Universitat Politcnica de Catalunya (UPC), Barcelona, SPAIN - - PowerPoint PPT Presentation

Eva ¡Lagunas ¡and ¡Montse ¡Nájar ¡

¡Universitat ¡Politècnica ¡de ¡Catalunya ¡(UPC), ¡Barcelona, ¡SPAIN ¡

Outline ¡

• ¡ ¡Mo$va$on ¡
• ¡ ¡Objec$ve ¡
• ¡ ¡CS-­‑based ¡primary ¡user ¡detec$on ¡
• ¡ ¡Simula$on ¡Results ¡
• ¡ ¡Conclusions ¡& ¡Future ¡Work ¡

¡

Service ¡ nº3 ¡

Motivation ¡

Frequency ¡ ¡ Service ¡nº1 ¡ Service ¡nº2 ¡ Service ¡nº4 ¡ CROWDED ¡RADIO ¡FREQUENCY ¡SPECTRUM ¡

Lots ¡of ¡wireless ¡services ¡ ¡ ¡ Inflexible ¡regula$on ¡ ¡ ¡ Limited ¡availability ¡of ¡spectrum ¡ Exorbitant ¡prices ¡

Services ¡

Motivation ¡

Frequency ¡ ¡ CROWDED ¡RADIO ¡FREQUENCY ¡SPECTRUM ¡ Time ¡ CogniCve ¡Radio ¡

Objec$ve ¡

The ¡objec$ve ¡of ¡this ¡work ¡is ¡to ¡be ¡able ¡to ¡properly ¡decide ¡whether ¡the ¡primary ¡ user ¡is ¡present ¡or ¡not ¡from ¡a ¡reduced ¡number ¡of ¡observa$ons. ¡ Frequency ¡ ¡ Primary ¡Users ¡ SPARSE ¡RADIO ¡FREQUENCY ¡SPECTRUM ¡

Compressive ¡Sensing ¡

Compressive ¡Sensing ¡

Candes Romberg Tao Donoho ADC ¡ Compression ¡

Compressive ¡Sensing ¡ x ¡ y ¡

• ¡ ¡CS ¡theory ¡allows ¡sub-­‑Nyquist ¡sampling. ¡
• ¡ ¡CS ¡allows ¡a ¡reduc$on ¡on ¡the ¡data ¡to ¡be ¡processed. ¡

data ¡ sparse ¡ vector ¡

Sub-­‑Nyquist ¡ sampling ¡ Basis ¡where ¡the ¡ signal ¡is ¡sparse ¡

Conven$onal ¡Approach ¡

Frequency ¡ ¡ Primary ¡User ¡

Time ¡domain ¡data ¡ Frequency ¡ loca$ons ¡ ¡ Fourier ¡basis ¡ Sub-­‑Nyquist ¡sampling ¡ Time ¡domain ¡data ¡ Frequency ¡domain ¡data ¡

Conven$onal ¡Approach ¡

Frequency ¡ ¡ Unlicensed ¡User!! ¡

Time ¡domain ¡data ¡ Fourier ¡basis ¡ Sub-­‑Nyquist ¡sampling ¡

Unlicensed ¡ User!! ¡

Our ¡approach ¡

Frequency ¡ ¡ Primary ¡User ¡ data ¡

Frequency ¡ loca$ons ¡ ¡ Spectral ¡Shape ¡basis ¡ Sub-­‑Nyquist ¡sampling ¡

Unlicensed ¡User!! ¡

Spectral ¡Matching ¡Detec$on ¡

Sub-­‑Nyquist ¡ Receiver ¡ Correlation ¡ Estimation ¡

Primary ¡user ¡baseband ¡correlaCon ¡

Frequency ¡ loca$ons ¡ ¡

Sparsity-­‑Based ¡Primary ¡User ¡Detec$on ¡

Sparsity ¡ Enforcing ¡posiCve ¡semidefinite ¡ residual ¡correlaCon ¡ Weighted ¡L1-­‑norm ¡with ¡ weights… ¡

Sparsity-­‑Based ¡Primary ¡User ¡Detec$on ¡

Solved ¡with ¡Weighted ¡Orthogonal ¡Matching ¡Pursuit ¡(WOMP) ¡

WOMP ¡is ¡an ¡iteraCve ¡algorithm. ¡

• ¡ ¡The ¡weights ¡ensure ¡that ¡the ¡licensed-­‑holder ¡users ¡are ¡selected ¡before ¡the ¡
• interference. ¡
• ¡ ¡If ¡a ¡licensed-­‑holder ¡user ¡is ¡selected, ¡the ¡weighted ¡l1-­‑norm ¡will ¡increase ¡
• ne ¡point ¡with ¡respect ¡to ¡the ¡weighted ¡l1-­‑norm ¡of ¡the ¡previous ¡itera$on. ¡

Proposed ¡stopping ¡criterion: ¡

Simula$on ¡Results ¡

Primary ¡User ¡occupancy: ¡ ¡50% ¡ ¡ ¡Landau’s ¡Lower ¡Bound ¡Rate: ¡ ¡0.5*Nyquist ¡!!! ¡

Simula$on ¡Results ¡à ¡ρ=0.5 ¡

How ¡people ¡usually ¡apply ¡CS ¡to ¡spectrum ¡sensing…. ¡

Compression ¡Rate ¡ ¡à ¡ρ=0.5 ¡

Compression ¡Rate ¡ ¡à ¡ρ=0.5 ¡

• ¡ ¡Same ¡scenario ¡
• ¡ ¡Same ¡stopping ¡rule ¡
• ¡ ¡1000 ¡Monte ¡Carlo ¡runs ¡

¡

Conclusions ¡

• ¡ ¡We ¡address ¡the ¡problem ¡of ¡monitoring ¡the ¡licensed ¡holder ¡activity ¡in ¡open ¡

spectrum ¡communications. ¡ ¡

• ¡ ¡Compressive ¡ Sensing ¡ (CS) ¡ has ¡ been ¡ successfully ¡ applied ¡ to ¡ alleviate ¡ the ¡

sampling ¡ bottleneck ¡ in ¡ wideband ¡ spectrum ¡ sensing ¡ leveraging ¡ the ¡ sparsity ¡ described ¡by ¡the ¡low ¡spectral ¡occupancy ¡of ¡the ¡licensed ¡radios. ¡

¡ ¡Future ¡Work ¡

• ¡ ¡Stopping ¡criterion ¡should ¡be ¡further ¡investigated ¡in ¡future ¡research. ¡
• ¡ ¡Theore$cal ¡analysis ¡of ¡the ¡technique. ¡ ¡
• ¡ ¡Further ¡tests ¡on ¡the ¡performance ¡of ¡the ¡proposed ¡technique. ¡
• ¡ ¡Study ¡other ¡convex ¡optimization ¡options. ¡

Questions? ¡

Eva ¡Lagunas, ¡PhD ¡Student ¡ eva.lagunas@upc.edu ¡