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

• Ano de defesa: 2022
• Autor(a) principal: Hernandes, Aislan Gabriel
• Orientador(a): Abrão, Taufik
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sensoriamento espectral cooperativo; Consenso médio distribuído; Eficiência espectral; Eficiência energética; Limiar de decisão; Rede neural convolucional; Múltiplas antenas massivas; Antenas descalibradas; Engenharia elétrica; Rádio cognitivo
• Área do conhecimento CNPq: Engenharias - Engenharia Elétrica
• Link de acesso: https://repositorio.uel.br/handle/123456789/18917

Neste 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.