IMPACT OF THE THRESHOLD VALUE ON DETECTION PERFORMANCE IN EIGENVALUE BASED SENSING METHODS

Abstract

In today's communication systems, especially in wireless networks, have been proven as a result of measurements made in the radio frequency spectrum. This density means that there is space shortage for new services or technologies in the radio frequency spectrum. The main reason for this congestion in the frequency spectrum is the inefficient use of the radio frequency spectrum due to the fixed frequency assignment policies. Cognitive radio systems are the general name of technologies that have been developed in recent years to remedy the increasing spectral density. The purpose of this technology is to continuously monitor the radio frequency spectrum to evaluate free space. It is the initial phase of these technologies to perceive the frequency spectrum in the most accurate way in cognitive radio systems. Despite the use of very different methods in the literature for spectrum detection, eigenvalue spectrum detection is one of the most studied topics on the basis of some features. The selection of the threshold value directly affects the algorithm performance in the eigenvalue detection. In this study, the effect of different threshold values used for different eigenvalue detection methods on the algorithm performance is examined.

Keywords

• Detection Theory,Cognitive Radio,Tracy-Widom Distribution,Covariance Matrix,Spectrum Efficiency

ÖZDEĞER TABANLI ALGILAMA YÖNTEMLERİNDE EŞİK DEĞERİNİN ALGILAMA PERFORMANSINA ETKİSİ

Öz

Günümüz haberleşme sistemlerinin özellikle kablosuz ağlarda yoğunlaşması üzerine, radyo frekans spektrumunda yoğunluk oluştuğu yapılan ölçümler sonucunda kanıtlanmıştır. Meydana gelen bu yoğunluk radyo frekans spektrumunda yeni oluşturulacak servis veya teknolojiler için yer kıtlığı anlamına gelmektedir. Frekans spektrumundaki bu yoğunluğa temel sebep ise radyo frekans spektrumunun sabit frekans atama politikaları nedeni ile verimsiz kullanımıdır. Bilişsel radyo sistemleri ise son yılarda artan bu spektrum yoğunluğuna çare bulmak için geliştirilen teknolojilerin genel adıdır. Bu teknolojide amaç radyo frekans spektrumunu sürekli izleyerek boş alanların değerlendirilmesidir. Bilişsel radyo sistemlerinde frekans spektrumunu en doğru şekilde algılamak ise bu teknolojilerin başlangıç aşamasıdır. Spektrum algılama için literatürde çok farklı yöntemler kullanılmasına rağmen özdeğer tabanlı spektrum algılama bazı özellikleri nedeni ile üzerinde fazlaca çalışılan başlıklar arasındadır. Özdeğer tabanlı algılama da eşik değerinin seçimi algoritma performansını doğrudan etkilemektedir. Bu çalışmada farklı özdeğer tabanlı algılama yöntemleri için kullanılan farklı eşik değerlerinin algoritma performansına etkisi incelenmiştir. 

Anahtar Kelimeler

• Algılama Teorisi,Bilişsel Radyo,Tracy-Widom Olasılık Dağılımı,Kovaryans Matrisi,Spektrum Verimliliği

Kaynakça

1. [1] Cabric, D., (2008). Addressing Feasibility of Cognitive Radios. IEEE Signal Process. Mag., vol:25, no:6, pp:85–93.
2. [2] Mitola, J. and Maguire, G.Q., (1999). Cognitive Radio: Making Software Radios more Personal. IEEE Pers. Commun., vol:6, no:4, pp:13–18.
3. [3] Zeng, Y. and Liang, Y.C., (2010). Robust Spectrum Sensing in Cognitive Radio. IEEE 21st Int. Symp. Pers. Indoor Mob. Radio Commun. Work., pp: 1–8.
4. [4] Zeng, Y. and Liang, Y.C., (2009).Spectrum-sensing Algorithms for Cognitive Radio Based on Statistical Covariances. IEEE Trans. Veh. Technol., vol:58, no:4, pp:1804–1815.
5. [5] Sun, H., Nallanathan, A., Wang, C.X., and Chen, Y., (2013). Wideband Spectrum Sensing for Cognitive Radio Networks: a Survey. IEEE Wirel. Commun., vol:20, no:2, pp:74–81.
6. [6] Vito, L., (2013).Methods and Technologies for Wideband Spectrum Sensing. Meas. J. Int. Meas. Confed., vol:46, no:9, pp:3153–3165.
7. [7] Li, Y., Winters, J.H., and Sollenberger, N.R., (2002). MIMO-OFDM for Wireless Communications: Signal Detection with Enhanced Channel Estimation. IEEE Trans. Commun., vol:50, no:9, pp:1471–1477.
8. [8] Annamalai, A. and Olaluwe, A., (2013). On the Energy Detection of Unknown Signals in κ-μ And η-μ Fading Channels with Diversity Receivers. Int. Conf. Connect. Veh. Expo, ICCVE 2013 - Proc., pp: 127–132.

9. [9] Gibson, A. and Zafar, J., (2008). Cyclostationary spectrum Detection in Cognitive Radios. IET Semin. Cogn. Radio Softw. Defin. Radio Technol. Tech., Vol:1, no:1, pp:17–17.
10. [10] Charan, C. and Paney, R., (2016). Eigenvalue based Double Threshold Spectrum Sensing Under Noise Uncertainty for Cognitive Radio. Optik (Stuttg)., Vol:127, no:15, pp:5968–5975.
11. [11] Zeng, Y. and Liang, Y.C., (2009). Eigenvalue-based Spectrum Sensing Algorithms for Cognitive Radio. IEEE Trans. Commun., vol: 57, no:6, pp: 1784–1793.
12. [12] Pillay, N. and Xu H.J., (2012). Blind eigenvalue-based Spectrum Sensing for Cognitive Radio Networks. IET Commun., vol:6, no:11, pp:1388.
13. [13] Kortun, A., Sellathurai, M., Ratnarajah, T., and Zhong, C., (2012). Distribution of the Ratio of the Largest Eigenvalue to the Trace of Complex Wishart Matrices. IEEE Trans. Signal Process., vol:60, no:10, pp:5527–5532.
14. [14] Soltanmohammadi, E., Orooji, M., and Naraghi-Pour, M., (2013). Spectrum Sensing Over MIMO Channels Using Generalized Likelihood Ratio Tests, IEEE Signal Process. Lett., vol:20, no:5, pp:439–442.
15. [15] Kortun, A., Ratnarajah, T., Sellathurai, M., Liang, Y.C., and Zeng, Y., (2014). On the Eigenvalue-Based Spectrum Sensing and Secondary User Throughput. IEEE Trans. Veh. Technol., vol:63, no:3, pp:1480–1486.
16. [16] Deo, R.S., (2016). On the Tracy-Widom Approximation of Studentized Extreme Eigenvalues of Wishart Matrices. J. Multivar. Anal., vol:147, pp:265–272.