|
|
Adaptive power and frequency allocation strategies in cognitive radio systems |
|---|---|
| Author: | Höyhtyä, Marko1 |
| Organizations: |
1University of Oulu, Faculty of Information Technology and Electrical Engineering, Department of Communications Engineering |
| Format: | ebook |
| Version: | published version |
| Language: | English |
| Published: |
Espoo : VTT Technical Research Centre of Finland,
2014
|
| Publish Date: | 2014-09-03 |
| Thesis type: | Doctoral Dissertation |
| Defence Note: | Thesis for the degree of Doctor of Science to be presented with due permission for public examination and criticism in OP-Sali (Auditorium L10) Linnanmaa, at the University of Oulu, on the 12th of September at 12 o’clock noon. |
| Tutor: |
Professor Jari Iinatti Professor Aarne Mämmelä |
| Reviewer: |
Professor Simon Haykin Professor Fernando Casadevall |
| Opponent: |
Professor Jyri Hämäläinen |
| Kustos: |
Professor Jari Iinatti |
| Description: |
AbstractThis doctoral thesis comprises a summary of novel results considering (1) channel selection in a cognitive radio system (CRS) using history information and (2) power allocation in a selected frequency band assuming a fading channel. Both can be seen as methods to manage interference between in-system users as well as to the users of other systems operating in the same geographical area and frequency band. Realization of CRSs that are using various methods to obtain information about environment and making intelligent decisions based on that information requires the use of adaptive transmission. Adaptive techniques proposed in this thesis enable efficient operation of CRSs in varying radio environment. History information and learning are essential factors to consider in the CRS design. Intelligent use of history information affects throughput, collisions and delays since it helps to guide the sensing and channel selection processes. In contrast to majority of approaches presented in the literature, this thesis proposes a classification-based prediction method that is not restricted to a certain type of traffic. Instead, it is a general method that is applicable to a variety of traffic classes. The work develops an optimal prediction rule for deterministic traffic pattern and maximum likelihood prediction rule for exponentially distributed traffic patterns for finding channels offering the longest idle periods for secondary operation. Series of simulations were conducted to show the general applicability of the rule to a variety of traffic models. In addition, the thesis develops a method for traffic pattern classification in predictive channel selection. Classification-based prediction is shown to increase the throughput and reduce the number of collisions with the primary user up to 70% compared to the predictive system operating without classification. In terms of the power allocation work, the thesis defines the transmission power limit for secondary users as a function of the detection threshold of a spectrum sensor as well as investigates theoretical water-filling and truncated inverse power control methods. The methods have been optimized using rational decision theory concepts. The main focus has been on the development and performance comparison of practical inverse power control methods for constant data rate applications. One of the key achievements of the work is the development of the filtered-x LMS (FxLMS) algorithm based power control. It can be seen as a generalized inverse control to be used in power control research, giving a unified framework to several existing algorithms as well. see all
TiivistelmäTämä väitöskirja sisältää yhteenvedon tuloksista koskien 1) historiatietoa käyttävää kanavanvalintaa kognitiiviradiojärjestelmässä ja 2) tehon allokointia valitulla taajuuskanavalla häipyvässä kanavassa. Molemmat menetelmät auttavat häiriönhallinnassa sekä järjestelmän omien käyttäjien välillä että muiden samalla alueella toimivien järjestelmien suhteen. Ympäristötietoa useilla eri menetelmillä keräävien ja tämän tiedon mukaan älykkäitä päätöksiä tekevien kognitiiviradiojärjestelmien toteuttaminen vaatii adaptiivisten lähetystekniikoiden käyttöä. Väitöskirjassa ehdotettujen adaptiivisten menetelmien käyttö mahdollistaa kognitiiviradiojärjestelmien tehokkaan toiminnan vaihtuvassa radioympäristössä. Historiatiedot ja oppiminen ovat olennaisia kognitiiviradiojärjestelmän suunnittelussa huomioitavia asioita. Älykäs historiatietojen käyttö vaikuttaa kapasiteettiin, törmäyksiin ja viiveisiin, koska se auttaa ohjaamaan sensorointia ja kanavanvalintaprosessia. Toisin kuin valtaosa kirjallisuuden menetelmistä, väitöskirja ehdottaa luokitteluun perustuvaa menetelmää, joka ei rajoitu tiettyyn liikennemalliin. Ehdotettu menetelmä on yleinen ja toimii useiden liikenneluokkien kanssa. Työssä on kehitetty optimaalinen ennustussääntö deterministiselle liikenteelle ja suurimman uskottavuuden estimaatti eksponentiaalisesti jakautuneelle liikenteelle, kun tavoitteena on löytää lähetyskanavat, jotka tarjoavat mahdollisimman pitkät vapaat ajat sekundääristä käyttöä varten. Väitöskirja osoittaa simulointien avulla sääntöjen soveltuvan myös muille malleille. Lisäksi työssä on kehitetty luokittelumenetelmä liikennemalleille ja osoitettu luokitteluun perustuvan ennustavan kanavanvalinnan lisäävän kapasiteettia ja vähentävän törmäyksiä primäärisen käyttäjän kanssa jopa 70 % verrattuna luokittelemattomaan ennustavaan kanavanvalintaan. Tehoallokointityössä on määritelty lähetystehorajoja sekundäärisille käyttäjille spektrin sensoroinnin ilmaisukynnyksen funktiona ja tutkittu teoreettista täyttömenetelmää ja katkaistua kanavainversiomenetelmää. Menetelmiä on optimoitu käyttäen rationaalista päätösteoriaa. Pääfokus tehonsäätötyössä on ollut käytännöllisten vakiodatanopeutta käyttävien inverssimenetelmien kehittämisessä ja suorituskykyvertailuissa. Yksi väitöskirjatyön pääsaavutuksista on ollut FxLMS-algoritmiin perustuvan tehonsäätömenetelmän kehittäminen. Sen voi katsoa olevan yleinen inverssisäätöalgoritmi, jonka erikoistapauksina saadaan määriteltyä monet käytännölliset algoritmit. see all
|
| Series: |
VTT Science |
| ISSN: | 2242-119X |
| ISSN-E: | 2242-1203 |
| ISSN-L: | 2242-119X |
| ISBN: | 978-951-38-8268-6 |
| ISBN Print: | 978-951-38-8267-9 |
| Issue: | 61 |
| Subjects: |