TU Darmstadt / ULB / TUbiblio

Spectrum Sensing in Cognitive Radio: Bootstrap and Sequential Detection Approaches

Suratman, F. Y. (2014)
Spectrum Sensing in Cognitive Radio: Bootstrap and Sequential Detection Approaches.
Technische Universität Darmstadt
Dissertation, Erstveröffentlichung

Kurzbeschreibung (Abstract)

In this thesis, advanced techniques for spectrum sensing in cognitive radio are addressed. The problem of small sample size in spectrum sensing is considered, and resampling-based methods are developed for local and collaborative spectrum sensing. A method to deal with unknown parameters in sequential testing for spectrum sensing is proposed. Moreover, techniques are developed for multiband sensing, spectrum sensing in low signal to noise ratio, and two-bits hard decision combining for collaborative spectrum sensing.

The assumption of using large sample size in spectrum sensing often raises a problem when the devised test statistic is implemented with a small sample size. This is because, for small sample sizes, the asymptotic approximation for the distribution of the test statistic under the null hypothesis fails to model the true distribution. Therefore, the probability of false alarm or miss detection of the test statistic is poor. In this respect, we propose to use bootstrap methods, where the distribution of the test statistic is estimated by resampling the observed data. For local spectrum sensing, we propose the null-resampling bootstrap test which exhibits better performances than the pivot bootstrap test and the asymptotic test, as common approaches. For collaborative spectrum sensing, a resampling-based Chair-Varshney fusion rule is developed. At the cognitive radio user, a combination of independent resampling and moving-block resampling is proposed to estimate the local probability of detection. At the fusion center, the parametric bootstrap is applied when the number of cognitive radio users is large.

The sequential probability ratio test (SPRT) is designed to test a simple hypothesis against a simple alternative hypothesis. However, the more realistic scenario in spectrum sensing is to deal with composite hypotheses, where the parameters are not uniquely defined. In this thesis, we generalize the sequential probability ratio test to cope with composite hypotheses, wherein the thresholds are updated in an adaptive manner, using the parametric bootstrap. The resulting test avoids the asymptotic assumption made in earlier works. The proposed bootstrap based sequential probability ratio test minimizes decision errors due to errors induced by employing maximum likelihood estimators in the generalized sequential probability ratio test. Hence, the proposed method achieves the sensing objective. The average sample number (ASN) of the proposed method is better than that of the conventional method which uses the asymptotic assumption. Furthermore, we propose a mechanism to reduce the computational cost incurred by the bootstrap, using a convex combination of the latest K bootstrap distributions. The reduction in the computational cost does not impose a significant increase on the ASN, while the protection against decision errors is even better. This work is motivated by the fact that the sequential probability ratio test produces a smaller sensing time than its counterpart of fixed sample size test. A smaller sensing time is preferable to improve the throughput of the cognitive radio network.

Moreover, multiband spectrum sensing is addressed, more precisely by using multiple testing procedures. In a context of a fixed sample size, an adaptive Benjamini-Hochberg procedure is suggested to be used, since it produces a better balance between the familywise error rate and the familywise miss detection, than the conventional Benjamini-Hochberg. For the sequential probability ratio test, we devise a method based on ordered stopping times. The results show that our method has smaller ASNs than the Bonferroni procedure. Another issue in spectrum sensing is to detect a signal when the signal to noise ratio is very low. In this case, we derive a locally optimum detector that is based on the assumption that the underlying noise is Student's t-distributed. The resulting scheme outperforms the energy detector in all scenarios. Last but not least, we extend the hard decision combining in collaborative spectrum sensing to include a quality information bit. In this case, the multiple thresholds are determined by a distance measure criterion. The hard decision combining with quality information performs better than the conventional hard decision combining.

Typ des Eintrags: Dissertation
Erschienen: 2014
Autor(en): Suratman, F. Y.
Art des Eintrags: Erstveröffentlichung
Titel: Spectrum Sensing in Cognitive Radio: Bootstrap and Sequential Detection Approaches
Sprache: Englisch
Referenten: Zoubir, Prof. Abdelhak ; Klein, Prof. Anja
Publikationsjahr: Februar 2014
Ort: Darmstadt
Verlag: Fachgebiet Signalverarbeitung
Datum der mündlichen Prüfung: 17 Januar 2014
URL / URN: http://tuprints.ulb.tu-darmstadt.de/3808
Kurzbeschreibung (Abstract):

In this thesis, advanced techniques for spectrum sensing in cognitive radio are addressed. The problem of small sample size in spectrum sensing is considered, and resampling-based methods are developed for local and collaborative spectrum sensing. A method to deal with unknown parameters in sequential testing for spectrum sensing is proposed. Moreover, techniques are developed for multiband sensing, spectrum sensing in low signal to noise ratio, and two-bits hard decision combining for collaborative spectrum sensing.

The assumption of using large sample size in spectrum sensing often raises a problem when the devised test statistic is implemented with a small sample size. This is because, for small sample sizes, the asymptotic approximation for the distribution of the test statistic under the null hypothesis fails to model the true distribution. Therefore, the probability of false alarm or miss detection of the test statistic is poor. In this respect, we propose to use bootstrap methods, where the distribution of the test statistic is estimated by resampling the observed data. For local spectrum sensing, we propose the null-resampling bootstrap test which exhibits better performances than the pivot bootstrap test and the asymptotic test, as common approaches. For collaborative spectrum sensing, a resampling-based Chair-Varshney fusion rule is developed. At the cognitive radio user, a combination of independent resampling and moving-block resampling is proposed to estimate the local probability of detection. At the fusion center, the parametric bootstrap is applied when the number of cognitive radio users is large.

The sequential probability ratio test (SPRT) is designed to test a simple hypothesis against a simple alternative hypothesis. However, the more realistic scenario in spectrum sensing is to deal with composite hypotheses, where the parameters are not uniquely defined. In this thesis, we generalize the sequential probability ratio test to cope with composite hypotheses, wherein the thresholds are updated in an adaptive manner, using the parametric bootstrap. The resulting test avoids the asymptotic assumption made in earlier works. The proposed bootstrap based sequential probability ratio test minimizes decision errors due to errors induced by employing maximum likelihood estimators in the generalized sequential probability ratio test. Hence, the proposed method achieves the sensing objective. The average sample number (ASN) of the proposed method is better than that of the conventional method which uses the asymptotic assumption. Furthermore, we propose a mechanism to reduce the computational cost incurred by the bootstrap, using a convex combination of the latest K bootstrap distributions. The reduction in the computational cost does not impose a significant increase on the ASN, while the protection against decision errors is even better. This work is motivated by the fact that the sequential probability ratio test produces a smaller sensing time than its counterpart of fixed sample size test. A smaller sensing time is preferable to improve the throughput of the cognitive radio network.

Moreover, multiband spectrum sensing is addressed, more precisely by using multiple testing procedures. In a context of a fixed sample size, an adaptive Benjamini-Hochberg procedure is suggested to be used, since it produces a better balance between the familywise error rate and the familywise miss detection, than the conventional Benjamini-Hochberg. For the sequential probability ratio test, we devise a method based on ordered stopping times. The results show that our method has smaller ASNs than the Bonferroni procedure. Another issue in spectrum sensing is to detect a signal when the signal to noise ratio is very low. In this case, we derive a locally optimum detector that is based on the assumption that the underlying noise is Student's t-distributed. The resulting scheme outperforms the energy detector in all scenarios. Last but not least, we extend the hard decision combining in collaborative spectrum sensing to include a quality information bit. In this case, the multiple thresholds are determined by a distance measure criterion. The hard decision combining with quality information performs better than the conventional hard decision combining.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Diese Dissertation beschäftigt sich mit fortschrittlichen Techniken der Spektrumerkundung (spectrum sensing) für kognitive Funkgeräte (cognitive radio). Untersucht wird insbesondere das in der Spektrumerkundung häufig auftretende Problem geringer Stichprobengrößen, zu dessen Bewältigung lokale und verteilte Resampling-Methoden vorgeschlagen werden. Ein weiterer Schwerpunkt der Arbeit liegt auf dem Entwurf sequenzieller Testverfahren, wenn entscheidende Parameter nur teilweise oder gar nicht bekannt sind. Des Weiteren werden Verfahren zur kanalübergreifenden (multiband) Spektrumerkundung, zur Spektrumerkundung bei niedrigem Signal-zu-Rausch-Abstand (SNR) und zur Fusion harter, lokaler Entscheidungen in verteilten Szenarien entwickelt.

Die Annahme großer Stichprobengrößen erweist sich in der Spektrumerkundung dann als problematisch, wenn die Teststatistik in der Praxis aus nur wenigen Beobachtung gewonnen wird. Der Grund hierfür ist, dass die asymptotische Verteilung der Teststatistik unter der Nullhypothese bei kleinen Stichprobengrößen nicht der tatsächlichen Verteilung entspricht. Entsprechend weicht die unter der asymptotischen Verteilung berechnete Wahrscheinlichkeit für Fehlalarm und Fehldetektion deutlich von der beobachteten ab. Wir schlagen daher die Verwendung von Bootstrapping vor, wobei die Verteilung der Testsstatistik durch Resampling der beobachteten Daten geschätzt wird. Für die lokale Spektrumerkundung entwickeln wir den Bootstrap Null-Resampling Test, welcher bessere Ergebnisse als der Bootstrap Pivot Test und der asymptotische Test zeitigt. Für die verteilte Spektrumerkundung schlagen wir eine auf Resampling basierende Variante der Chain-Varshney Fusionsregel vor. Zur Schätzung der lokalen Detektionswahrscheinlichkeiten der Nutzer eines kognitiven Systems wird eine Kombination aus unabhängigem Resampling und Resampling eines gleitenden Blocks von Beobachtungen vorgeschlagen. Bei einer großen Anzahl von verteilten Nutzern kann parametrisches Bootstrapping am zentralen Knoten (fusion center) durchgeführt werden.

Der klassische Sequential Probability Ratio Test entscheidet zwischen zwei einfachen Hypothesen. Realistisch gesehen treten in der Spektrumerkundung jedoch zusammengesetzte Hypothesen auf, da viele Systemparameter nicht exakt bekannt sind. In dieser Dissertation wird der Anwendungsbereich des Sequential Probability Ratio Test auf zusammengesetzte Hypothesen ausgeweitet. Dazu werden die Entscheidungsschwellen mit Hilfe des parametrischen Bootstraps kontinuierlich angepasst. Im Gegensatz zu den meisten existierenden Verfahren, beruht der vorgeschlagene Test daher nicht auf der Annahme, dass asymptotische Verteilungen vorliegen und minimiert so die Wahrscheinlichkeit von Fehlern, die durch ungenaue Parameterschätzungen entstehen. Dies gewährleistet eine verlässlichere Sprektrumerkundung bei gleichzeitiger Reduzierung der durchschnittlich benötigten Beobachten (average sample number, ASN). Des Weiteren schlagen wir eine Methode zur Senkung des Rechenaufwands vor-welcher notwendigerweise durch die Benutzung des Bootstraps entsteht-die für das Resampling eine Konvex-Kombination der letzten $K$ Bootstrap Verteilungen verwendet. Das Verfahren erhöht den ASN-Wert nur unmaßgeblich und bietet zudem einen erhöhten Schutz gegen Entscheidungsfehler. Motiviert ist diese Arbeit durch die Tatsache, dass der Sequential Probability Ratio Test eine geringere Zeit zur Datenerfassung benötigt als ein äquivalenter Test mit einer festen Anzahl von Beobachtungen. Eine möglichst schnelle Entscheidungsfindung ist in der Spektrumerkundung wünschenswert, da sie den Datendurchsatz in kognitiven Systemen steigert.

Im letzten Abschnitt werden drei Themen behandelt. Zuerst wird die kanalübergreifende Spektrumerkundung untersucht und mehrere Testvarianten vorgestellt. Für Tests mit einer feste Anzahl von Beobachtungen wird die Verwendung des adaptiven Benjamini-Hochberg Verfahrens vorgeschlagen, da es eine bessere Balance zwischen den systemweiten Wahrscheinlichkeiten für Fehlalarme und Fehldetektionen bietet als das konventionelle Benjamini-Hochberg Verfahren. Für sequenzielle Tests schlagen wir eine auf den geordneten Stoppzeiten der einzelnen Tests beruhende Methode vor. Simulationsergebnisse zeigen, dass dieses Verfahren einen geringen ASN-Wert erzielt als das Bonferroni-Verfahren. Ein weiteres Problem in der Spektrumerkundung ist die Detektion eines Signals bei sehr geringem SNR. Für diesen Fall leiten wir einen lokal optimalen Detektor für modulierte Signale in Student-t verteiltem Rauschen her, dessen Zuverlässigkeit deutlich höher ist als die des Energiedetektors. Schließlich erweitern wir das Verfahren zur Fusion harter (1-Bit) Entscheidungen in der verteilten Spektrumerkundung um ein weiteres Bit, welches die Verlässlichkeit der Entscheidung beschreibt. Die Entscheidungsschwellen werden anschließend mit Hilfe geeignete Distanzmaße bestimmt. Durch die Verwendung zusätzlicher Informationen (2-Bit) wird so eine höhere Performance erreicht als bei Verfahren, welche nur harte Entscheidungen (1-Bit) zulassen.

Deutsch
URN: urn:nbn:de:tuda-tuprints-38085
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik > Signalverarbeitung
18 Fachbereich Elektrotechnik und Informationstechnik
Zentrale Einrichtungen
18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Nachrichtentechnik
Exzellenzinitiative
Exzellenzinitiative > Graduiertenschulen > Graduate School of Computational Engineering (CE)
Exzellenzinitiative > Graduiertenschulen
Hinterlegungsdatum: 16 Feb 2014 20:55
Letzte Änderung: 22 Sep 2016 08:05
PPN:
Referenten: Zoubir, Prof. Abdelhak ; Klein, Prof. Anja
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 17 Januar 2014
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen