira esttica dentro
de uma determinada regio, por um longo perodo de tempo. Porm, se forem
analisados os espectros dos rdios o resultado mostrar que diversas faixas esto
subutilizadas na maior parte do tempo, algumas esto parcialmente ocupadas e outras
esto muito ocupadas [29]. O objetivo do processo de sensoriamento espectral criar
oportunidade de acesso s faixas desocupadas, aumentando assim a utilizao e a
eficincia espectral do sistema de comunicao sem fio.
Pode-se definir sensoriamento espectral como o processo de verificar o
espectro na busca de buracos espectrais com o intuito de permitir o acesso
oportunista, verificando periodicamente a poro ocupada por um RC a fim de
desocupar a faixa dado o retorno de transmisso de um usurio primrio. O
sensoriamento espectral tambm visa manter a interferncia causada pela rede
secundria abaixo de determinado nvel aceitvel.

9

2.2 Classificao das tcnicas de sensoriamento
Nesses poucos mais de dez anos do advento do rdio cognitivo, diversas
tcnicas de sensoriamento espectral foram propostas. Elas podem ser classificadas
em relao deteco do sinal como coerente ou no coerente [2]. Os mtodos de
deteco coerente so aqueles que necessitam de algum conhecimento a priori do
sinal a ser detectado, tal como o formato de pulso de transmisso, o tipo e a ordem de
modulao, propriedades ciclo-estacionrias, entre outros. As principais tcnicas de
deteco coerente so a deteco por filtro casado e a deteco por propriedades e
atributos ciclo-estacionrios. As tcnicas de deteco no coerentes tem a grande
vantagem de no necessitar de nenhum conhecimento a priori do sinal transmitido
pela rede primria. As principais tcnicas de sensoriamento no coerente so a
deteco de energia, a deteco baseada nos autovalores da matriz de covarincia do
sinal recebido, a deteco pela transformada de wavelet e a tcnica compressed
sensing.
As tcnicas de sensoriamento tambm podem ser classificadas quanto largura
da faixa do sinal a ser detectado como tcnicas de banda estreita e tcnicas de banda
larga [2]. As tcnicas de banda estreita so limitadas ao sensoriamento de uma nica
faixa espectral por perodo de sensoriamento. Essas tcnicas so capazes de
monitorar faixas largas verificando uma faixa por vez. Contudo, a cada perodo de
sensoriamento necessrio que diversos parmetros de acesso ao espectro sejam
modificados, e em um cenrio de sensoriamento espectral cooperativo os RCs devem
ser sincronizados a cada mudana de faixa. Estes processos podem gerar atrasos
indesejados. Com o intuito de evitar ou diminuir esses atrasos, tcnicas capazes de
analisar mltiplas bandas conjuntamente foram desenvolvidas.
2.3 Sensoriamento cooperativo
O processo de determinao da presena ou ausncia do sinal primrio pode ser
realizado pelas observaes de um nico RC. Neste caso, tem-se o sensoriamento
no cooperativo. Embora o sensoriamento no cooperativo seja de simples
implementao, um RC est sujeito a diversos problemas comuns de comunicao

10

sem fio tais como incerteza do receptor, desvanecimento por mltiplos percursos e
sombreamento correlacionado (correlated shadowing) [2].
Para evitar problemas comuns ao processo de sensoriamento no cooperativo,
os rdios cognitivos podem optar por realizar o processo de sensoriamento espectral
em cooperao com outros rdios. A Figura 2.1 ilustra a incerteza do receptor,
mltiplo percurso e sombreamento. Nesta figura existe um transmissor primrio (PU
Tx) e um receptor primrio (PU Rx) pertencentes rede primria. A rede secundria
formada por RC1, RC2 e RC3. RC1 est dentro do alcance do transmissor primrio
e no h qualquer obstculo entre eles, logo RC1 est em excelentes condies de
monitorar a transmisso da rede primria. A linha de visada direta de RC2 est
obstruda por um obstculo gerando o problema de sombreamento, mas RC2 ainda
recebe o sinal de PU Tx atravs de reflexes em um prdio recebendo duas cpias do
sinal atravs de dois percursos diferentes. RC3 est fora do alcance de PU Tx
sofrendo o problema de incerteza do receptor. Em um cenrio de sensoriamento no
cooperativo o rdio RC3 causaria interferncia no sinal recebido por PU Rx. J RC2
pode causar interferncia em PU Rx dependendo da degradao do sinal recebido
devido a mltiplos percursos.

Figura 2.1: Incerteza do receptor, sombreamento e mltiplo percurso [2]
O sensoriamento cooperativo pode ser realizado atravs da troca de informao
entre usurios secundrios para se chegar a uma deciso final acerca do estado de
ocupao do canal, caracterizando um cenrio de cooperao distribuda.
Alternativamente, as informaes coletadas pelos RCs podem ser transmitidas

11

atravs de um canal de controle dedicado para um CF, caracterizando um cenrio de
cooperao centralizado. No caso de o canal entre um RC e o CF apresentar um forte
desvanecimento, o RC pode transmitir suas informaes ao CF por meio de outro
rdio que apresente melhores condies de comunicao com o CF, que caracteriza a
cooperao assistida por retransmisso (relay-assisted). A Figura 2.2 mostra como
pode ser realizada a cooperao entre os rdios cognitivos dentro destes trs cenrios.

Figura 2.2: Mtodos de cooperao entre rdios cognitivos, a) Cooperao centralizada; b)
distribuda; c) Assistida por retransmisso (relay-assisted) [2]
2.4 Tcnicas de combinao de dados
Seja qual for o mtodo de cooperao escolhido, ainda preciso decidir como
realizar a combinao dos dados e quais dados devem ser transmitidos pelo canal de
controle. Uma das tcnicas de fuso de dados prope a transmisso direta das
amostras colhidas pelos rdios cognitivos. A esta tcnica d-se o nome de fuso de
amostras (sample-fusion). Outra tcnica de fuso de dados sugere a transmisso das
decises individuais de cada RC, mtodo chamado de fuso de decises (decision-
fusion) [30]. Neste trabalho proposto um novo mtodo de fuso no qual os dados
transmitidos pelos RCs so os autovalores da matriz de covarincia computados
localmente. A tal mtodo foi dado o nome de fuso de autovalores (eigenvalue-
fusion). Diversas propostas de combinao das informaes foram propostas. Para o
caso da fuso de dados pode-se utilizar um vetor peso para combinar as amostras
recebidas [21], ou pode-se formar uma matriz com as amostras recebidas e estimar a
matriz de covarincia a fim de se utilizar uma das tcnicas baseadas em autovalores
[23][24], entre outras. A combinao de deciso realizada atravs de regras de

12

combinao binrias. A regra mais genrica utilizada o mtodo chamado de z-em-
M (z-out-of-M) onde o CF definir o canal como ocupado quando z rdios cognitivos
decidirem que o canal sensoriado est sendo utilizado por algum usurio primrio.
Desta regra geral de fuso de deciso, trs regras particulares so definidas: regra E
(AND), regra OU (OR) e o voto majoritrio (majority voting) [2][30]. A regra E
define que o canal est ocupado somente se todos os rdios em cooperao decidirem
que o canal est ocupado. A regra OU diz que se deve decidir por canal ocupado
quando pelo menos um rdio chegar concluso de que o canal est ocupado. J a
regra de voto majoritrio com z = M/2 define um canal ocupado quando mais que
M/2 RCs decidirem por canal ocupado; j a deciso por canal vago ser alcanada
quando menos que M/2 RCs decidirem por canal vago; uma deciso arbitrria
realizada quando exatamente M/2 RCs decidirem por canal ocupado.
2.5 Anlise de desempenho
O desempenho de uma tcnica de sensoriamento geralmente analisado em
termos das probabilidades de falso alarme e de deteco. Um falso alarme acontece
quando um RC decide que um canal vago est ocupado; j uma deteco acontece
quando se decide que um canal est ocupado quando ele de fato ocupado est sendo
utilizado por algum usurio primrio. O problema de se decidir pelo estado de
ocupao do canal pode ser reduzido a um teste de hiptese binrio onde H
0
representa a hiptese de um canal livre e H
1
representa a hiptese um canal ocupado.
O teste pode ser escrito como segue:
0
1
: ( ) ( )
: ( ) ( ) ( )
y t v t
y t hs t v t
=
= +
H
H
(2.1)
onde y(t) o sinal recebido, v(t) denota o rudo aditivo gaussiano branco, s(t) o
sinal da rede primria e h o ganho do canal entre um usurio primrio e o RC.
Dessa forma, as probabilidades de falso alarme e deteco so definidas,
respectivamente, como:
0
Pr( | )
fa
P T = > H
(2.2)

13

1
Pr( | )
d
P T = > H (2.3)
onde T o teste estatstico gerado a partir de y(t) por alguma tcnica de
sensoriamento e o limiar de deciso. O objetivo de uma tcnica de sensoriamento
tentar maximizar a probabilidade de deteco (P
d
) e minimizar a probabilidade de
falso alarme (P
fa
). Contudo, estes so objetivos conflitantes: aumentar o limiar de
deciso reduzir a probabilidade de falso alarme, mas tambm reduzir a
probabilidade de deteco. Assim, uma soluo de compromisso deve ser adotada.
Com o auxilio das curvas de caracterstica de operao do receptor (ROC receiver
operating characteristic), que so grficos de P
fa
versus P
d
construdos a partir da
variao do limiar de deciso, obtm-se o limiar ideal que cumpra os requisitos de
desempenho (P
fa
e P
d
) requeridos pelo sistema.
2.6 Tcnicas de sensoriamento
Nesta seo sero descritas as principais tcnicas de sensoriamento espectral
em faixa estreita presentes na literatura de forma mais detalhada que aquela realizada
no Captulo 1
2.6.1. Deteco por filtro casado
A deteco por filtro casado considerada tima para deteco de sinais
conhecidos [27][28] uma vez que maximiza a SNR. O filtro casado projeta o sinal
recebido na direo do sinal transmitido atravs da correlao entre as amostras do
sinal recebido e as amostras referentes ao formato de pulso de transmisso durante o
intervalo de anlise [5]
| | | |
FC
1
,
n
i
T y i x i
=
=

(2.4)
onde y[i] a i-sima amostra do sinal recebido pelo RC e x[i] a correspondente
amostra do sinal transmitido pelo usurio primrio. A Figura 2.3 ilustra a construo
de um detector por filtro casado.

14

Figura 2.3: Detector via filtro casado [5]
A grande vantagem da deteco por filtro casado o curto tempo necessrio
para se alcanar certa probabilidade de falso alarme e de deteco [4] quando
comparada a outros mtodos de deteco. O nmero de amostras necessrias para se
ter uma determinada probabilidade de falso alarme e deteco, assumindo um rudo
gaussiano, [32]:
( ) ( )
2
1 1
SNR
d fa
Q P Q P
n

(

=
(2.5)
onde ( )
1
Q
representa a inversa da funo distribuio cumulativa complementar

associada a uma distribuio normal.
O filtro casado requer que o RC demodule o sinal recebido, sendo necessrio
conhecimento das propriedades do sinal primrio tais como largura de banda,
frequncia de operao, tipo e ordem de modulao, formato de pulso [3]. Alm
disso, a complexidade de implementao muito grande, uma vez que so
necessrios receptores para todos os tipos de sinal presentes na rede primria.
2.6.2. Deteco por propriedades ciclo-estacionrias
O filtro casado timo quando h perfeito conhecimento do sinal transmitido
pela rede primria. Contudo, dificilmente tem-se tal conhecimento. J algumas
propriedades so intrnsecas banda de frequncia analisada. Por exemplo, os sinais
de radiodifuso de TV possuem certas caractersticas, como tipo de modulao e
frequncia de portadora, padronizadas pelo rgo regulador do espectro de

15

frequncia. Neste cenrio onde algumas propriedades do sinal primrio so
conhecidas pode-se fazer uso da deteco por propriedades ciclo-estacionrias.
Os dados transmitidos so tipicamente considerados como processos
estacionrios. Porm, atravs do uso de portadora senoidal, sequncia de
espalhamento, sequncia de salto, trem de pulsos, prefixo cclico, o sinal se torna
ciclo-estacionrio, ou seja, suas estatsticas apresentam periodicidade [8]. Um
processo estocstico y(t) dito ser ciclo-estacionrio de segunda ordem se sua funo
de correlao dependente do tempo ( , ) [ ( ) ( )]
y
R t E y t y t t t = + , onde [ ] E representa a
esperana, for peridica em t. Assim podemos escrever R
y
(t,t) como uma srie de
Fourier [9]:
2
( , ) ( )
j t
y y
R t R e
o to
o
t t =
.
(2.6)
As frequncias
0
{ }, i T i e , denotadas por o so chamadas frequncia
cclicas, a funo ( )
y
R
o
t conhecida como funo de autocorrelao cclica e
representa a correlao ao longo do tempo entre as componentes de frequncias do
sinal espaadas por o e calculada entre as amostras de y(t) distanciadas por no eixo
do tempo, i.e.:
2
( ) [ ( ) ( ) ]
j t
y
R E y t y t e
o to
t t

= + . (2.7)
Na ausncia do sinal primrio ( )
y
R
o
t igual a zero e a na presena de um sinal
cicloestacionrio existira o tal que ( ) 0
y
R
o
t > . A partir do conhecimento dessas
caractersticas cclicas, podem-se construir detectores que explorem a
cicloestacionariedade do sinal [6][10]-[13].
A principal vantagem da deteco por propriedades ciclo-estacionrias sua
capacidade de diferenciar sinal modulado de rudo em regimes de baixa SNR, j que
o rudo no exibe correlao espectral [7]. A sua principal desvantagem reside na alta
complexidade computacional exigida [3]. Este mtodo tambm exige um longo

16

tempo de observao do sinal para produzir bons resultados, o que decorre do tempo
necessrio para se computar a funo de autocorrelao.
2.6.3. Deteco de energia
As tcnicas discutidas Subsees 2.6.1 e 2.6.2 necessitam de algum nvel de
conhecimento do sinal primrio, alm de informaes acerca do canal de
comunicao entre os usurios primrios e os rdios cognitivos. Em um cenrio onde
tal conhecimento impossibilitado, as tcnicas coerentes so impraticveis.
A deteco de energia surge como uma alternativa simples para estes casos.
Esta tcnica consiste em medir a energia presente em uma determinada faixa de
frequncia e compar-la com um limiar a fim de se decidir pela ocupao do canal.
Caso o valor do teste esteja abaixo do limiar de deciso considera-se o canal
desocupado, o que representa uma oportunidade de transmisso. Caso contrrio, o
canal considerado ocupado.
Dois esquemas de deteco so propostos em [5]. O primeiro processa o sinal
diretamente no domnio do tempo. Nesta situao, o sinal deve inicialmente passar
por um filtro passa faixa para diminuir a influncia do rudo e de outros sinais
adjacentes. A largura de faixa do filtro deve ser a mesma do sinal de interesse, o que
torna este esquema pouco flexvel. A segunda proposta processar o sinal no
domnio da frequncia atravs da FFT com k pontos. A Figura 2.4 apresenta os dois
modelos de deteco sugeridos em [5].
Sendo y(t) o sinal recebido pelo RC, a energia mdia do sinal obtida atravs
da expresso:
| |
2
ED
1
1
.
n
i
T y i
n
=
=

(2.8)
O valor do limiar de deciso depende do conhecimento da varincia do rudo e
escolhido de acordo com o desempenho desejado. Um mtodo comum de escolha
do limiar de deciso defini-lo de tal maneira que a probabilidade de falso alarme
permanea constante.

17

Figura 2.4: Diagrama de blocos do detector de energia: a) implementao com um pr-
filtro analgico; b) implementao utilizando a FFT [33]
A principal vantagem da deteco de energia sua baixa complexidade, o que
a torna o mtodo de deteco mais comum [3]. Porm, o detector de energia muito
sensvel incerteza da potncia do rudo dentro de um canal de comunicao.
proposto em [20] que a potncia do rudo seja previamente estimada monitorando um
canal que conhecido estar desocupado.
2.6.4. Deteco baseada em autovalores
Dentre as mais variadas tcnicas de sensoriamento j propostas, as tcnicas
baseadas nos autovalores da matriz de covarincia [23][24] tm recebido grande
ateno, principalmente devido ao fato de que na formao do teste estatstico no
necessrio qualquer conhecimento a priori do sinal transmitido pela rede primria.
Considere um RC equipado com m antenas (ou m RCs em cooperao), cada
uma coletando n amostras dos sinais recebidos de P transmissores primrios durante
um perodo de sensoriamento. Estas amostras podem ser arranjadas em uma matriz Y

mn
. As amostras referentes ao sinal transmitido pelos P transmissores so
arranjadas em uma matriz X
Pn
. Seja H
mP
a matriz do canal com
elementos {h
ij
}, i = 1, 2, ..., m e j = 1, 2, ..., P, representando o ganho do canal entre
o j-simo transmissor primrio e o i-simo sensor (antena ou RC). A matriz Y de
amostras recebidas pode ser escrita da seguinte forma:
= + Y HX V (2.9)
onde V
mn
uma matriz com as componentes do rudo trmico que contaminam
o sinal recebido pelas m antenas (ou RCs).

18

No sensoriamento espectral cooperativo baseado em autovalores, um buraco
espectral detectado atravs de um teste de hiptese binrio onde o teste estatstico
construdo a partir dos autovalores da matriz de covarincia do sinal recebido
[ ]
e
E = R YY . Como geralmente no se tem o valor exato da matriz de covarincia,
usa-se a estimativa de mxima verossimilhana da matriz de covarincia dada por:
1
n
= R YY (2.10)
onde representa a operao de conjugado transposto.
A partir dos autovalores {
1
>
2
> >
m
} da matriz de covarincia so
formadas as estatsticas de teste de hipteses. O melhor teste de hiptese dado pela
relao de verossimilhana (LRT likelihood ratio test) de Neyman-Pearson (NP)
[34]
1 1
1 0
( , , | )
LRT= ,
( , , | )
m
m
p
p

H
H

(2.11)
onde
1 1
( , , | )
m
p H a densidade de probabilidade conjunta dos autovalores
condicionada hiptese H
1
e
1 0
( , , | )
m
p H a densidade de probabilidade
conjunta dos autovalores condicionada hiptese H
0
.
Em regime assinttico ( , m ne n/m fixo), o teste de mxima
verossimilhana depende apenas do mximo autovalor [35][36]. Assim, o teste de
maior poder estatstico se reduz ao teste de Roy de mxima razo (teste MED) [37],
que a razo entre o mximo autovalor da matriz de covarincia pela varincia do
rudo:
1
MED 2
= .
v
T

o

(2.12)
O teste (2.12) o que apresenta maior poder estatstico, mas ele exige o
conhecimento da varincia do rudo. O teste ED um teste subtimo que tambm faz

19

uso da varincia do rudo. A estatstica de deciso baseada na energia do sinal pode
ser obtida por [24]:
( )
2
1
ED 2 2 2
tr
m
i
i F
v v v
T
mn mn m
o o o
=
= = =
YY Y

(2.13)
onde
F
e ( ) tr representam respectivamente a norma de Frobenius e o trao da
matriz. Os testes MED e ED podem ser considerados como semi-cegos, j que
necessitam conhecer a varincia do rudo.
O valor de o
v
2
pode ser estimado medindo-se a potncia do rudo trmico em
um canal que conhecido estar vago [20]. Porm, nem sempre possvel obtermos o
valor preciso da potncia do rudo. Quando no h em mos a potncia do rudo,
testes cegos devem ser utilizados. Os testes GLRT e o teste MMED so alternativas
que no exigem qualquer conhecimento do sinal primrio ou do rudo na formao
do teste de deciso. As estatsticas MMED e GLRT so obtidas respectivamente
pelas seguintes expresses [24]:
1
MMED
,
m
T

=
(2.14)
1
GLRT
1
.
1
m
i
i
T
m
=
=

(2.15)
O teste GLRT considerado timo quando a potncia do rudo desconhecida
e equivalente ao teste [24]:
1
GLRT`
2
.
1
1
m
i
i
T
m
=
=

(2.16)
O denominador da equao (2.16) a estimativa de mxima verossimilhana
da varincia do rudo o
v
2
[24]. Dessa maneira, o teste GLRT pode ser considerado

20

como sendo um teste MED que utiliza uma estimativa para a varincia do rudo ao
invs da varincia real.

21

Captulo 3
Sensoriamento Espectral em Banda Larga
3.1 Introduo
No sensoriamento cooperativo em faixa estreita convencional possvel
monitorar mltiplas faixas de forma sequencial. A cada perodo de sensoriamento o
RC altera seus parmetros de configurao a fim de acessar a faixa de frequncia
seguinte. Em um cenrio cooperativo, alm das reconfiguraes dos parmetros de
acesso ao espectro, tambm necessrio um processo de sincronizao entre os RCs
em cooperao. Estes processos causam atrasos prejudiciais rede secundria,
diminuindo a vazo e a eficincia espectral [2]. Para solucionar o problema dos
atrasos gerados nas mudanas de faixa e pelo sincronismo, tcnicas de sensoriamento
em banda larga foram desenvolvidas.
As tcnicas mais comuns de sensoriamento espectral em banda larga so: i)
deteco pela transformada de wavelet [17], ii) compressed sensing [18][19] iii)
deteco de energia [20][21]. Neste captulo sero discutidos os principais aspectos
dessas trs tcnicas.
3.2 Deteco pela transformada de wavelet
Considere um sinal de banda larga cuja banda de interesse B Hz dentro da
faixa [f
0
, f
K
]. O sinal primrio pode ter componentes fora desta faixa, mas por
hiptese, apenas esta regio do espectro de interesse ao RC. Esta banda dividida
em K subfaixas entre os diversos usurios primrios e o RC no sabe como foi

22

realizada tal diviso. O objetivo do sensoriamento espectral atravs da transformada
de wavelet determinar as frequncias limitantes de cada uma dessas K subfaixas,
bem como o nvel de potncia presente em cada uma delas.
Suponha que o sinal de banda larga transmitido pela rede primria apresente
DEP praticamente plana dentro da k-sima banda e que apresente descontinuidade
para com as bandas vizinhas. A Figura 3.1 mostra um exemplo de sinal primrio que
apresenta esta condio. E seja o sinal contaminante aditivo gaussiano branco com
DEP S
v
(f) = N
0
/2. Considere tambm que o nmero de faixas K do sinal seja
desconhecido, mas se mantenha constante durante um perodo de sensoriamento
podendo variar de um perodo a outro na presena de desvanecimento lento.

Figura 3.1: Densidade espectral de potncia de um sinal banda larga dividido em K sub-bandas
[17]
Na ausncia de rudo, a DEP normalizada unitria dentro de cada banda B
k
e
zero para qualquer frequncia fora da respectiva banda, ou seja:
1,
( )
0,
k
k
k
f B
S f
f B
e
=

e
. (3.1)
A DEP resultante do sinal primrio pode ser escrita como o somatrio da DEP
de cada uma das K subfaixas:
2
1
( ) ( ) ( )
K
r k k v
k
S f S f S f o
=
= +

(3.2)

23

onde
2
k
o a densidade de potncia presente na k-sima banda.
A transformada de wavelet usada para determinar as fronteiras de frequncia
que separam cada uma das K subfaixas. Seja |(f) uma funo wavelet de alisamento,
a dilatao de (f) pelo fator escalar q dada por:
1
( )
s
f
f
q q
| |
| |
=
|
\ .
.
(3.3)
A transformada contnua de wavelet da DEP do sinal recebido calculada
atravs da convoluo entre a DEP e a funo de wavelet dilatada:
( ) ( ),
s r r s
S f S f | = - W (3.4)
onde o smbolo - denota a operao de convoluo. As irregularidades presentes no
sinal S
r
e, por consequncia, as fronteiras do sinal de banda larga esto localizadas
nos pontos de mximo da primeira derivada da transformada de wavelet [17], i.e.:
( ) { }
max ,
k s r
f
f S f ' = W
(3.5)
ou nos zeros da segunda derivada da transformada de wavelet:
( ) { }
zeros
k s r
f
f S f '' = W .
(3.6)
Tendo estimado as fronteiras de frequncia {f
k
}, conclui-se o processo de
sensoriamento estimando o nvel de potncia dentro de cada faixa
1
[ , ]
k k
f f
. Esta
estimativa pode ser realizada atravs da mdia da DEP dentro das respectivas faixas:
1
1
1
( )
k
k
f
k r
f
k k
S f df
f f
|
}
.
(3.7)
O valor de
k
est relacionado a
2
k
o pela relao
2
0
2
k k
N | o ~ + . Na ausncia
do sinal primrio o valor de
k
ser mnimo e prximo de
0
2 N . Dessa forma, uma

24

boa estimativa para
2
k
o { }
2
min
k k k
o | |
'
= . A banda B
k
classificada de acordo
com o valor de
2
k
o : admite-se a presena (ausncia) do sinal primrio na banda k se
2
k
o

for maior (menor) que o limiar de deciso.
3.3 Compressed sensing
A tcnica de deteco compressed sensing [18][19] utiliza procedimento de
amostragem com taxas abaixo da taxa mnima de Nyquist (sub-Nyquist sampling).
Um receptor digital converte o sinal contnuo y(t) em uma sequncia discreta x
d

de tamanho d. Se a janela de tempo de amostragem for [0, nT
0
], onde T
0
o intervalo
de amostragem de Nyquist, o nmero mnimo de amostras necessrias para
recuperar o sinal recebido sem aliasing ser n .Qualquer processo de amostragem
pode ser descrito como:
,
T
= x S y (3.8)
onde y representa um vetor 1 n com elementos
0
[ ] ( )
t iT
y i y t
=
= , i=1, ..., n, x
representa um vetor 1 d cujos elementos vm do conversor analgico digital e S
uma matriz projeo n d . As colunas de S podem ser vistas como um conjunto de
sinais base, enquanto os elementos de x so projees de y(t) nessas bases. A
equao (3.8) representa o processo de amostragem de qualquer sinal. Por exemplo,
se S = I
n
onde I
n
uma matriz identidade de ordem n, tem-se a amostragem taxa de
Nyquist. Se S = F
n
a amostragem realizada no domnio da frequncia, onde F
n
a
matriz transformada de Fourier unitria de n pontos. A amostragem ser sub-Nyquist
quando d < n. O propsito da tcnica compressed sensing estimar o contedo de
frequncias do sinal y(t) a partir das amostras do vetor x.
A construo do espectro do sinal y(t) feita atravs da soluo de um
problema de otimizao convexa. Deseja-se estimar a DEP do sinal primrio. Como
explicado acima, a DEP do sinal primrio pode ser escrita pela equao (3.8)
substituindo a matriz S pela matriz F
n
, ou seja,

25

,
f n
y y = F
(3.9)
onde y
f
a DEP a ser estimada pelo detector. Seja o vetor x com d < n amostras do
sinal. Multiplicando ambos os lados da equao (3.9) pela inversa de F
n
, resulta em:
1
.
n f
y y
= F
(3.10)
Substituindo (3.10) em (3.8), chega-se a uma relao entre a resposta em
frequncia que se deseja estimar e o sinal amostrado pelo receptor digital dado por:
( )
1
.
T
n f
x y
= S F
(3.11)
Busca-se uma funo de reconstruo de y
f
a partir da relao de igualdade
estabelecida em (3.11). Vrios mtodos eficientes de reconstruo podem ser
utilizados. O mtodo Basis Pursuit (BP) [42] visa minimizar a norma l
1
do vetor y
f

sujeita restrio dada pela equao (3.11), ou seja
1
1
minimise
sujeitoa ( ) ,
f
y f
T
n f
y
y x
= S F
(3.12)
onde
1
representa a norma l
1
.
Uma vez estimado o contedo de frequncias do sinal y(t), um procedimento
anlogo deteco pela transformada de wavelet aplicado para se determinar a
diviso do espectro de frequncia e o nvel de potncia em cada uma das faixas, ou
seja, aplica-se a transformada de wavelet ao vetor y
f
estimado por (3.12), em seguida
estima-se as fronteiras de frequncia da densidade espectral de potncia utilizando
(3.5) ou (3.6), finalmente, atravs de (3.7), computa-se o nvel de densidade de
potncia em cada um das bandas do sinal primrio e o compara ao limiar de deciso
para decidir o estado de ocupao de cada banda de frequncia presente no sinal.

26

3.4 Deteco de energia
O mtodo de deteco de energia pode ser usado tanto para deteco de sinal
em faixa estreita quanto para sinais em banda larga. Em [21] proposto um modelo
de sensoriamento a qual a transformada discreta de Fourier aplicada ao sinal
amostrado de forma a revelar a intensidade das componentes de frequncia em cada
faixa. Um detector de energia aplicado em cada uma dessas faixas.
Considere um canal de comunicao de banda larga dividido em K sub-bandas
estreitas no sobrepostas. O problema de deteco da sub-banda k, k= 1,2, ..., K,
modelado como um teste de hiptese binrio onde H
0,k
representa a ausncia do sinal
primrio e H
1,k
a presena do sinal na k-sima sub-banda.
Considere agora um canal com desvanecimento por mltiplos percursos, cuja
resposta discreta ao impulso entre o usurio primrio e o RC representada por h(l),
l = 0, 1,..., L1, e L o nmero de percursos discriminveis. O sinal recebido pelo
RC pode ser escrito como
| | | | | | | |
1
0
, 1, 2, , 2 1
L
l
y t h l s t l v t t L
=
= + =

(3.13)
onde v[t] so as amostras referentes ao rudo gaussiano com mdia zero e varincia
o
v
2
e s[t] o sinal transmitido pela rede primria no instante t. Em um ambiente com
desvanecimento por mltiplos percursos, o canal de banda larga apresenta
seletividade em frequncia [43] e sua resposta em frequncia pode ser obtida atravs
da FFT com K pontos ( K L > ):
| |
1
2 /
0
1
, 1, 2, , .
L
j lk K
k
l
H h l e k K
K
t
=
= =

(3.14)
O sinal recebido pode ser representado no domnio da frequncia pela
transformada discreta de Fourier (DFT):

27

| |
1
2 /
0
,
1
,
1, 2, , ,
K
j ik K
k
i
k k k
R y i e
K
H X V k K
t
=
=
= + =
(3.15)
onde X
k
representa a intensidade do sinal transmitido na k-sima banda e V
k
so as
componentes do rudo no domnio da frequncia. Como a DFT uma operao
linear, V
k
continua sendo gaussiano com mdia zero e varincia o
v
2
. O teste binrio
de hipteses para o problema de deteco da k-sima banda pode ser escrito como:
0,
1,
:
: .
k k k
k k k k k
R V
R H S V
=
= +
H
H
(3.16)
O teste estatstico calculado para cada uma das K bandas como a soma da
energia recebida sobre um intervalo de N amostras em frequncia, dado por
2
1
( ) , 1, 2, , .
N
k k
i
Y R i k K
=
= =

(3.17)
A regra de deciso determina o canal como ocupado quando o valor de Y
k
for
superior ao valor do limiar de deciso. Em [21] proposto um problema de
otimizao para se escolher o limiar timo de deciso. Em [20], o problema proposto
em [21] estendido a fim de se determinar o tempo timo de sensoriamento.

28

Captulo 4
Sensoriamento Espectral Cooperativo com
Combinao de Autovalores para Sinais
OFDMA e outros Sinais de Banda Larga
4.1 Introduo
Uma nova tcnica de sensoriamento espectral baseada nos autovalores da
matriz de covarincia para sinais em banda larga ser apresentada neste captulo. O
sinal recebido por um RC representado em mltiplas faixas paralelas no domnio da
frequncia. Um detector baseado nos autovalores da matriz de covarincia do sinal
recebido aplicado a cada uma dessas faixas para determinar o estado de ocupao
das subportadoras presentes no sinal primrio. A tcnica em seguida modificada
para determinar o estado de ocupao de um subcanal em um sistema OFDMA.
Tambm ser mostrada uma nova proposta de fuso de dados, atravs da combinao
dos autovalores calculados individualmente por cada RC em cooperao. Resultados
de simulao sero apresentados mostrando melhor desempenho da fuso de
autovalores em relao aos outros mtodos de fuso. Uma anlise do volume de
dados enviados ao CF por cada tcnica de fuso tambm ser apresentada.
4.2 Fuso de autovalores e outros mtodos de fuso para sinais de banda
larga generalizados
A tcnica de deteco baseada nos autovalores da matriz de covarincia para
sinais em faixa estreita tambm pode ser usada para detectar sinais em banda larga.

29

Nesta Seo ser mostrado como a tcnica de sensoriamento centralizado baseado
em autovalores pode ser realizada a partir de amostras recebidas no domnio da
frequncia. Primeiramente, ser descrito o processo de fuso de amostras. O esquema
de fuso de autovalores apresentado em sequncia. Por fim, uma descrio do
processo de fuso de deciso apresentada no contexto de sensoriamento de sinais
de banda larga.
4.2.1 Fuso de amostras para sinais de banda larga
A fuso de amostras no sensoriamento espectral cooperativo combina as
amostras coletadas por cada RC no CF. Para formar uma matriz com as amostras
recebidas no domnio da frequncia, considere que cada RC coleta N amostras da k-
sima sub-banda. N pode ser visto como o nmero de realizaes de K amostras do
sinal recebido no domnio da frequncia, conforme a equao (3.15).
A k-sima matriz das amostras recebidas no domnio da frequncia
construda agrupando as N amostras tomadas da k-sima sub-banda por cada um dos
m sensores. Neste caso a ordem da matriz resultante ser mN. As matrizes com as
amostras recebidas neste cenrio de fuso de amostras para sinais de banda larga
generalizado so
( )
( )
( )
( )
( )
( )
( )
( )
1 1
1
,
1
k k
k
m m
k k
Y Y N
Y Y N
(
(
=
(
(

A (4.1)
onde Y
k
(i)
(j) a j-sima amostra tomada pelo i-simo RC na k-sima sub-banda. O
nmero total de amostras recebidas pelo CF mKN. Neste caso, a matriz de
covarincia computada no centro de fuso e dada por:
1
k k k
N
= R A A . (4.2)

30

Os autovalores de R
k
so computados em seguida e o teste estatstico para a k-
sima sub-banda de um sinal banda larga generalizado com fuso de amostras
calculado via (2.12) a (2.15).
4.2.2 Fuso de autovalores para sinais de banda larga
Neste cenrio cada RC responsvel por calcular sua prpria matriz de
covarincia, estimando seus autovalores e transmitindo estes autovalores ao CF. O
objetivo detectar a presena de sinal primrio no nvel de subportadoras em
sistemas OFDM ou no nvel de canais predefinidos ou sub-bandas em sinais de
banda larga generalizados.
Seja N o nmero de amostras do sinal recebido por cada RC no domnio da
frequncia em cada uma das K sub-bandas e J o nmero de autovalores por sub-
banda de frequncia ou subportadoras de sinal de banda larga generalizado; por
conseguinte a ordem da matriz de covarincia tambm ser J. Admitindo que N/J
um nmero inteiro, a matriz A
k
(i)
com amostras da k-sima sub-banda ou
subportadoras pode ser criada arranjando as N amostras tomadas pelo i-simo RC
com J linhas e N/J colunas, preferencialmente N/J J (o que implica N J) para
maior preciso no calculo da matriz de covarincia. A matriz A
k
(i)
ento:
( ) ( )
( )
( ) ( )
.
(1) ( )
( 1 ) ( )
i i
k k
i
k
i i
k k
Y Y N J
Y n N J Y N
A

=
+ -

(4.3)
A matriz de covarincia computada em cada rdio cognitivo dada por
( ) ( ) ( )
.
i i i
k k k
J
N
R A A = (4.4)
Os autovalores destas matrizes de covarincia so computados e enviados ao
CF. A prxima etapa do processo de sensoriamento combinar os autovalores
recebidos pelo CF para formar o teste estatstico. Considerando que haja m RCs em
cooperao, o nmero total de autovalores recebido pelo CF mKJ. Atravs de
modificaes das equaes para gerao do teste estatstico no cenrio de

31

sensoriamento espectral cooperativo por autovalores em faixa estreita (equaes
(2.12) a (2.15)) propomos os seguintes testes para a k-sima sub-banda no esquema
de fuso de autovalores para sinais de banda larga:
1, ,
1
GLRT,
, ,
1 1 1
1
,
1
m
k i
i
k J K m
j z i
j z i
m
T
JKm
=
= = =
=

(4.5)
1, ,
1
MMED,
, ,
1 1
1
,
1
m
k i
i
k K m
J z i
z i
m
T
Km
=
= =
=

(4.6)
MED, 1, , 2
1
1
,
m
k k i
i
T
m

o
=
=

(4.7)
ED, , , 2
1 1
1
,
J m
k j k i
j i
T
Jm

o
= =
=

(4.8)
onde {
1,k,i
>
2,k,i
> >
J,k,i
} so os J autovalores ordenados associados k-sima
sub-banda e ao i-simo RC. A regra de combinao proposta para o GLRT a mdia
aritmtica dos mximos autovalores obtidos para a k-sima sub-banda dividida pela
mdia aritmtica de todos os autovalores recebidos pelo CF. Para o MMED
modificado, o teste estatstico determinado a partir da mdia aritmtica dos
mximos autovalores associados k-sima sub-banda dividida pela mdia aritmtica
dos menores autovalores de cada banda e RC. O teste MED modificado computado
calculando a mdia aritmtica dos mximos autovalores obtidos da k-sima sub-
banda dividida pela varincia do rudo. Finalmente, o teste ED modificado
computado a partir da mdia aritmtica de todos os autovalores obtidos da k-sima
sub-banda dividida pela varincia do rudo.
Vale mencionar que os testes (4.5)-(4.8), como tambm outros definidos ao
longo deste captulo, foram determinados empiricamente. Isto significa que no h
garantia que sejam verses timas dos testes de hipteses correspondentes derivados
a partir de um teste de razo de verossimilhana (Neyman-Pearson).

32

4.2.3 Fuso de deciso para sinais de banda larga
Na Seo 2.4, foi mencionado que o sensoriamento espectral cooperativo
centralizado pode ser realizado atravs da fuso de deciso, na qual as decises dos
RCs so combinadas no CF. As regras de deciso mais comumente usadas so: E,
OU e o voto majoritrio [2][30], as quais so classificadas sob o termo genrico z-
em-m (z-out-of-m). Se z for um, tem-se a regra OU e se z for m, tem-se a regra E. Se
z > M/2, tem-se a regra de voto majoritrio.
Chega-se deciso final acerca do estado de ocupao de uma determinada
banda da seguinte maneira: seja u
i
a deciso realizada pelo i-simo RC sobre uma
dada sub-banda e u a deciso final tomada pelo CF para aquela sub-banda, com u
i
, u
{0,1}, onde 0 (1) indica a ausncia (presena) de um sinal primrio na sub-
banda sob anlise. Para a regra E, o CF determina u = 1 se u
i
= 1 para i = 1, 2,, m.
Para a regra OU, u = 1 se u
i
= 1 para qualquer i. Para regra de voto majoritrio, o CF
declara u = 1 se
2
m
i
u S > e u = 0 se
2
m
i
u S < ; uma deciso arbitraria feita quando
2
m
i
u S = [2][30].
O teste estatstico para o i-simo RC acerca da k-sima sub-banda de um sinal
de banda larga generalizado pode ser determinado atravs de pequenas modificaes
em (4.5)-(4.8):
1, ,
GLRT, ,
, ,
1 1
,
1
k i
k i J K
j z i
j z
T
JK
= =
=

(4.9)
1, ,
MMED, ,
, ,
1
,
1
k i
k i K
J z i
z
T
K
=
=

(4.10)
1, ,
MED, , 2
,
k i
k i
T

o
= (4.11)
ED, , , , 2
1
1
,
J
k i j k i
j
T
J

o
=
=

(4.12)

33

onde, novamente, {
1,k,i
>
2,k,i
> >
J,k,i
} so os J autovalores ordenados
associados a k-sima sub-banda e ao i-simo RC.
4.2.4 Resultados de simulao para deteco de sinais de banda larga
Nesta seo comparado o esquema de fuso de autovalores com os esquemas
de fuso de amostra e de decises. As curvas ROC foram construdas a partir da
mdia de P
fa
e P
d
em todas as frequncias do sinal de banda larga. As curvas foram
obtidas via simulaes de Monte Carlo, contando um mnimo de 100 falsos alarmes
ou deteces (o que ocorrer por ltimo) ou um mximo de 5000 repeties. O cdigo
foi implementado em Matlab de acordo com os modelos e testes descrito nesta
dissertao. A atividade do sinal primrio em cada sub-banda foi modelada como
uma varivel aleatria com distribuio de Bernoulli com 50% do tempo ativo (para
clculo de P
d
) e 50% inativo (para clculo da P
fa
).
Para simular a deteco de um sinal de banda larga generalizado foi
considerado um nico transmissor primrio cuja largura de banda total foi dividia em
K = 8 sub-bandas. Tambm foi considerado: m = 6 RCs em cooperao, relao
sinal-rudo SNR = 10 dB, e sinal primrio com distribuio gaussiana com potncia
de transmisso unitria. O canal entre o transmissor primrio e cada RC um canal
com desvanecimento por mltiplos percursos com L = 8 caminhos de propagao
descorrelacionados cujas magnitudes possuem distribuio Rayleigh, segundo
momento unitrio e fase distribuda uniformemente em (0,2t|. O canal foi
considerado esttico durante um perodo de sensoriamento, mudando de forma
independente e identicamente distribuda de um perodo a outro.
No esquema de fuso de autovalores, o nmero total de amostras coletadas por
cada RC foi n = KN = 8300 = 2.400 (N = 300 amostras em cada faixa de
frequncia). Para simular o esquema de fuso de amostras, n = KN = 850 = 400
amostras (N = 50 em cada faixa de frequncia) foram utilizadas para formar a matriz
de covarincia no CF. A ordem da matriz de covarincia para fuso de amostras
mm = 66 e JJ = 66 para fuso de autovalores.

34

As Figura 4.1 Figura 4.4 mostram curvas ROC para o esquema de fuso de
autovalores e as curvas referentes s fuses de deciso e amostra. Os testes
estatsticos (2.12) a (2.15) foram usados para a fuso de amostras e os testes (4.9)-
(4.12) foram usados nas decises individuais de cada RC. Os testes (4.5)-(4.8) foram
considerados no esquema de fuso de autovalores. Os desempenhos com a fuso de
amostras esto muito prximos daqueles apresentados em [24], os quais foram
obtidos sob os mesmos parmetros sistmicos adotados aqui. Como esperado, isto
indica que processar as amostras no domnio da frequncia leva ao mesmo resultado
caso o processamento seja realizado no domnio do tempo.

Figura 4.1: ROCs para fuso de amostras, fuso de decises e fuso de autovalores usando
GLRT no sensoriamento de um sinal de banda larga generalizado.
Nas Figura 4.1 Figura 4.4 possvel notar que o esquema de fuso de
autovalores proposto supera todos os outros mtodos de combinao para todos os
testes estatsticos considerados neste trabalho, seguido de perto pela fuso de deciso
utilizando a regra de combinao OU, excetuando o teste MED, para o qual a
distncia entre os desempenhos maior. Para MMED e ED, a fuso de amostras
apresenta desempenho inferior fuso de deciso com as regras OU e voto
majoritrio, superando apenas a regra de combinao E. Para GLRT e MED, a fuso
de amostras supera a regra de combinao E de maneira significativa, mostrando um
desempenho ligeiramente superior regra de voto majoritrio. A regra E apresentou
o pior desempenho entre todas as regras de fuso e testes estatsticos em anlise.

35

Estes resultados no pretendem afirmar que o desempenho relativo das regras de
combinao de deciso se manter o mesmo. Como mencionado em [2], as regras E,
OU e voto majoritrio podem alternar suas classificaes de desempenho sob
diferentes parmetros de sistemas ou cenrios.

MMED no cenrio de sensoriamento de um sinal de banda larga generalizado.
Ainda com referncia aos resultados nas Figura 4.1 a Figura 4.4, os testes ED
surpreendentemente superaram os testes MED na combinao de autovalores e para
os esquemas de fuso de deciso com E, OU e voto majoritrio, invertendo o
comportamento obtido na fuso de amostras. Em outras palavras, os testes propostos
em (4.8) e (4.12) revelaram possuir mais poder estatstico que os testes (4.7) e (4.11),
respectivamente, indicando que os ltimos possuem margem para futuras melhorias
em suas expresses.

36

MED no cenrio de sensoriamento de um sinal de banda larga generalizado.

ED no cenrio de sensoriamento de um sinal de banda larga generalizado.
4.3 Fuso de autovalores e outros mtodos de fuso para deteco de
sinais OFDMA
O esquema de fuso de autovalores proposto pode ser aplicado a qualquer sinal
de banda larga. Nas sees anteriores foi visto que pode ser diretamente aplicado s
subportadoras de um sinal OFDM, por exemplo, ou s sub-bandas predefinidas em
um sinal de banda larga generalizado. Alm disso, ela pode ser adaptada para

37

detectar um sinal OFDMA ao nvel de subcanal. Esta adaptao descrita nesta
seo. Tambm ser descrita a fuso de amostras e a fuso de decises no contexto
de sinais OFDMA.
4.3.1 Fuso de autovalores para sinais OFDMA
Enquanto a multiplexao OFDM atribui um bloco de frequncias
integralmente a um nico usurio, OFDMA uma tcnica de mltiplo acesso que
aloca a um dado usurio um conjunto ou mltiplos conjuntos de subportadoras,
permitindo acesso simultneo de toda a banda por diversos usurios. A um conjunto
de frequncia dado o nome de subcanal. A formao do subcanal pode ser
classificada de duas maneiras: mtodo de subportadoras adjacente (ASM adjacent
subcarrier method), o qual agrupa um conjunto contguo de subportadoras para
formar um subcanal, e mtodo de diversidade de subportadoras (DSM diversity
subcarrier method), no qual subportadoras no contguas so escolhidas para formar
o subcanal [31]. Como consequncia, quando o esquema de fuso de autovalores
aplicado na deteco de um sinal primrio OFDMA, ela visa detectar o sinal ao nvel
de subcanal, i.e., o objetivo determinar se um dado subcanal est ou no vago.
Suponha que um canal OFDMA com K subportadoras disponveis seja
compartilhado entre P usurios primrios. Desse modo, K = K/P subportadoras
formaro um subcanal indexados por s, onde s = 1, 2,, P. Assume-se que cada RC
conhea o mapa de alocao de subportadoras de cada subcanal, uma informao que
pode ser facilmente obtida a partir do padro de rede primria. A matriz de ordem
KN com valores de amostras no i-simo RC e s-simo subcanal ser formada de
acordo com
( )
( )
( )
( )
( )
( )
( )
( )
( )
,1 ,1
, ,
1
,
1
i i
s s
i
s
i i
s K s K
Y Y N
Y Y N
' '
(
(
=
(
(

A (4.13)

38

onde
( )
, '
( )
i
s k
Y j

a j-sima amostra coletada pelo i-simo RC para a k-sima
subportadora pertencente ao s-simo subcanal. A partir de (4.13), o prximo passo
computar as correspondentes matrizes de covarincia, de acordo com
( ) ( ) ( )
1
,
i i i
s s s
N
= R A A (4.14)
das quais mKP autovalores so estimados e enviados ao CF. O teste estatstico para
o s-simo subcanal OFDMA computado seguindo verses ligeiramente
modificadas de (4.5)-(4.8):
1, ,
1
GLRT,
, ,
1 1 1
1
,
1
m
s i
i
s K P m
j z i
j z i
m
T
mPK
=
'
= = =
=
'

(4.15)
1, ,
1
MMED,
, ,
1 1
1
,
1
m
s i
i
s P m
K z i
z i
m
T
mP
=
'
= =
=

(4.16)
MED, 1, , 2
1
1
,
m
s s i
i
T
m

o
=
=

(4.17)
ED, , , 2
1 1
1
,
K m
s j s i
j i
T
K m

o
'
= =
=
'

(4.18)
onde {
1,s,i
>
2,s,i
> >
K,s,i
} so os K autovalores ordenados associados ao s-
simo subcanal e ao i-simo RC.
4.3.2 Fuso de amostras para sinais OFDMA
Aqui descrito como a estratgia de fuso de amostras pode ser adaptada para
detectar a ocupao de um subcanal OFDMA. Diversas regras de combinao de
amostras podem ser implementadas neste caso; abaixo sero descritas duas
alternativas que produzem matrizes de covarincia no CF com a mesma ordem que
no caso da combinao de autovalores. Estas alternativas so designadas como
concatenao e combinao de mxima razo (MRC maximum ratio combining).

39

KN amostras so coletadas por cada RC para cada um dos P subcanais. Estas
amostras so enviadas ao centro de fuso, onde sero processadas como segue:
Primeiramente, mP matrizes amostras de ordem KN, como em (4.13), so
formadas. Em uma situao, as correspondentes matrizes do subcanal s provenientes
de todos os RCs so concatenadas, levando a P matrizes amostras de ordem KmN
dadas por
( ) ( ) ( ) 1 2
.
m
s s s s
(
=

A A A A (4.19)
Em outra situao, as linhas das matrizes
( ) i
s
A so combinadas segundo a regra
MRC, resultando em P matrizes de amostras de ordem KN dadas por
( ) ( )
1
,
m
i i
s s s
i=
=
A H A
(4.20)
onde
( ) i
s
H = diag[
( )
,1
i
s
H ,
( )
,2
i
s
H , ,
( )
, '
i
s K
H ] a matriz diagonal de ganho cujos elementos
na diagonal {
( )
, '
i
s k
H } so os ganhos do canal, no domnio da frequncia, entre o
transmissor primrio e o i-simo RC na k-sima subportadora do s-simo subcanal
OFDMA , i = 1, 2, , m; s = 1, 2, , P; k = 1, 2, , K. Das matrizes em (4.19) ou
(4.20), calcula-se as correspondentes matrizes de covarincia
1
s s s
N
= R A A (4.21)
de ordem KK so computadas e seus autovalores {
1,s
>
2,s
> >
K,s
} so
estimados. Os testes estatsticos (2.12) a (2.15) so agora modificados para deteco
do s-simo subcanal OFDMA, levando a:
1,
GLRT,
,
1 1
,
1
s
s K P
j z
j z
T
PK
'
= =
=
'

(4.22)
1,
MMED,
,
1
,
1
s
s P
K z
z
T
P
'
=
=

(4.23)

40

1,
MED, 2
,
s
s
T

o
= (4.24)
ED, , 2
1
1
.
K
s j s
j
T
K

o
'
=
=
'

(4.25)
A deciso acerca da ocupao do s-simo subcanal OFDMA alcanada no CF
aps comparar o teste estatstico adotado com o limiar de deciso.
4.3.3 Fuso de decises para sinais OFDMA
Aqui ser descrito como a estratgia de fuso de decises foi adaptada para
detectar a ocupao de um subcanal OFDMA. Uma matriz com valores de amostras
em cada RC e para cada subcanal formada de acordo com (4.13), das quais as
correspondentes matrizes de covarincia so computadas por (4.14). De cada uma
das P matrizes de covarincia resultantes, K autovalores so estimados em cada RC
e ordenados como {
1,s
>
2,s
> >
K,s
}. A ocupao de cada subcanal
determinada comparando-se qualquer um dos testes estatsticos (4.22)-(4.25) com o
limiar de deciso. As decises resultantes so ento enviadas ao CF para combinao
via aritmtica binria e decises finais acerca de cada um dos subcanais.
4.3.4 Resultados de simulao para deteco de sinais OFDMA
Para simular a aplicao da tcnica de fuso de autovalores na deteco de
subcanais de um sinal OFDMA, foi considerada uma rede primria com P = 4
usurios. O nmero de RCs em cooperao foi m = 6. Um canal OFDMA com K =
20 subportadoras foi adotado. Os subcanais foram criados formando P = 4 conjuntos
com K = K/P = 5 subportadoras selecionadas aleatoriamente. Tambm foi
considerada uma potncia de transmisso unitria para o sinal primrio e SNR = 10
dB. O canal de comunicao sem fio foi modelado como um canal multipercurso
com 20 caminhos de propagao, com desvanecimento lento e seletivo em
frequncia, e cuja resposta em frequncia foi mantida constante durante um perodo
de sensoriamento, variando de um perodo a outro. Assim como no caso de um sinal
de banda larga generalizado, o segundo momento dos ganhos do canal foi
normalizado para manter a potncia mdia do sinal recebido igual potencia mdia

41

do sinal transmitido. O nmero de amostras coletadas em cada frequncia de
subportadora foi N = 60.
Os testes estatsticos (4.22)-(4.25) foram utilizados para fuso de amostras
(usando concatenao e MRC), bem como tambm para decises individuais dos
RCs. Os testes estatsticos (4.15)-(4.18) foram considerados para a fuso de
autovalores.
As Figura 4.5 a Figura 4.8 mostram as ROCs para os esquemas de fuso de
autovalores, fuso de amostras e fuso de decises para deteco do sinal OFDMA
previamente definido, para todos os testes estatsticos considerados neste trabalho.
importante lembrar que o objetivo do sensoriamento espectral neste caso
determinar o estado de ocupao de um subcanal inteiro, diferentemente da ocupao
de sub-bandas no caso de um sinal de banda larga generalizado.

o teste GLRT no sensoriamento de subcanais OFDMA.
Assim como no caso de um sinal de banda larga generalizado, o esquema de
fuso de autovalores revelou o melhor desempenho entre todos os mtodos de fuso
em anlise, para todos os testes estatsticos, seguido de perto pela fuso de amostras
usando a abordagem de concatenao para a matriz de amostras. O desempenho da
fuso de amostras utilizando a abordagem MRC produziu um desempenho inferior

42

quela da abordagem por concatenao, tendo ainda a desvantagem de necessitar
conhecer os ganhos do canal. O melhor desempenho da abordagem de concatenao
pode ser creditado ao maior nmero de colunas nas matrizes usadas para computar a
matriz de covarincia, como mostrado em (4.19).
A classificao dos desempenhos dos diferentes testes estatsticos mantem
ainda o teste ED na primeira posio, seguido por MED, GLRT e MMED. Mais uma
vez observada a inverso de comportamentos entre ED e MED quando comparados
com a deteco por autovalores tradicional de sinais faixa estreita atravs de (2.12) a
(2.15). Isto indica que os testes estatsticos empricos (4.18) e (4.25) possuem mais
poder estatstico que (4.17) e (4.24), o que significa que (4.17) e (4.24) possuem
margem para melhorias em suas definies.

o teste MMED no sensoriamento de subcanais OFDMA.
A principal diferena entre as estratgias de fuso de amostras e fuso de
autovalores a quantidade de dados enviados ao CF. Para os parmetros usados nos
resultados numricos para sinais OFDMA, tem-se a seguinte situao: o sinal
primrio foi construdo com n = KN = 2060 = 1.200 amostras no domnio do tempo.
Portanto, o nmero de amostras enviadas ao CF no esquema de fuso de amostras
mKN = 61.200 = 7.200. Com K = 5 subportadoras em cada subcanal, a ordem da
matriz de covarincia KK = 55. Assim, o nmero total de autovalores enviados

43

ao CF foi mKP = 654 = 120. Considerando que os valores de amostras e
autovalores so digitalizados com o mesmo nmero de bits, a quantidade requerida
de dados no caso da fuso de autovalores mKN/mKP = mKN/m(K/P)P = N = 60
vezes menor que no caso de fuso de amostras. Obviamente, esta reduo no volume
de dados enviados ao CF vem com o aumento da complexidade dos RCs devido
necessidade da estimao local dos autovalores.

o teste MED no sensoriamento de subcanais OFDMA.

o teste ED no sensoriamento de subcanais OFDMA.

44

Uma anlise geral do volume de dados enviados ao CF e da complexidade
computacional demandada em cada cenrio de fuso realizada na prxima seo,
considerando tambm o sensoriamento de um sinal de banda larga generalizado.
4.4 Complexidade e volume de dados enviados ao CF
A anlise exemplificada ao final da Seo 4.3.4 generalizada nesta seo, no
que se refere soluo de compromisso entre o volume de dados enviados ao CF e a
complexidade relacionada ao nmero de amostras processadas e as computaes dos
autovalores para todos os mtodos de fuso sob anlise. Considera-se aqui um
sistema WiMAX como um estudo de caso, de tal sorte que tambm possa produzir
resultados numricos.
Assuma que um canal WiMAX tenha 2.048 subportadoras. Por razes de
decaimento espectral, somente 1.680 subportadoras so utilizadas, deixando as
subportadoras prximas aos limites do canal desocupadas [31]. Os subcanais
OFDMA so criados particionando as K = 1.680 subportadoras teis em grupos de
K = 24 subportadoras, resultando em P = 70 subcanais.
Seja o objetivo do sensoriamento espectral detectar as subportadoras no
utilizadas do sinal OFDM. Para o esquema de fuso de amostras, o nmero de
amostras deve ser muito maior (10 vezes ou mais) que o nmero de RCs em
cooperao, para que seja realizada uma boa estimativa da matriz de covarincia.
Considerando uma rede secundria com m = 10 RCs em cooperao e admitindo que
cada RC colete N = 100 amostras por subportadora, um total de n = KN = 1.680100
= 168.000 amostras so coletadas por RC. Portanto, mKN = 101.680100 =
1.680.000 amostras so enviadas ao CF. Assumindo que cada amostra sofre uma
quantizao de 3-bits [38], ento a quantidade total de dados enviados ao CF de
5.040.000 bits.
Considere agora um esquema de fuso de autovalores. Para uma comparao
justa, considere que a ordem das matrizes de amostras criadas por cada rdio
cognitivo seja a mesma ordem da matriz de amostras gerada no CF no cenrio de
fuso de amostras (mN = JN/J = 10100), levando tambm a matrizes de

45

covarincia de ordem JJ = 1010. O nmero total de amostras tomadas por cada
RC ento n = KJ(N/J) = KN = 1.6801.000 = 1.680.000, dez vezes mais que no
caso da fuso de amostras (note que o maior nmero de amostras pode ser obtido
durante o mesmo perodo de sensoriamento aumentando-se a taxa de amostragem J
vezes em relao ao caso de fuso de amostras). Cada RC computa J = 10
autovalores por subportadora, os quais so transmitidos ao CF. Admitindo tambm
que cada autovalor sofre uma quantizao de 3-bits, o nmero total de dados
enviados ao CF 3mKJ = 3101.68010 = 504.000 bits.
A anlise anterior mostra que o volume de dados enviados ao CF no caso da
fuso de amostras ( mKN bits) muito maior que no caso da fuso de autovalores
( mKJ bits), j que N J. Em um cenrio de fuso de decises, somente as
decises individuais dos RCs so enviados ao CF. Portanto, o CF recebe mK decises
binrias, o que representa um volume de dados muito inferior aos outros esquemas
de fuso.
Em termos de complexidade, no caso da fuso de autovalores e decises, cada
RC deve ser capaz de processar n = KJ(N/J) = KN amostras e estimar KJ autovalores.
No caso da fuso de amostras a complexidade do RC reduzida, uma vez que os
autovalores so computados no CF. No entanto, o CF deve ser capaz de processar m
vezes mais amostras, i.e. mn = mKN amostras e estimar mK autovalores (note que m
= J no cenrio de comparao justo, anteriormente considerado).
Agora, seja a deteco dos subcanais no utilizados de um sinal OFDMA o
principal objetivo. Considere primeiro o esquema de fuso de autovalores. O nmero
de linhas da matriz de amostras recebida (4.13) igual ao nmero de subportadoras
em um subcanal, que K = 24 no exemplo de WiMAX sob anlise. Novamente,
para uma boa estimao da matriz de covarincia, o nmero de amostras deve ser
muito maior (10 vezes ou mais) que o nmero de subportadoras em um subcanal, que
a ordem das matrizes de covarincia. Ento, seja N = 240 o nmero de amostras por
subportadora. Assim, o nmero total de amostras coletadas por cada RC n = KN =
1.680240 = 403.200. Cada RC gera P = 70 matrizes amostra (uma por subcanal) de
ordem KN = 24240, resultando em 70 matrizes de covarincia de ordem KK =

46

2424 e K = 24 autovalores por subcanal. Admitindo tambm que cada autovalor
sofre uma quantizao de 3-bits, ento a quantidade total de dados enviados ao CF
3mKP = 3mK = 3101.680 = 50.400 bits no caso da fuso de autovalores. O
cenrio de fuso de decises similar, mas somente as decises individuais de cada
RC acerca da ocupao de um subcanal so enviadas ao CF. Desta forma, somente
mP = 1070 = 700 decises binrias so enviadas ao CF, o que representa um
volume de dados bem menor que nos casos dos outros esquemas de fuso.
Considere agora o processo de fuso de amostras, utilizando a abordagem de
concatenao para formar a matriz de amostras como determinado em (4.19). A
escolha pela abordagem de concatenao baseada no fato de produzir melhor
desempenho que a regra MRC, evitando ainda a necessidade de conhecer os ganhos
do canal usados no MRC. Um nmero de KN = 24240 = 5.760 amostras so
coletadas por cada RC para cada um dos P = 70 subcanais. Estas amostras so
enviadas ao CF, onde um nmero de mP = 1070 = 700 matrizes de amostras de
ordem KN = 24240, como em (4.13), so criadas. As correspondentes matrizes do
subcanal s de todos os RCs so concatenadas de acordo com (4.19), levando a P = 70
matrizes de amostras de ordem KmN = 242.400. Um nmero de PK = 7024 =
1.680 autovalores so subsequentemente estimados para formar o teste estatstico
para os P = 70 subcanais.
A anlise considerada na deteco de subcanais OFDMA vagos mostra que o
volume de dados enviados ao CF no caso da fuso de decises mP bits. Para a
fuso de autovalores este volume bmK = bKmP bits, onde b o nmero de bits por
autovalor. Para fuso de amostras, este volume cresce para bmKN bits. Ento, o
volume de dados enviados ao CF no caso da fuso de autovalores bK vezes o
volume de dados no caso da fuso de decises, e N vezes menor que no caso da fuso
de amostras.
Em termos de complexidade, no caso das fuses de autovalores e de decises,
cada RC deve ser capaz de processar n = KN amostras e estimar KP = (K/P)P = K
autovalores. No caso da fuso de amostras, a complexidade do RC reduzida, j que
os autovalores so computados no CF. Entretanto, o CF deve estar apto a processar

47

mKN amostras, que m vezes maior que o nmero de amostras processadas por cada
RC. No obstante, o CF deve estimar PK autovalores, o mesmo nmero de
autovalores estimados por cada RC nos casos da fuso de decises e da fuso de
autovalores.
Para uma ltima comparao entre a fuso de amostras e a fuso de
autovalores, seja agora o nmero de amostras em ambas as situaes fixado.
Assumindo que cada RC tome N amostras por subportadoras, cada RC coletar n =
NK amostras no domnio do tempo. Se o propsito monitorar cada subportadora ou
sub-banda de um sinal de banda larga generalizado, em um cenrio de fuso de
amostras a quantidade de amostras enviadas ao CF ser mNK = m
2
KN/m. No
esquema de fuso de autovalores, se cada RC forma matrizes de covarincia de
ordem J = m (como anteriormente) e computa J = m autovalores, a quantidade total
de amostras enviadas ao CF m
2
K. Note que o esquema de fuso de amostras envia
N/m vezes mais dados que o esquema de fuso de autovalores proposto. Uma vez que
o nmero esperado de RCs em cooperao muito menor que o nmero de amostras
coletadas em um sistema real, pode-se concluir que a fuso de autovalores capaz de
reduzir consideravelmente a quantidade de dados no canal de controle quando
comparada fuso de amostras.

48

Captulo 5
Concluses e Oportunidades para Pesquisas
Futuras
Neste trabalho foi proposto um novo esquema de fuso de dados baseado nos
autovalores da matriz de covarincia no sensoriamento de subportadoras ou sub-
bandas de sinais de banda larga generalizados e tambm para sensoriamento de
subcanais de sinais OFDMA, no contexto de sistemas de rdios cognitivos.
Simulaes foram realizadas, comparando este esquema de fuso com a fuso
de amostras coletadas pelos RCs em cooperao com a combinao de decises
individuais dos RCs, considerando os testes estatsticos GLRT, MMED, MED, ED e
suas modificaes empricas propostas aqui.
A estratgia de fuso de autovalores apresentou melhor desempenho que todos
os esquemas de fuso, para todos os testes estatsticos, como tambm para todos os
sinais de banda larga analisados. Alm disso, a fuso de autovalores pode reduzir
drasticamente a quantidade de dados enviados ao centro de fuso quando comparada
ao mtodo de fuso de amostras, reduzindo o volume de dados no correspondente
canal de controle. Se decises locais nos RCs so realizadas a partir dos autovalores
computados, uma estratgia de fuso de decises pode ser adotada, o que pode
reduzir ainda mais a quantidade de dados enviados ao centro de fuso. O preo que
se paga pela reduo do volume de dados enviados ao CF pela fuso de autovalores e
fuso de decises o aumento da complexidade dos rdios cognitivos, j que eles
devem ser capazes de computar os autovalores das matrizes de covarincia do sinal

49

recebido antes de envi-los ao centro de fuso. Uma anlise desta situao tambm
foi apresentada.
Nota-se que, se o sensoriamento de subcanais em sistemas OFDMA puder ser
coordenado sob a informao de subcanais no utilizados em uma dada rea, o
trfego de dados no canal de controle pode ser reduzido ainda mais, uma vez que
alguns subcanais no precisariam ser sensoriados.
No sensoriamento de subportadoras ou sub-bandas de um sinal de banda larga
generalizado, a fuso de decises com a lgica OU apresentou desempenho prximo
ao apresentado pela fuso de autovalores. J no sensoriamento de subcanais em
sinais OFDMA, a combinao das decises pelo voto majoritrio foi a regra de fuso
de decises com desempenho mais prximo ao obtido pela fuso de autovalores.
Uma vez que o volume de dados enviados ao CF inferior quele em outras
estratgias de fuso, pode-se concluir que as estratgias de fuso de decises podem
ser preferidas em relao fuso de autovalores. No entanto, conjectura-se que erros
de bit no canal de controle podem ser mais desastrosos aos dados representando
decises dos rdios cognitivos que aos dados representando autovalores. Isto, por sua
vez, demandaria maior proteo aos dados de deciso, reduzindo a diferena no
volume de dados nos casos das fuses de autovalores e de decises. Esta conjectura
representa uma boa oportunidade para futuras contribuies. Contudo, esta
investigao poderia ser complementada com uma anlise da influncia de diferentes
parmetros de sistema no desempenho do sensoriamento espectral, a qual poderia
ajudar na construo de concluses relativas influncia destas diferenas na
classificao das regras de combinao da fuso de decises.
Foi verificado que a abordagem de sensoriamento espectral em banda larga
proposta pode ser aplicada a qualquer sinal de banda larga. Combinadas com a
flexibilidade de anulamento de subportadoras de sinais OFDM, rdios cognitivos
baseados em OFDM [39] podem oportunisticamente reutilizar faixas pouco utilizadas
do espectro. Isto particularmente favorvel recm proposta multiplexao por
diviso de frequncias generalizada (GFDM generalized frequency division
multiplexing), que surge como uma candidata a ser usada na prxima gerao de

50

sistemas de comunicao sem fio [40][41]. Sinais GFDM so mais flexveis em
termos de capacidade de formatao espectral e so aptos a produzir muito menos
potncia fora da banda de interesse quando comparados com sinais OFDM. Assim,
para futuras pesquisas, seria interessante investigar o desempenho do esquema de
fuso de autovalores na deteco de sinais GFDM, bem como, analisar uma
estratgia de acesso oportunista baseada em GFDM neste cenrio.
Em [24] os autores mostraram que o GLRT pode ser visto com uma verso
modificada do MED, onde a varincia real do rudo substituda por sua estimao
de mxima verossimilhana. Seria interessante analisar a influncia ao substituir a
varincia real por sua estimativa nos teste ED e MED modificados propostos
empiricamente neste trabalho. Um objetivo seria verificar se a troca produziria
resultados de desempenho atrativos, dando a estes testes um apelo mais prtico, j
que no demandariam o uso da varincia real do rudo, uma informao que no
conhecida com preciso em sistemas reais.

51

REFERNCIAS BIBLIOGRFICAS

[1] MITOLA, J. Cognitive radio: An integrated agent architecture for
software defined radio. Doctor of Technology, KTH, Sweden, 2000.

[2] AKYILDIZ, I.F., LO, B. F. and BALAKRISHNAN, R.; Cooperative
Spectrum Sensing in Cognitive Radio Networks: A Survey. Elsevier
Physical Comm. 4, pp. 40-62, 2010

[3] YUCEK, T., and ARSLAN, H.; A Survey of Spectrum Sensing
Algorithms for Cognitive Radio Applications. Communications Surveys
Tutorials, IEEE 11, no. 1 (quarter 2009): 116-130.

[4] TANDRA, R; Fundamental limits on detection in low SNR.
Dissertao de mestrado. University of California. Berkeley. Califrnia.
Estados Unidos da Amrica

[5] CABRIC, D., TKACHENKO, A. and BRODERSEN, R. W.;
Spectrum Sensing Measurements of Pilot, Energy, and Collaborative
Detection. Military Communication Conference (MILCOM), October
2006.

[6] GARDNER, W.A. Signal Interception: a Unifying Theoretical
Framework for Feature Detection. Communications, IEEE Transactions
On 36, no. 8 (August 1988): 897 906.

[7] HAYKIN, S., THOMAS, D.J. and REED, J.H.; Spectrum Sensing for
Cognitive Radio. Proceedings of the IEEE 97, no. 5 (May 2009): 849
877.

[8] CABRIC, D., MISHRA, S.M. and BRODERSEN, R.W.;
Implementation Issues in Spectrum Sensing for Cognitive Radios. In
Conference Record of the Thirty-Eighth Asilomar Conference on Signals,
Systems and Computers, 2004, 1:772 776 Vol.1, 2004.

[9] AXELL, E., LEUS, G. and LARSSON, E. G.; Overview of Spectrum
Sensing for Cognitive Radio. In: Proc. of the 2nd Int. Workshop on
Cognitive Information Processing, 2010.

52

[10] GARDNER, W. A., Exploitation of spectral redundancy in
cyclostationary signals. IEEE Signal Processing Magazine, vol. 8, no. 2, pp.
1436, April 1991.

[11] DANDAWATE, A. V. and GIANNAKIS, G. B.; Statistical tests for
presence of cyclostationarity. IEEE Transactions on Signal Processing,
vol. 42, no. 9, pp. 23552369, September 1994.

[12] GARDNER, W. A. and SPOONER, C.M.; Signal interception:
performance advantages of cyclic-feature detectors. IEEE Transactions on
Communications, vol. 40, no. 1, pp. 149159, January 1992.

[13] ENSERINK, S. and COCHRAN, D.; A cyclostationary feature
detector. in Proc. of Asilomar Conference on Signals, Systems and
Computers, vol. 2, pp. 806810, 31 October-2 November 1994.

[14] HAN, N. et al.; Spectral Correlation Based Signal Detection Method
for Spectrum Sensing in IEEE 802.22 WRAN Systems. In Advanced
Communication Technology, 2006. ICACT 2006. The 8th International
Conference, 3:6 p., 2006.

[15] URKOWITZ, H. Energy Detection of Unknown Deterministic
Signals. Proceedings of the IEEE 55, no. 4 (April 1967): 523 531.

[16] DIGHAM, F. F., ALOUINI, M.-S. and SIMON, M. K.; On the
Energy Detection of Unknown Signals Over Fading Channels.
Communications, IEEE Transactions On 55, no. 1 (January 2007): 21 24.

[17] TIAN, Z. and GIANNAKIS, G. B.; A wavelet approach to wideband
spectrum sensing for cognitive radios. in Proc. IEEE Int. Conf. Cognitive
Radio Oriented Wireless Networks and Commun. (Crowncom), Mykonos
Island, Greece, June 2006

[18] TIAN, Z. and GIANNAKIS, G.; Compressed Sensing for Wideband
Cognitive Radios. Proc. of IEEE Intl. Conf. on Acoustics, Speech and
Signal Processing (ICASSP), Vol. IV, pp. IV.1357-1360, Honolulu, April
2007

[19] TIAN, Z., Compressed wideband sensing in cooperative cognitive
radio networks. in: Proc. of IEEE GLOBECOM 2008, 2008, pp. 15.

[20] HOSEINI, P. P. and BEAULIEU, N. C.; Optimal Wideband
Spectrum Sensing Framework for Cognitive Radio Systems. IEEE
Transactions on Signal Processing, vol. 59, no. 3, March 2011.

[21] QUAN, Z. et al.; Optimal Multiband Joint Detection for Spectrum
Sensing in Cognitive Radio Networks. Signal Processing, IEEE

53

Transactions On 57, no. 3 (March 2009): 1128-1140.

[22] LIN, M., VINOD, A.P. and SEE, C.M.S.; A new flexible filter bank
for low complexity spectrum sensing in cognitive radios. Journal of Signal
Processing Systems, vol. 62, no. 2, pp. 205-215, 2011.

[23] KORTUN, A., et al.; On the Performance of Eigenvalue-Based
Cooperative Spectrum Sensing for Cognitive Radio. IEEE J. of Selected
Topics In Signal Processing, vol. 5, no. 1, February 2011.

[24] NADLER, B., PENNA, F. and GARELLO, R.; Performance of
Eigenvalue-based Signal Detectors with Known and Unknown Noise
Level. In: Proc. of the IEEE ICC, Kyoto, Japan, June 2011.

[25] SILVA, C.R.N., GUIMARES, D.A. e SOUZA, R.A.A.
Sensoriamento Espectral Baseado em Autovalores para Sinais em Banda
Larga. XXX Simpsio brasileiro de telecomunicaes, SBrT12, Braslia,
DF, Brasil, Setembro 2012.

[26] YANG, S.C. OFDMA System Analysis and Design. Artech House,
2010.

[27] GUIMARAES, D.A. Digital Transmission: A Simulation-Aided
Introduction with VisSim/Comm. Springer, 2009.

[28] PROAKIS, J.G., Digital Communications. 4th ed. McGraw-Hill,
2001, 1024 p.

[29] HAYKIN, S. Cognitive Dynamic Systems: Perception-action Cycle,
Radar and Radio. Cambridge University Press, 2012.

[30] VARSHNEY, P.K., and BURRUS, C. S.; Distributed Detection and
Data Fusion. 1st ed. Springer, 1997, 292 p.

[31] SRIKANTH S. et al.; Orthogonal Frequency Division Multiple
Access: Is it the Multiple Access System of the Future? whitepaper
downloadable at http://www.au-kbc.org/comm/comm_resource.htm.

[32] KAY, S. M. Fundamentals of statistical signal processing: Detection
theory. Prentice Hall PTR, 1998, vol. 2

[33] NETO, J.S. Contribuies ao estudo sobre sensoriamento espectral
baseado em autovalores para aplicaes em sistemas de rdio cognitivo.
Dissertao de Mestrado. Instituto Nacional de Telecomunicaes. Santa
Rita do Sapuca. Minas Gerais. Brasil.

[34] NEYMAN, J. and PEARSON, E.; On the Problem of the Most
Efficient Tests of Statistical Hypotheses. Philosophical Transactions of the

54

Royal Society of London, Series A, 231: 289-337, 1933

[35] MUIRHEAD, R. J. Latent roots and matrix variates: A review of some
asymptotic results. Ann. Stat., vol. 6, no. 1, pp. 5-33, 1978.

[36] KRITCHMAN, S. and NADLER, B.; Non-Parametric Detections of
the Number of Signals: Hypothesis Testing and Random Matrix Theory.
IEEE Trans. on Signal Processing, vol. 57, no. 10, pp. 39303941, 2009.

[37] ROY, S. N. On a heuristic method of test construction and its use in
multivariate analysis. Ann. Math. Stat., vol. 24, no. 2, pp. 220-238, 1953.

[38] GUIMARES, D. A. and SOUZA, R. A. A.; Implementation-
Oriented Model for Centralized Data-Fusion Cooperative Spectrum
Sensing. IEEE Comm. Letters, vol. 16, no. 11, pp. 1804 -1807, November
2012.

[39] IEEE Standard for Information Technology--Telecommunications and
information exchange between systems 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.

[40] MICHAILOW, N. et al.; Generalized Frequency Division
Multiplexing: A Flexible Multi-Carrier Modulation Scheme for 5th
Generation Cellular Networks. in Proceedings of the German Microwave
Conference (GeMiC'12), Ilmenau, Germany, 2012.

[41] DATTA, R. et al.; Generalized Frequency Division Multiplexing in
Cognitive Radio. in Proceedings of the 20th European Signal Processing
Conference (EUSIPCO'12), Bucharest, Romania, 2012

[42] CHEN, S. S., DONOHO, D. L. and SAUNDERS, M. A.; Atomic
decomposition by basis pursuit. SIAM J. Sci. Comput., vol. 20,no. 1, pp.
33-61, 1999.

[43] GOLDSMITH, A. Wireless Communications. Cambridge, UK:
Cambridge University Press, 2006.

Dissertação Carlos Rafael

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Dissertação Carlos Rafael

Uploaded by

Copyright:

Available Formats

CARLOS RAFAEL NOGUEIRA DA SILVA

representa a inversa da funo distribuio cumulativa complementar

You might also like