Modelo de muestreo comprimido multiespectral para radio cognitiva

• Jeison Marin ^[1] ; Leonardo Betancur ^[1] ; Henry Arguello ^[2]
  1. [1] Universidad Pontificia Bolivariana

     Universidad Pontificia Bolivariana

     Colombia

     
  2. [2] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: Ingeniare: Revista Chilena de Ingeniería, ISSN-e 0718-3305, ISSN 0718-3291, Vol. 26, Nº. 2, 2018, págs. 225-240
• Idioma: español
• Títulos paralelos:
  • Compressed sensing multiespectral model for cognitive radio networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La radio cognitiva es una de las técnicas más prometedoras para optimizar el uso del espectro. Sin embargo, la gran cantidad de información espectral que es necesario analizar para identificar y asignar porciones espectrales hace que se incrementen los tiempos de asignación de canal debido al previo procesamiento de los datos y, por lo tanto, no sea posible ofrecer servicio a todos los dispositivos que lo requieran. El muestreo comprimido, por su parte, es una técnica que permite la reconstrucción de señales dispersas o compresibles usando un número menor de muestras que las requeridas por el criterio de Nyquist. En este trabajo se presenta un nuevo modelo que usa muestreo comprimido multiespectral para el sensado del espectro radioeléctrico en radio cognitiva, que mejora los tiempos de sensado y asignación de canal al disminuir el tamaño de los datos necesarios para reconstruir la información espectral de potencia a distintas bandas. Este modelo se basa en arquitecturas que usan muestreo comprimido para analizar imágenes multiespectrales. Se propone la operación de un gestor espectral centralizado que mediante patrones binarios selecciona o descarta los datos de potencia de diferentes radios definidos por software ubicados en diferentes posiciones geográficas. El gestor espectral, con base en las muestras tomadas y aplicando las técnicas de muestreo comprimido multiespectral, reconstruye un cubo de datos con la información de potencia transmitida y frecuencia de operación de todos los usuarios. Los resultados muestran que es posible esta reconstrucción utilizando solo 50% de las muestras generadas por todos los dispositivos, y que la información se puede almacenar usando solo 6,25% del total de datos originales.

  • English

    Cognitive Radio is one of the most promising techniques for optimizing the use of spectrum. However, the large amount of spectral information that must be processed to identify and assign spectral components makes the channel assignment's times to be increased due to the previous processing of this data and therefore cannot provide service to the devices that require it. Meanwhile, the compressed sampling is a technique that allows the reconstruction of sparse or compressible signals using fewer samples than those required by the Nyquist criterion. This paper presents a new model that uses compressed multispectral sampling for radio-electric spectrum sensing in cognitive radio that improves sensing and channel assignment times, decreasing the number of data required for reconstructing the power spectral information in different bands. This model is based on architectures that use a compressed sample to analyze multispectral images. The operation of a centralized manager is presented to select the power data of different software defined radios (SDR) by binary patterns. These SDRs are in different geographical positions. The centralized manager reconstructs a data cube with the transmitted power and operation's frequency of all the users based on the samples taken and applying multispectral sensing techniques. The results show that this multispectral data cube can be built with only a 50% of the samples generated by the devices, and can be stored using only a 6.25% of the original data.