АВТОМАТИЧНИЙ АНАЛІЗ ЗАВАНТАЖЕНОСТІ РАДІОЧАСТОТНОГО СПЕКТРА ТА СЕЛЕКЦІЯ СИГНАЛІВ

Автор(и)

DOI:

https://doi.org/10.46972/2076-1546.2023.25.01

Ключові слова:

радіочастотний спектр, завантаженість смуги частот, селекція сигналів, тестова статистика, частотний канал

Анотація

Постійне збільшення кількості радіоелектронних засобів призводить до зростання завантаженості радіочастотного спектра й ускладнення радіоелектронної обстановки. За таких умов для оперативного виявлення та селекції радіосигналів у системах радіомоніторингу необхідно використовувати автоматичні алгоритми. Метою статті є розроблення алгоритмів і рекомендацій щодо їх практичної реалізації для автоматизації процесу аналізу завантаженості радіочастотного спектра та селекції сигналів у широкому динамічному діапазоні за високої завантаженості смуги частот аналізу в умовах апріорної невизначеності щодо рівня шуму. Для досягнення поставленої мети було розроблено узагальнений алгоритм аналізу радіочастотного спектра, алгоритм оброблення в частотній області, алгоритм аналізу частотних каналів, а також наведено приклади аналізу ділянки спектра з високою завантаженістю та надано рекомендації щодо реалізації розроблених алгоритмів. Залежно від мінливості потужності шуму в смузі частот аналізу передбачено адаптивну зміну часового інтервалу його оцінювання, що зменшить обчислювальну складність. В умовах нерівномірного рівня шуму або широкого динамічного діапазону сигналів для аналізу частотних каналів запропоновано використовувати спеціальну тестову статистику для визначення їх заповненості. У ході експериментальних досліджень було проаналізовано записи у смугах частот 900 МГц, 1800 МГц та 2100 МГц. Встановлено, що розроблені алгоритми забезпечують правильне оцінювання завантаженості визначених ділянок радіочастотного спектра та селекцію сигналів за їх динамічного діапазону не менше 35 дБ і завантаженості до 92%. Запропоновані алгоритми не вимагають калібрування апаратури у разі коливань характеристик окремих елементів системи та зміни радіоелектронної обстановки і можуть бути реалізовані в наявних та перспективних автоматичних системах радіомоніторингу

Посилання

Captain, K. M., & Joshi M. V. (2022). Spectrum Sensing for Cognitive Radio. Fundamentals and Applications. CRC Press. https://doi.org/10.1201/9781003088554

Liang, Y.-C. (2020). Dynamic Spectrum Management. From Cognitive Radio to Blockchain and Artificial Intelligence. Springer.

Elmasry, F. G. (2021). Dynamic Spectrum Access Decisions. Local, Distributed, Centralized, and Hybrid Designs. JohnWiley & Sons Ltd. http://dx.doi.org/10.1002/9781119573784

Arkwazee, M., Ilyas, M., & Jasim, A. D. (2022). Automatic Spectrum Sensing Techniques Using Support Vector Machine In Cognitive Radio Network. In 2nd Int. Conf. on Adv. in Elect., Com., Comm. and Sust. Techn. (ICAECT-2022). Bhilai, India. (pp. 1–6). https://doi.org/10.1109/ICAECT54875.2022.9807922

Yakkati, R. R., Tripathy, R. K., & Cenkeramaddi, L. R. (2022). Radio Frequency Spectrum Sensing by Automatic Modulation Classification in Cognitive Radio System Using Multiscale Deep CNN. IEEE Sensors Journal, vol. 22, № 1, 926‒938. https://doi.org/10.1109/JSEN.2021.3128395

Sun, M., Zhao, C., Yan, S., & Li, B. (2017). A Novel Spectrum Sensing for Cognitive Radio Networks With Noise Uncertainty. IEEE Transactions on Vehicular Technology, vol. 66, № 5, 4424‒4429. https://doi.org/10.1109/TVT.2016.2596789

Zheng, Q., Wang, H., Elhanashi, A., Saponara, S., & Zhang, D. (2022). An Intelligent Non-cooperative Spectrum Sensing Method Based on Convolutional Auto-encoder (CAE). In: Saponara, S., De Gloria, A. (eds) Applications in Electronics Pervading Industry, Environment and Society. ApplePies 2021. Lecture Notes in Electrical Engineering, vol 866. Springer, Cham. https://doi.org/10.1007/978-3-030-95498-7_1

Lin M., Zhang X., Tian Y., & Huang Y. (2022). Multi-Signal Detection Framework: A Deep Learning Based Carrier Frequency and Bandwidth Estimation. Sensors, vol. 22, 1–19. https://doi.org/10.3390/s22103909

Quan, Z. et al. (2009). Optimal Multiband Joint Detection for Spectrum Sensing in Cognitive Radio Networks. IEEE Transactions on Signal Processing, vol. 57, No. 3, 1128-1140. http://dx.doi.org/10.1109/tsp.2008.2008540

Buhaiov, M. V. (2019). Uzahalnenyi enerhetychnyi detektor z iteratyvnym obroblenniam vuzkosmuhovykh syhnaliv u chastotnii oblasti [Generalized energy detector with iterative processing of narrowband signals in frequency domain]. Visnyk NTUU KPI. Ser. Radioteh. radioaparatobuduv, № 78, 27–35. https://doi.10.20535/RADAP.2019.78.27-35 [in Ukrainian].

Buhaiov, M. V. (2020). Iteratyvnyi metod vyiavlennia radiosyhnaliv na osnovi vyrishuiuchykh statystyk [Iterative method of radiosignals detection based on decision statistics]. Visnyk NTUU KPI. Ser. Radioteh. radioaparatobuduv, № 81, 11‒20. https://doi.org/10.20535/RADAP.2020.18.11-20 [in Ukrainian].

Buhaiov, M. V. (2020). Fast spectrum sensing method for cognitive radio. Visnik NTUU KPI. Ser. Radioteh. radioaparatobuduv, № 83, 41−46. https://doi.10.20535/RADAP.2020.83.41-46

Buhaiov, M. V. (2022). Iterative method for noise power estimating at unknown spectrum occupancy. Visnik NTUU KPI. Ser. Radioteh. radioaparatobuduv, № 88, 42−49. https://doi.org/10.20535/RADAP.2022.88.42-49

Buhaiov, M. V., Nahorniuk, О. А., & Shapar, R. V. (2021). Ohliad analizatoriv radiochastotnoho spektra ta propozytsii shchodo dynamichnoi realizatsii enerhetychnoho detektora [Review of radio frequency spectrum analyzers and proposals for dynamic implementation of energy detector]. Technical Engineering, № 2 (88), 95–102. https://doi.org/10.26642/ten-2021-2(88)-95-102 [in Ukrainian].

Buhaiov, M. V., Kliaznyka, V. V., Kozyura, I. V., & Zavhorodnii, D. S. (2022). Method for spectrum holes detection based on mode analysis of spectral samples histogram. Radioelectronic and Computer Systems, № 4 (104), 108–116. https://doi.10.32620/reks.2022.4.08

Buhaiov, M. V. (2022). Metod vyznachennia chastotno-chasovykh mezh zainiatykh dilianok radiochastotnoho spektra [Method for determining occupied time-frequency spectrum regions]. In XVI Intern. Sc. Conf. ‟Modern challenges in telecommunications”. Kyiv, April 11–15, 2022. (pp. 109–111). Kyiv: NTUU KPI [in Ukrainian].

Buhaiov, M. V. (2022). Threshold values of the coefficient of variation in iterative spectrum sensing algorithms. In IEEE UkrMiCo-2021: International Conference on Information and Telecommunication Technologies and Radio Electronics. Igor Sikorsky Kyiv Polytechnic Institute, November 29 – December 3. (pp. 241–244). https://doi.10.1109/UkrMiCo52950.2021.9716616

Zar J. H. (1978). Approximations for the Percentage Points of the Chi-Squared Distribution. Journal of the Royal Statistical Society. Series C (Applied Statistics), Vol. 27, No. 3, 280–290. http://dx.doi.org/10.2307/2347163

##submission.downloads##

Опубліковано

2024-03-01

Як цитувати

Бугайов, М. В. ., Закіров, С. В. ., Клязника, В. В. ., & Гончаров, Д. О. . (2024). АВТОМАТИЧНИЙ АНАЛІЗ ЗАВАНТАЖЕНОСТІ РАДІОЧАСТОТНОГО СПЕКТРА ТА СЕЛЕКЦІЯ СИГНАЛІВ. ПРОБЛЕМИ СТВОРЕННЯ, ВИПРОБУВАННЯ, ЗАСТОСУВАННЯ ТА ЕКСПЛУАТАЦІЇ СКЛАДНИХ ІНФОРМАЦІЙНИХ СИСТЕМ, 1(25 (I), 4–18. https://doi.org/10.46972/2076-1546.2023.25.01