Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar

Serhat ERKÜÇÜK (Kadir Has Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Elektrik ve Elektronik Mühendisliği Bölümü, İstanbul, Türkiye)
Hakan Ali ÇIRPAN (İstanbul Üniversitesi, Mühendislik Fakültesi, Elektrik Elektronik Mühendisliği Bölümü, İstanbul, Türkiye)
6 6

Proje Grubu: EEEAG Sayfa Sayısı: 73 Proje No: 114E298 Proje Bitiş Tarihi: 01.01.2016 Metin Dili: Türkçe İndeks Tarihi: 10-03-2020

Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar

Öz:
Sıkıstırılmıs Algılama (Compressed Sensing, CS) teorisi, isaretin seyrek bölgede tanımlanabildigi durumlarda Nyquist hızından çok daha düsük hızlarda örneklenen isaretin basarılı bir sekilde geri kazanılabilecegi gerçegine dayanır. Bu dogrultuda gelisen genis bandlı spektrum algılama ve kanal kestirimi arastırma alanları, CS teorisinin iletisim arastırmalarında iki önemli uygulama alanı olmustur. Literatürde önerilmis CS tabanlı spektrum algılama çalısmalarının birçogu, enerji sezimini gerçeklestirebilmek için genis bandlı birincil kullanıcının isaretini, alt-örneklenmis örneklerinden yararlanarak yeniden elde etmek üzerine yogunlasır. Isaretin yeniden elde edilmesi, alıcı karmasıklıgını ve hesaplama süresini arttırabilir ki bu da enerji verimliliginin düsmesine neden olur. Diger taraftan literatürde önerilmis çesitli CS tabanlı kanal kestirim yaklasımları bulunmasına ragmen, yapılan çalısmaların birçogu kanal seyrekliginin ve kanal ortamı yapısının etkileriyle ilgilenmemistir. Gerçekten de seyreklik ve kanal parametrelerinin dagılımı, kanal kestirim performansını etkileyen en önemli faktörlerdendir. Bu durumları dikkate alarak, bu projede (i) genis bandlı birincil isaretin varlıgını, isaretin sıkıstırılmıs örneklerinden yararlanarak kestirmeye çalısan CS tabanlı spektrum algılamanın gerçeklemesine, ve (ii) kanal seyrekliginin ve kanal parametrelerinin etkilerini dikkate alan CS tabanlı kanal kestirim yöntemlerine odaklanılmıstır. CS tabanlı algılamada dogru sezme ve yanlıs alarm analizi gerçeklestirmek ve seyreklik ön bilgisi kullanarak kanal kestirimi gerçeklestirmek mevcut durumu iyilestiren özgün yaklasımlardır. Spektrum algılamada Bayesian sıkıstırılmıs algılama (Bayesian compressed sensing, BCS) teknigi genis band spektrum algılama için uygulanmıstır. Birincil kullanıcının sezim performansı isaret kestirim hatası ile sezim olasılıgı terimleriyle degerlendirilmistir. Geleneksel taban arayısı (basis pursuit, BP) teknigine ek olarak teorik alt sınırlar BCRB ve DL-MSE ile karsılastırılmıs ve üstünlügü ortaya konulmustur. Kanal kestiriminde seyrek ve sembolden sembole degisen kanallarda zamanda eszamanlanmıs OFDM (time domain synchronous OFDM, TDS-OFDM) sistemlerinin semboller arası girisim (inter-block-interference, IBI) içermeyen bölgeleri incelenerek kanal kestirim performansları iyilestirilmistir. Seyrek ve anlık degisen kanallarda ise Uzay Degisimli Genellestirilmis Beklenti-En Büyük Sonsal Olasılık (Space Alternating Generalized Expectation Maximization-Maximum a Posteriori, SAGEMAP) tabanlı algoritma gelistirilmis ve kanal katsayılarının ve çoklu yolların anlık degisimlerinin basarıyla takip edildigi ortaya konulmustur. Ayrıca, enerji verimliligi açısından, CS tabanlı algoritmalar (BP ve açgözlü algoritmalar) teorik alt sınırlarla ve birbirleriyle karsılastırılarak performans ve hesaplama süresi ödünlesimleri sunulmustur.
Anahtar Kelime: seyreklik enerji verimliligi kanal kestirimi spektrum algılama Sıkıstırılmıs algılama

Konular: Mühendislik, Elektrik ve Elektronik
Erişim Türü: Erişime Açık
  • Badic B., O’Farrell T., Loskot P., and He J. 2009. “Energy efficient radio access architectures for green radio: large versus small cell size deployment”, in Proc. IEEE VTC Fall, 1-5.
  • 1- Compressed Sensing Based Approaches for the Design of Energy Efficient Communication Systems (Bildiri - Uluslararası Bildiri - Poster Sunum),
  • Bajwa, W. U., Haupt, J, Sayeed, A. M., Nowak, R. 2010. “Compressed channel sensing: a new approach to estimating sparse multipath channels”, Proc. of the IEEE, 98 (6), 1058–1076.
  • 2- The Effect of Primary User Bandwidth on Bayesian Compressive Sensing Based Spectrum Sensing (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Bajwa W. U., Leus G., Scaglione A., Stojanovic M., and Tian Z. 2012. “Guest editorial: special issue on compressive sensing in communications,” Physical Commun., 5, 61 – 63.
  • 3- Achievable Performance of Bayesian CompressiveSensing Based Spectrum Sensing (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Baraniuk, R. G. 2007. “Compressive sensing [lecture notes]”, IEEE Signal Process. Mag., 24 (4), 118–121.
  • 4- Bayesian compressive sensing for primary user detection (Makale - Indeskli Makale), 5- Seyrek Isaret Geri Olusturma için Sıkıstırılmıs Algılama Tabanlı Algoritmaların Karsılastırılması (Bildiri - Ulusal Bildiri - Poster Sunum),
  • Basaran, M., Erkucuk, S., Cirpan, H. A. 2014. “Achievable performance of Bayesian compressive sensing based spectrum sensing”, IEEE Int. Conf. Ultra-WideBand (ICUWB), Paris, France, 86-90.
  • 6- Data-aided autoregressive sparse channel tracking for OFDM systems (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Basaran, M., Erkucuk, S., Cirpan, H. A. 2015. “The effect of primary user bandwidth on Bayesian compressive sensing based spectrum sensing”, Int. Congress Ultra Modern Telecommun. and Control Syst. (ICUMT), Brno, Czech Republic, 35–39.
  • 7- Effect of Inter-Block-Interference-free Region on Compressed Sensing Based Channel Estimation in TDS-OFDM Systems (Bildiri - Uluslararası Bildiri - Sözlü Sunum),
  • Basaran, M., Erkucuk, S., Cirpan, H. A. 2016. “Bayesian compressive sensing for primary user detection”, IET Signal Process., 10 (5), 514-523.
  • Candes, E. J., Romberg, J., Tao, T. 2006. “Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information”, IEEE Trans. Inf. Theory, 52 (2), 489-509.
  • Candes, E. J., Wakin, M. B. 2008. “An introduction to compressive sampling”, IEEE Signal Process. Mag., 25 (2), 21–30.
  • Carbonelli, C., Vedantam, S., Mitra, U. 2007. “Sparse channel estimation with zero-tap detection”, IEEE Trans. Wireless Commun., 6 (5), 1743-1763.
  • Cao, J., Lin, Z. 2014. “Bayesian signal detection with compressed measurements”, Inf. Sci., 289, 241-253.
  • Cao, J., Lin, Z. 2015, “Performance bound of multiple hypotheses classification in compressed sensing”, IEEE Int. Symp. Circuits Syst. (ISCAS), Lisbon, Portugal, 433-436.
  • Chen, S. S., Donoho, D. L., Saunders, M. A. 1998. “Atomic decomposition by basis pursuit”, Siam J. Scientfic Computing, 20 (1), 33–61.
  • Cotter S. F., Rao B. D.. 2002. "Sparse channel estimation via matching pursuit with application to equalization", IEEE Trans. Commun., 50(3), 374-377.
  • Cui S., Goldsmith A. J., and Bahai A. 2005. “Energy-constrained modulation optimization”, IEEE Trans. Wireless Commun., 4 (5), 2349–2360.
  • Dai, L., Wang, J., Wang, Z., Tsiaflakis, P., Moonen, M. 2013. “Time domain synchronous OFDM based on simultaneous multi-channel reconstruction”, IEEE Int. Conf. Commun. (ICC), Budapest, 2984-2989.
  • Dai, L., Wang, Z., Yang, Z. 2013. “Spectrally efficient time-frequency training OFDM for mobile large-scale MIMO systems”, IEEE J. Sel. Areas in Commun., 31 (2), 251-263.
  • Digham, F. F., Alouini, M. S., Simon, M. K. 2007. “On the energy detection of unknown signals over fading channels”, IEEE Trans. Commun., 55 (1), 21–24.
  • Donoho D. L. 2006. “Compressed sensing”, IEEE Trans. Inf. Theory, 52 (4), 1289-1306.
  • Elad M. 2010. “Sparse and redundant representations from theory to applications in signal and image processing”, New York: Springer Science Business Media, 35-76.
  • Fan, Z., Lu, Z., Hu, Y. 2014. “Reliable channel estimation based on Bayesian compressive sensing for TDS-OFDM systems”, IEEE Int. Conf. Commun. Syst. (ICCS), Macau, 620-624.
  • Farrag, M., Muta, O., El-Khamy, M., Furukawa H. 2014. “Wide-band cooperative compressive spectrum sensing for cognitive radio systems using distributed sensing matrix”, IEEE Vehicular Tech. Conf. (VTC Fall), Vancouver, Canada, 1–6.
  • Fessler J. A., Hero A.O. 1994. "Space-alternating generalized expectation-maximization algorithm", IEEE Trans. Signal Process., 42(10), 2664-2677, Oct. 1994.
  • Fletcher, T. 2009. “Relevance vector machines explained,” http://www.tristanfletcher.co.uk (Under Tutorial Papers), Son erişim tarihi: 18 Ekim 2016.
  • Gursoy M. C. 2009. “On the capacity and energy efficiency of training-based transmissions over fading channels”, IEEE Trans. Inf. Theory, 55 (10), 4543–4567.
  • Han, Y., Zhao, P., Sui, L., Fan, Z. 2014. “Time-varying channel estimation based on dynamic compressive sensing for OFDM systems”, IEEE Int. Symp. Broadband Multimedia Syst. and Broadcasting (BMSB), Beijing, 1-5.
  • Hogg, R. V., Craig, A. T. 1978. Introduction to Mathematical Statistics (4. Basım), New York, Macmillan Publishing.
  • Hong, S. 2010. “Multi-resolution bayesian compressive sensing for cognitive radio primary user detection”, IEEE Global Telecommun. Conf. (GLOBECOM), Florida, USA, 1–6.
  • Huang, D. T., Wu, S. H., Wang, P.H. 2010. “Cooperative spectrum sensing and locationing: A sparse bayesian learning approach”, IEEE Global Telecommun. Conf. (GLOBECOM), Florida, USA, 1–5.
  • ITU Radiocommunication Study Groups, 2003. “Guidelines and techniques for the evaluation of DTTB systems,” ITU-R Document 6E/TEMP/131-E.
  • Ji, S., Xue, Y., Carin, L. 2008. “Bayesian compressive sensing”, IEEE Trans. Signal Process., 56 (6), 2346–2356.
  • Karakus, C., Gurbuz, A. C. 2011. “Comparison of iterative sparse recovery algorithms”, in Proc. IEEE Signal Process. Comm. Appl. (SIU), 857-860.
  • Kay S. M. 1993. "Fundamentals of Statistical Signal Processing Volume I: Estimation Theory", New Jersey: Prentice Hall.
  • Lagunas, E., Najar, M. 2014. “Robust primary user identification using compressive sampling for cognitive radios”, IEEE Int. Conf. Acoustics, Speech and Signal Process. (ICASSP), Florence, Italy, 2347–2351.
  • Li G.Y., Xu, Z., Xiong C., Yang C., Zhang S., Chen Y., and Xu S. 2011. “Energy-efficient wireless communications: tutorial, survey, and open issues”, IEEE Wireless Commun., 18 (6), 28-35.
  • Mallat, S. G., Zhang, Z. 1993. “Matching pursuits with time-frequency dictionaries", IEEE Trans. Signal Process., 41 (12), 3397-3415.
  • Meshkati F., Poor H. V., and Schwartz S. C. 2007. “Energy-efficient resource allocation in wireless networks”, IEEE Signal Process. Mag., 24, (3), 58–68.
  • Miao G., Himayat N., Li G. Y., and Swami A. 2009. “Cross-layer optimization for energyefficient wireless communications: a survey”, Jour. Wireless Commun. Mobile Comput., 9 (4), 529–542.
  • Min, J., Wei, W., Qing, G. 2014. “A compressive sensing recovery algorithm based on sparse bayesian learning for block sparse signal”, Int. Symp. Wireless Personal Multimedia Commun. (WPMC), Sydney, Australia, 547–551.
  • Mitola, J., Maguire, G. Q. 1999. "Cognitive radio: making software radios more personal", IEEE Pers. Commun., 6 (4), 13-18.
  • Needell, D., Tropp, J. A. 2009. “CoSaMP: Iterative signal recovery from incomplete and inaccurate samples”, Applied and Computational Harmonic Analysis, 26 (3), 301-321.
  • Ozgor, M., Erkucuk, S., Cirpan, H. A. 2015. “Bayesian compressive sensing for ultra-wideband channel estimation: algorithm and performance analysis”, Telecommun. Syst., 59, 417–427.
  • Proakis, J. G. 2001. Digital Communications (4. Basım), USA, McGraw-Hill Series. Quan, Z., Cui, S., Poor, H. V., Sayed, A.H. 2008. "Collaborative wideband sensing for cognitive radios", IEEE Signal Process. Mag., 25 (6), 60-73.
  • Recommendation ITU-R BT.1306-6. 2011. “Error correction, data framing, modulation and emission methods for digital terrestrial television broadcasting”.
  • Senol H., Panayirci E., Poor H. V. 2012. "Nondata-aided joint channel estimation and equalization for OFDM systems in very rapidly varying mobile channels", IEEE Trans. Signal Process., 60(8), 4236-4253.
  • Senol H. 2015. "Joint channel estimation and symbol detection for OFDM systems in rapidly time varying sparse multipath channels", Wireless Personal Commun., 82(3), 1161-1178.
  • Sun, X., Luo, X., Guo, C. 2014. “Bayesian compressive sensing using adaptive threshold for block sparse wideband signal recovery”, Int. Workshop High Mobility Wireless Commun. (HMWC), Beijing, China, 68–72.
  • Tian Z., Giannakis G. 2007. “Compressed sensing for wideband cognitive radios”, IEEE Int. Conf. Acoustics, Speech and Signal Process. (ICASSP), Hawaii, USA, 1357–1360.
  • Tipping, M. E. 2001. “Sparse bayesian learning and the relevance vector machine”, J. Mach. Learning Research (JMLR), 1, 211–244.
  • Tropp J. A. and Gilbert A. C. 2007. "Signal recovery from random measurements via orthogonal matching pursuit", IEEE Trans. Info. Theory, 53(12), 4655-4666.
  • Vaswani N. 2008. "Kalman filtered compressed sensing". IEEE Intl. Conf. Image Process., 893-896.
  • Yilmaz, B., Erkucuk, S. 2013. “Detection of interdependent primary systems using wideband cognitive radios”, Int. J. Electron. Commun. (AEUE), 67, 926–936.
  • Yucek, T., Arslan, H. 2009. “A survey of spectrum sensing algorithms for cognitive radio applications”, IEEE Commun. Surveys Tuts., 11 (1), 116-130.
  • Zayyani, H., Babaie-Zadeh, M., Jutten, C. 2009. “Compressed sensing block map-lms adaptive filter for sparse channel estimation and a Bayesian Cramer-Rao bound,” IEEE Int. Workshop Mach. Learning for Signal Process. (MLSP), Grenoble, France, 1–6.
  • Zhou, L., Man, H. 2012. "Wide-band spectrum sensing using Neighbor Orthogonal Matching Pursuit", IEEE Sarnoff Symp. (SARNOFF), Newark, NJ, USA, 1-5.
  • 3GPP TR 25.814. 2006. “Technical Specification Group Radio Access Network; Physical Layer Aspects for Evolved Universal Terrestrial Radio Access (E-UTRA)”, 3rd Generation Partnership Project (3GPP), Release 7.
  • 3GPP TS 36.211. 2008. “Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation”, 3rd Generation Partnership Project (3GPP), Release 8.
APA ERKÜÇÜK S, ÇIRPAN H (2016). Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. , 1 - 73.
Chicago ERKÜÇÜK Serhat,ÇIRPAN Hakan Ali Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. (2016): 1 - 73.
MLA ERKÜÇÜK Serhat,ÇIRPAN Hakan Ali Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. , 2016, ss.1 - 73.
AMA ERKÜÇÜK S,ÇIRPAN H Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. . 2016; 1 - 73.
Vancouver ERKÜÇÜK S,ÇIRPAN H Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. . 2016; 1 - 73.
IEEE ERKÜÇÜK S,ÇIRPAN H "Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar." , ss.1 - 73, 2016.
ISNAD ERKÜÇÜK, Serhat - ÇIRPAN, Hakan Ali. "Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar". (2016), 1-73.
APA ERKÜÇÜK S, ÇIRPAN H (2016). Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. , 1 - 73.
Chicago ERKÜÇÜK Serhat,ÇIRPAN Hakan Ali Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. (2016): 1 - 73.
MLA ERKÜÇÜK Serhat,ÇIRPAN Hakan Ali Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. , 2016, ss.1 - 73.
AMA ERKÜÇÜK S,ÇIRPAN H Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. . 2016; 1 - 73.
Vancouver ERKÜÇÜK S,ÇIRPAN H Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar. . 2016; 1 - 73.
IEEE ERKÜÇÜK S,ÇIRPAN H "Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar." , ss.1 - 73, 2016.
ISNAD ERKÜÇÜK, Serhat - ÇIRPAN, Hakan Ali. "Enerji Verimli İletişim Sistemlerinin Tasarımı için Sıkıştırılmış Algılama Tabanlı Yaklaşımlar". (2016), 1-73.
Sayfa Oluşturulma Tarihi
24-04-2024 1:38

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları