Bilişsel radyo uygulamaları için yüksek düzey kümülant tabanlı sınıflandırma

Abstract

Modern iletişim sistemleri, kablosuz teknoloji uygulamalarındaki büyük gelişme nedeniyle çok hızlı değişikliklere tanık olmuştur. Bu gelişmeler spektrumun kıtlığına ve verimsizliğine neden olmuştur. Bilişsel Radyo (BR), yüksek spektral verimliliği korumak ve spektrum kıtlığını tedavi etmek için en iyi çözümlerden biri olarak önerilmektedir. BR, kanal yetkili kullanıcısının spektrum kanalını ihtiyaçlarının dışında kaldığında yetkisiz kullanıcıya kullanabilmesi için tahsis eder. Fakat spektrum paylaşımı sinyal paraziti olmadan tamamlanmalıdır. Bu nedenle, BR, frekans spektrumunun düzgün yönetimi ve parazitten kaçınma için birçok algılama tekniğine sahiptir. Başlıca algılama teknikleri; Enerji Algılama (EA), Eşleştirilmiş Filtre Algılama (EFA) ve Özellik Tabanlı Algılama (ÖTA) olarak sınıflandırılabilir. Genel olarak algılama tekniklerinin özellikleri irdelendiğinde uygulama alnına göre her birinin avantajları ve sınırlamaları olduğu söylenebilir. Bu tezde, bir ÖTA için makine öğrenmenin kullanıldığı yeni bir yöntem önerilmiştir. Önerilen yöntemin etkinliğinin değerlendirilebilmesi için bir MATLAB ortamında benzetimler gerçekleştirilmiştir. Bu amaçla, öncelikle çeşitli gürültülü kanallarla farklı modülasyon şemaları oluşturulmuştur. Daha sonra, gürültülü kanallarındaki bozuk sinyallerden yüksek dereceli momentlerin ve kümülantların çıkarılması sağlanmıştır. Bu özellikler, sinyal ve gürültüyü ayırt etmedeki güçlerine göre seçilmiştir. Tespit sonuçları, destek vektör makine (DVM) sınıflandırıcısında kullanılarak dedektörden elde edilen tespit olasılıkları (Pd) hesaplanmıştır. En yüksek Pd değerinin, istatistiksel tespitte 3 yüksek dereceli kümülant ile elde edilebileceği gösterilmiştir. Aynı Pd değeri, işlenen veri miktarını azaltan ve detektör karmaşıklığını basitleştiren 1 yüksek dereceli kümülant ile DVM sınıflandırıcısı kullanılarak elde edilebilmektedir.

Modern communication systems have witnessed dramatic changes due to the huge development of wireless technologies applications. These developments caused the scarceness of the spectrum and its inefficiency. However, cognitive radio (CR) is proposed as one of the best solutions to maintain high spectral efficiency (SE), and to treat spectrum scarcity. CR delivers the service to the unauthorized user to utilize the spectrum channel when the channel is out of the needs of the authorized user. However, spectrum sharing needs to be completed without signal interference. Thus, CR has many detection techniques for proper management of the frequency spectrum and interference avoidance. The major detection techniques of CR are Energy Detection (ED), Matched-filter Detection (MFD), and Feature-based Detection (FBD). In practice, each one of them has its own advantages and limitations. In this thesis, the use of statistical features in Machine Learning (ML) is proposed for a FBD. A MATLAB simulation is conducted to evaluate the effectiveness of the proposed detector. To this end, firstly, various modulation schemes with various noisy channels are generated. Then, the high-order moments and cumulants are extracted from the corrupted signals in noisy channels. In fact, these features are selected according to their strength in distinguishing between the signal and noise. The detection outcomes are employed in the support vector machine (SVM) classifier and the probability of detection (Pd) is obtained. The highest Pd value is achieved with 3 high-order cumulants in statistical detection. The same Pd value is obtained using SVM classifier by 1 high-order cumulant which reduces the amount of the processed data and simplify the detector complexity.