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 ¡ ¡

Motivation ¡ Lots ¡of ¡wireless ¡services ¡ ¡ ¡ Inflexible ¡regula$on ¡ ¡ ¡ Limited ¡availability ¡of ¡spectrum ¡ Services ¡ Exorbitant ¡prices ¡ Service ¡ Service ¡nº1 ¡ Service ¡nº2 ¡ Service ¡nº4 ¡ nº3 ¡ Frequency ¡ ¡ CROWDED ¡RADIO ¡FREQUENCY ¡SPECTRUM ¡

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

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. ¡ Compressive ¡Sensing ¡ Primary ¡Users ¡ Frequency ¡ ¡ SPARSE ¡RADIO ¡FREQUENCY ¡SPECTRUM ¡

Compressive ¡Sensing ¡ x ¡ y ¡ ADC ¡ Compression ¡ Candes Romberg Tao Donoho Compressive ¡Sensing ¡ • ¡ ¡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$onal ¡Approach ¡ Primary ¡User ¡ Frequency ¡ ¡ Time ¡domain ¡data ¡ Time ¡domain ¡data ¡ Frequency ¡domain ¡data ¡ Sub-­‑Nyquist ¡sampling ¡ Fourier ¡basis ¡ Frequency ¡ loca$ons ¡ ¡

Conven$onal ¡Approach ¡ Unlicensed ¡User!! ¡ Frequency ¡ ¡ Time ¡domain ¡data ¡ Sub-­‑Nyquist ¡sampling ¡ Fourier ¡basis ¡ Unlicensed ¡ User!! ¡

Our ¡approach ¡ Unlicensed ¡User!! ¡ Primary ¡User ¡ Frequency ¡ ¡ data ¡ Sub-­‑Nyquist ¡sampling ¡ Spectral ¡Shape ¡basis ¡ Frequency ¡ loca$ons ¡ ¡

Spectral ¡Matching ¡Detec$on ¡ Sub-­‑Nyquist ¡ Correlation ¡ Receiver ¡ Estimation ¡ Frequency ¡ loca$ons ¡ ¡ Primary ¡user ¡baseband ¡correlaCon ¡

Sparsity-­‑Based ¡Primary ¡User ¡Detec$on ¡ Sparsity ¡ Enforcing ¡posiCve ¡semidefinite ¡ residual ¡correlaCon ¡ Weighted ¡L1-­‑norm ¡with ¡ weights… ¡

Sparsity-­‑Based ¡Primary ¡User ¡Detec$on ¡ Solved ¡with ¡Weighted ¡Orthogonal ¡Matching ¡Pursuit ¡(WOMP) ¡ WOMP ¡is ¡an ¡iteraCve ¡algorithm. ¡ • ¡ ¡The ¡weights ¡ensure ¡that ¡the ¡licensed-­‑holder ¡users ¡are ¡selected ¡before ¡the ¡ interference. ¡ • ¡ ¡If ¡a ¡licensed-­‑holder ¡user ¡is ¡selected, ¡the ¡weighted ¡l1-­‑norm ¡will ¡increase ¡ one ¡point ¡with ¡respect ¡to ¡the ¡weighted ¡l1-­‑norm ¡of ¡the ¡previous ¡itera$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 ¡