Otimização e aprendizado em redes de rádio cognitivo com elevado número de antenas

Página do item simplificado
dc.contributor.advisorAbrão, Taufik
dc.contributor.authorHernandes, Aislan Gabriel
dc.contributor.bancaCarvalho, Fabrício Braga Soares de
dc.contributor.bancaBrante, Glauber Gomes de Oliveira
dc.contributor.bancaMarinello Filho, José Carlos
dc.contributor.bancaProença Junior, Mário Lemes
dc.coverage.extent122 p.
dc.coverage.spatialLondrina
dc.date.accessioned2025-08-15T13:04:30Z
dc.date.available2025-08-15T13:04:30Z
dc.date.issued2022-06-29
dc.description.abstractNeste trabalho de tese, desenvolvemos uma análise de parâmetros e otimização do desempenho do sensoriamento espectral cooperativo (cooperative spectrum sensing, CSS) baseado no consenso médio distribuído (distributed average consensus, DAC), levando-se em consideração a topologia da rede, representado por matrizes de adjacência em redes de rádio cognitivo ad hoc. O desempenho do CSS é analisado pelas probabilidades de detecção, de falso alarme e de erro; além do limiar de decisão (threshold) e o número de amostras coletadas (samples). Para esta configuração, todos os usuários secundários são equipados com um simples detector de energia (energy detector, ED). Apesar da técnica DAC ter sido implantada com sucesso no contexto de CSS distribuído, no entanto, uma descrição analítica completa, levando-se em conta os efeitos conjuntos da topologia da rede e a otimizados dos parâmetros do sistema, ainda permanece desconhecida. Além disso, o limiar de decisão da rede CSS foi otimizado utilizando-se o critério de minimização da probabilidade de erro. Resultados numéricos baseados em simulações de Monte-Carlo (Monte-Carlo Simulation, MCS) corroboraram as expressões analíticas propostas. Na segunda parte propomos um esquema de sensoriamento espectral (spectrum sensing, SS) para sistemas de múltiplas antenas massivos (massive MIMO) baseado na otimização do limiar de decisão dado um subconjunto fixo de antenas e tamanho de amostra capaz de minimizar a probabilidade total de erro, sujeito a uma determinada probabilidade de detecção e falso alarme. Esta formulação resulta em um problema de otimização não linear (nonlinear optimization problem, NLP). Expressões empíricas baseadas no teorema do limite central (central limit theorem, CLT) com valores estimados para os parâmetros média e variância foram propostas tendo em vista obter o limite de decisão ótimo. Dois modos operacionais são propostos: modo que prioriza a eficiência espectral (spectral efficiency, SE), ou seja, baixo número de amostras combinado a um elevado número de antenas, implicando em um tempo de sensoriamento reduzido e um aumento na taxa de transmissão de dados; modo energeticamente eficiente (energy efficiency, EE), o que significa um número reduzido de antenas para sensoriamento e um maior número de amostras de processamento, enquanto as antenas restantes estão em modo de suspensão, economizando energia. Para resolver o NLP, um algoritmo baseado na programação quadrática sequencial (sequential quadratic programming, SQP) é proposto, sendo capaz de atingir a convergência em poucas iterações. Além disso, para lidar com antenas descalibradas, no contexto MIMO massivo são evocados detectores mais elaborados, incluindo o detector de Hadamard (Hadamard detector, HD), detector de volume (volume detector, VD) e o detector de covariância (covariance detector, CAV). Os parâmetros dos detectores são otimizados no sentido de otimizar o SS sujeito aos efeitos das antenas massivas descalibradas. Na terceira parte, implementamos uma rede neural convolucional (convolutional neural network, CNN) para aprender e refinar o teste estatístico SS em redes sem fio com múltiplos usuários primários (primary users, PUs) em um sistema com antenas massivas descalibradas nos usuários secundários (secondary users, SUs). O método SS baseado em aprendizado profundo (deep learning, DL) proposto utiliza uma arquitetura CNN com capacidade de extração de características das matrizes de covariância das amostras (sample covariance matrices, SCMs) calculadas à entrada da rede, melhorando o desempenho geral e a robustez. O método CNN-SS para antenas massivas proposto é comparado a outros nove métodos SS recentes para sistemas equipados com múltiplas antenas e comparado ainda a cinco metodologias recentes de SS baseadas em CNN.A relação desempenho-complexidade dos métodos SS propostos nesta etapa e de referência são corroborados por meio de MCS. O método CNN proposto sob antenas massivas descalibradas revela benefícios substanciais em relação aos métodos de referência, sendo competitivo em relação a outras metodologias CNN, tanto em termos de complexidade quanto de desempenho.
dc.description.abstractother1In this thesis work, we developed a parameter and optimization analyses with the objective of performance characterization of cooperative spectrum sensing (CSS) based on distributed average consensus (DAC), taking into account the cognitive network topology effect given by the adjacency matrices in ad hoc networks. CSS performance is considered by detection probability, false alarm probability and error probability; in addition to the decision criterion, given by the threshold and number of collected samples. We employ simple energy detection (ED). Despite DAC being deployed with success in distributed CSS networks, a complete description taking into consideration the defined network topology effects and system parameters effects remains unknown. Moreover, the decision threshold of the CSS network was optimized using the error probability minimization criterion. Numerical results based on Monte-Carlo simulations corroborate the proposed approximated analytical expressions. Furthermore, we propose a spectrum sensing (SS) design for a massive antenna system (massive MIMO) based on threshold optimization given a fixed subset of antennas and sample size capable of minimizing the total error probability subject to a given probability of detection and false alarm. This formulation results in a nonlinear optimization problem (NLP). Central limit theorem (CLT) is used to derive simple expressions with estimated values of mean and variance parameters aiming to find the optimal decision threshold. Two considered operational modes are proposed: a) spectral efficiency (SE) mode, that combine a high number of antennas, implying a reduced sensing time and an increase of the transmission data rate; b) energy efficient (EE) mode, which use a reduced number of sensing antennas and a large number of processing samples, saving energy. To solve the NLP, a sequential programming algorithm (SQP) is proposed, being able to attain convergence in few iterations. In addition, to deal with uncalibrated antennas, more elaborate detectors are invoked, including the Hadamard detector (HD), volume detector (VD) and the covariance detector (CAV). Such detector parameters are optimized in the sense of maximizing the SS subject to uncalibrated antennas effects. Finally, we implement a Convolutional Neural Network (CNN) to learn and adjust the statistical test in SS with multiple sources or primary users (PUs) system operating under massive uncalibrated antennas in the SU . The SS method based on deep learning (DL) is implemented by employing a CNN architecture that has the ability of extracting characteristics from sample covariance matrices (SCMs), improving overall performance and robustness. The proposed CNN is compared with nine state-of-the-art MIMO SS methodologies and with five state-of-art SS systems based on recent CNN topologies. The performance-complexity tradeoff of the proposed CNN method and of benchmark methods are corroborated through MCS. The proposed CNN method under uncalibrated massive antennas reveals substantial benefits over reference methods and it has demonstrated be competitive with other CNN methodologies. However, the proposed CNN-based SS detector results in computational complexity increasing. Thus, to be effective, such superior operational performance requires a very efficient processing structure.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/18917
dc.language.isopor
dc.relation.departamentCTU - Departamento de Engenharia Elétrica
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétrica
dc.subjectSensoriamento espectral cooperativo
dc.subjectConsenso médio distribuído
dc.subjectEficiência espectral
dc.subjectEficiência energética
dc.subjectLimiar de decisão
dc.subjectRede neural convolucional
dc.subjectMúltiplas antenas massivas
dc.subjectAntenas descalibradas
dc.subjectEngenharia elétrica
dc.subjectRádio cognitivo
dc.subject.capesEngenharias - Engenharia Elétrica
dc.subject.cnpqEngenharias - Engenharia Elétrica
dc.subject.keywordsCooperative spectrum sensing (CSS)
dc.subject.keywordsDistributed average consensus (DAC)
dc.subject.keywordsSpectral efficiency (SE)
dc.subject.keywordsEnergy efficiency (EE)
dc.subject.keywordsThreshold
dc.subject.keywordsConvolutional neural network (CNN)
dc.subject.keywordsMassive MIMO
dc.subject.keywordsUncalibrated antennas
dc.subject.keywordsElectrical engineering
dc.subject.keywordsCognitive rádios
dc.titleOtimização e aprendizado em redes de rádio cognitivo com elevado número de antenas
dc.title.alternativeOptimization and learning in cognitive radio networks with a high number of antennas
dc.typeTese
dcterms.educationLevelDoutorado
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_EEL_Dr_2022_Hernandes_Aislan_G.pdf
Tamanho:
1.51 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo. Id. 194032
Baixar
Nenhuma Miniatura disponível
Nome:
EN_EEL_Dr_2022_Hernandes_Aislan_G_Termo.pdf
Tamanho:
114.67 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização.
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

01 - Doutorado - Engenharia Elétrica