Sensado de Espectro Local de Banda Ancha para Radios Cognitivos Multi-antena basado en Compleción de Matrices y Muestreo Sub-Nyquist Uniforme en el Dominio Disperso

Abstract

* Autor a quien debe ser dirigida la correspondenciaRecibido Sep. 30, 2016; Aceptado Dic. 1, 2016; Versión final Ene. 10, 2017, Publicado Jun. 2017 Resumen Este artículo aborda el problema de sensado de espectro local de banda ancha realizado por Radios Cognitivos de múltiples antenas, basado en muestreo sub-Nyquist uniforme en el dominio disperso y compleción de matrices. En el escenario de banda ancha, uno de los mayores problemas para realizar el sensado de espectro es el gran número de muestras a procesar cuando se realiza el muestreo de señales multibanda a tasa iguales o superiores a la tasa de Nyquist. Esto genera grandes tiempos de detección, altos consumos de energía y la necesidad de altas capacidades de procesamiento en los Dispositivos de Radio Cognitivo. Los resultados de simulación demuestran que el método propuesto permite realizar el sensado de espectro de manera eficiente, mejorando el desempeño del sensado. Palabras clave: compleción de matrices; muestreo sub-Nyquist; sensado de espectro; radio cognitivo Local Wideband Spectrum Sensing Algorithm for Multiantenna Cognitive Radios based on Matrix Completion and Uniform Sub-Nyquist Sampling in Sparse Domain AbstractThis article addresses the problem of spectrum local broadband sensing by Cognitive Radio of multiple antennas, based on matrix completion and uniform sub-Nyquist sampling in sparse domain. In the wideband environment, one of the biggest problems for spectrum sensing is the large number of samples to be processed when a multiband signal is sampled at or above the Nyquist rate. This generates large detection times, high-energy consumptions and the need for high processing capabilities in Cognitive Radio Devices. The simulation results show that the proposed method allows the efficient sensing of spectrum, improving performance sensing.

Una Revisión de los Estimadores de Matrices de Bajo Rango y Matrices Dispersas

“…La relación entre el número de entradas cero y el total de entradas es conocida como el nivel de dispersión o sparsity. La importancia de estas matrices radica en el impacto que tiene en la reducción en la complejidad de los algoritmos, la computación y el almacenamiento de las matrices (Arora et al, 2006;Drineas y Zouzias, 2011;Astaiza-Hoyos et al, 2017), por lo cual se ha convertido en una área muy activa de investigación que ha dado origen a nuevos métodos de muestreo, estimación y aprendizaje (Chen et al, 2015;Dasarathy et al, 2015;Gilbert y Indyk, 2010). De forma general podemos clasificar los esquemas de estimación de matrices dispersas de como umbral o aleatorios.…”