Development of self-organizing methods for radio spectrum sensing

Abstract

A problem of wide-band radio spectrum analysis in real time was solved and presented in the dissertation. The goal of the work was to develop a spectrum sensing method for primary user emission detection in radio spectrum by investigating new signal feature extraction and intelligent decision making techniques. A solution of this problem is important for application in cognitive radio systems, where radio spectrum is analyzed in real time. In thesis there are reviewed currently suggested spectrum analysis methods, which are used for cognitive radio. The main purpose of these methods is to optimize spectrum description feature estimation in real-time systems and to select suitable classification threshold. For signal spectrum description analyzed methods used signal energy estimation, analyzed energy statistical difference in time and frequency. In addition, the review has shown that the wavelet transform can be used for signal pre-processing in spectrum sensors. For classification threshold selection in literature most common methods are based on statistical noise estimate and energy statistical change analysis. However, there are no suggested efficient methods, which let classification threshold to change adaptively, when RF environment changes. It were suggested signal features estimation modifications, which let to increase the efficiency of algorithm implementation in embedded system, by decreasing the amount of required calculations and preserving the accuracy of spectrum analysis algorithms. For primary signal processing it is suggested to use wavelet transform based features extraction, which are used for spectrum sensors and lets to increase accuracy of noisy signal detection. All primary user signal emissions were detected with lower than 1% false alarm ratio. In dissertation, there are suggested artificial neural network based methods, which let adaptively select classification threshold for the spectrum sensors. During experimental tests, there was achieved full signals emissions detection with false alarm ratio lower than 1%. It was suggested self-organizing map structure modification, which increases network self-training speed up to 32 times. This self-training speed is achieved due to additional inner weights, which are added in to self-organizing map structure. In self-training stage network structure changes especially fast and when topology, which is suited for given task, is reached, in further self-training iterations it can be disordered. In order to avoid this over -training, self-training process monitoring algorithms must be used. There were suggested original methods for self-training process control, which let to avoid network over-training and decrease self-training iteration quantity.

Disertacijoje sprendžiama plačios juostos radijo spektro analizės realiuoju laiku problema. Analizės metu siekiama spektre nustatyti sritis (juostas, kanalus) kuriuose nėra jokio pirminio vartotojo (angl. Primary User) signalo ir nuolat stebėti, ar analizuojamoje srityje neatsiranda nežinomas pirminio vartotojo signalas. Tokio pobūdžio problemos sprendžiamos kognityvinio radijo uždaviniuose, kai radijo dažnių ruožas analizuojamas realiuoju laiku. Disertacijoje apžvelgti šiuo metu siūlomi signalo spektro analizės metodai, skirti kognityviniam radijui. Šių metodų pagrindiniai iššūkiai – optimizuoti signalo spektro apibūdinimui naudojamų požymių skaičiavimą realiojo laiko sistemose ir parinkti tinkamą signalų klasifikatorius slenkstį. Signalų spektrui apibūdinti naudojamas signalo energijos skaičiavimas, analizuojamos statistinės energijos pokyčio laike savybės. Taip pat gali būti taikomas ir vilnelių transformacija grįstas signalų pirminis apdorojimas. Klasifikatoriaus slenksčiui parinkti literatūroje sutinkami metodai, grįsti statistiniais triukšmo įverčiais, energijos pokyčio analize, tačiau nėra pasiūlytų efektyvių metodų, leidžiančių klasifikatoriaus slenksčio reikšmes keisti adaptyviai, pakitus triukšmo lygiui analizuojamoje aplinkoje. Buvo pasiūlytos signalų požymių skaičiavimo patobulinimai, leidžiančios padidinti įgyvendinimo įterptinėje sistemoje efektyvumą, sumažinant reikiamų atlikti skaičiavimų apimtis, ir išlaikyti šiuos požymius naudojančio spektro analizės algoritmo efektyvumą. Pirminiam signalų apdorojimui pasiūlyti nauji vilnelių transformacija grįsti požymiai, skirti taikyti spektro jutikliuose ir leidžiantys padidinti signalų atpažinimo triukšme tikslumą. Naudojantis šiais požymiais pirminio vartotojo signalo visos emisijos aptiktos su mažesniu nei 1% klaidos santykiu. Pasiūlyti saviorganizuojančių neuronų (Kohonen) tinklų mokymusi grįsti metodai, leidžiantys spektro jutiklyje adaptyviai parinkti klasifikatoriaus slenkstį. Tinklų eksperimentuose pirminio vartotojo visos emisijos aptiktos su mažesniu nei 1% klaidos santykiu. Pasiūlyta saviorganizuojančio neuronų tinklo struktūros patobulinimai, leidžianti paspartinti tinklo mokymąsi iki 32 kartų. Tokia tinklo mokymosi sparta pasiekta dėl papildomų vidinių ryšių, kuriais buvo papildyta Kohonen tinklo struktūra. Mokymosi metu tinklo struktūra kinta ypač sparčiai ir pasiekusi topologiją, tinkamą iškeltam uždaviniui spręsti, tolesnio mokymosi metu šią topologiją gali išardyti. Siekiant išvengti tokio Kohonen tinklo persimokymo, reikia taikyti mokymo eigos stebėjimo algoritmus. Pasiūlyti originalūs metodai saviorganizuojančio neuronų tinklo mokymui sustabdyti, leidžiantys iš-vengti tinklo persimokymo ir sumažinti mokymui skirtų iteracijų skaičių.