Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla

Introducción: La Radio Cognitiva (CR) hace un uso eficiente del recurso radioeléctrico, para ello realiza la Detección de Espectro (SS) con el fin de identificar el espectro disponible. Pero debido a la rápida evolución de los transceptores, la microelectrónica y las altas frecuencias de propagación...

Full description

Autores:: Erazo De La Cruz, Olger Ferledy
Miramá Pérez, Víctor Fabián
Mora Arroyo, Jorge Edison

Tipo de recurso:: Article of journal

Fecha de publicación:: 2020

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_821b5c872bf3f1ace88f8434b92e188f
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/12291
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
dc.title.translated.eng.fl_str_mv	Sub-Nyquist Wideband Spectrum sensing for Cognitive Radio Networks: Matrix Completion via seed values
title	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
spellingShingle	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla algorithm of spectrum sensing in wideband Interest zone matrix approximation Sub-Nyquist sampling energy detection cognitive radio matrix completion detección de energía radio cognitiva compleción de matrices aproximación matricial de la zona de interés espectro en banda ancha algoritmo de detección muestreo Sub-Nyquist
title_short	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
title_full	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
title_fullStr	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
title_full_unstemmed	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
title_sort	Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla
dc.creator.fl_str_mv	Erazo De La Cruz, Olger Ferledy Miramá Pérez, Víctor Fabián Mora Arroyo, Jorge Edison
dc.contributor.author.spa.fl_str_mv	Erazo De La Cruz, Olger Ferledy Miramá Pérez, Víctor Fabián Mora Arroyo, Jorge Edison
dc.subject.eng.fl_str_mv	algorithm of spectrum sensing in wideband Interest zone matrix approximation Sub-Nyquist sampling energy detection cognitive radio matrix completion
topic	algorithm of spectrum sensing in wideband Interest zone matrix approximation Sub-Nyquist sampling energy detection cognitive radio matrix completion detección de energía radio cognitiva compleción de matrices aproximación matricial de la zona de interés espectro en banda ancha algoritmo de detección muestreo Sub-Nyquist
dc.subject.spa.fl_str_mv	detección de energía radio cognitiva compleción de matrices aproximación matricial de la zona de interés espectro en banda ancha algoritmo de detección muestreo Sub-Nyquist
description	Introducción: La Radio Cognitiva (CR) hace un uso eficiente del recurso radioeléctrico, para ello realiza la Detección de Espectro (SS) con el fin de identificar el espectro disponible. Pero debido a la rápida evolución de los transceptores, la microelectrónica y las altas frecuencias de propagación, se hace necesario que en CR se apliquen algoritmos de SS en bandas de frecuencia y se realice un muestreo inferior a la tasa de Nyquist. Objetivo: Adaptar un algoritmo para Detección de Espectro Sub-Nyquist en Banda Ancha (WBSS) para redes de CR mediante la Compleción de Matrices (MC) que integra valores semilla a partir de las muestras conocidas, con el fin de completar las entradas no muestreadas de la banda a evaluar, reconstruir las señales e identificar el espectro disponible. Metodología: Se realizó una adaptación al algoritmo Aproximación Matricial de la Zona de Interés (IZMA), para ello se diseña la etapa de reconstrucción y se elige un método de detección de espectro en banda estrecha para conformar el banco de detectores; el algoritmo que se denomina IZMA_SV es evaluado a nivel de simulación, por tanto se reconstruyen señales determinísticas en diferentes SNR y se identifica el estado del canal como ocupado o libre. Resultados: Las simulaciones indican que el algoritmo adaptado presenta diferencias entre los valores conocidos de la matriz de muestreo M y la matriz recuperada X en SNR inferiores a -8 dB, mientras que la diferencia tiende a cero en SNR superiores a 2 dB. Conclusiones: El algoritmo IZMA-SV logra reducir el número de operaciones para llegar a la matriz aproximada X, reconstruyendo señales muestreadas al 75% de la tasa Nyquist y aún con un muestreo del 20% se mantienen las características de la señal que hacen posible la detección de espectro en banda ancha.
publishDate	2020
dc.date.accessioned.none.fl_str_mv	2020-10-28 00:00:00 2024-04-09T20:18:03Z
dc.date.available.none.fl_str_mv	2020-10-28 00:00:00 2024-04-09T20:18:03Z
dc.date.issued.none.fl_str_mv	2020-10-28
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0122-6517
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/12291
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/ingecuc.17.1.2021.10
dc.identifier.doi.none.fl_str_mv	10.17981/ingecuc.17.1.2021.10
dc.identifier.eissn.none.fl_str_mv	2382-4700
identifier_str_mv	0122-6517 10.17981/ingecuc.17.1.2021.10 2382-4700
url	https://hdl.handle.net/11323/12291 https://doi.org/10.17981/ingecuc.17.1.2021.10
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Inge Cuc
dc.relation.references.spa.fl_str_mv	Cisco, “Cisco Visual Networking Index: Forecast and Trends, 2017–2022,” Informe técnico 2018-2023, [online , 2017. Available: https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/white-paper-c11-741490.html Federal Communications Commission, “Spectrum Policy Task Force ,” Wikia.org, [online , Nov. 2002. Available: https://itlaw.wikia.org/wiki/Spectrum_Policy_Task_Force J. Mitola & G. Q. Maguire, “Cognitive Radio: making software radios more personal,” IEEE Personal Communicant, vol. 6, no. 4 , pp. 13–18, Aug. 1999. https://doi.org/10.1109/98.788210 J. Mitola, “Cognitive Radio an Integrated Agent Architecture for Software Defined Radio,” Ph.D. dissertation, KTH, SK, SE, 2000 . S. Haykin, “Cognitive Radio: Brain-Empowered Wireless Communications,” IEEE J Sel Areas Commun, vol. 23, no. 2, pp. 201–220, Feb. 2005. https://doi.org/10.1109/JSAC.2004.839380 J. C. Clement, K. V. Krishnan & A. Bagubali, “Cognitive Radio: Spectrum Sensing Problems in Signal Processing,” Int J Comput App, vol. 40, no. 16, pp. 37–40, Feb. 2012. https://doi.org/10.1109/JSAC.2004.839380 T. Yucek & H. Arslan, “A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications,” IEEE Commun Surv Tutor, vol. 11, no. 1, pp. 116–130, 2009. https://doi.org/10.1109/SURV.2009.090109 M. M. Mabrook & A. I. Hussein, “Major Spectrum Sensing Techniques for Cognitive Radio Networks: A Survey,” IJEIT, vol. 5, no. 3, pp. 24–37, Sep. 2015. Available from https://www.ijeit.com/Vol%205/Issue%203/IJEIT1412201509_05.pdf S. Chinchu & T. R. Sangeeta, “Hybrid Detection Method for Improving Spectrum Sensing Performance in Cognitive Radio,” IJSR, vol. 5, no. 6, pp. 948–951, Jun. 2016. https://doi.org/10.21275/v5i6.NOV164316 H. Sun, A. Nallanathan, C.-X. Wang & Y. Chen, “Wideband spectrum sensing for cognitive radio networks: a survey,” IEEE Wirel Commun, vol. 20, no. 2, pp. 74–81, Apr. 2013. https://doi.org/10.1109/MWC.2013.6507397 H. Sun, W.-Y. Chiu, J. Jiang, A. Nallanathan & H. V. Poor , “Wideband spectrum sensing with sub-Nyquist sampling in cognitive radios,” IEEE Trans Signal Process, vol. 60, no 11, pp. 6068–6073, Nov. 2012. https://doi.org/10.1109/TSP.2012.2212892 R. Al-Aomar, E. J. Williams & O. M. Ülgen, Process Simulation Using WITNESS. NJ, USA: John Wiley & Sons, 2015. S. Qaisar, R. M. Bilal, W. Iqbal , M. Naureen & S. Lee, “Compressive Sensing: From Theory to Applications, A survey,” J Commun Net IEEE (KICS), vol. 15, no. 5, pp. 443–456, Oct. 2013. https://doi.org/10.1109/JCN.2013.000083 H. Huang, S. Misra, W. Tang, H. Barani & H. Al-Azzawi, “Applications of compressed sensing in communications networks,” ARXIV, vol. 1305.3002, pp. 1–18, Feb. 2014. Available: https://arxiv.org/pdf/1305.3002.pdf F. Salahdine, N. Kaabouch & H. El Ghazi, “A survey on compressive sensing techniques for cognitive radio networks,” Phys Commun, vol. 20, no. 1, pp. 61–73, Sep. 2016. https://doi.org/10.1016/j.phycom.2016.05.002 E. J. Candes & B. Recht, “Exact Matrix completion via convex optimization,” FoCM, vol. 9, no. 6, pp. 717–766, Apr. 2009. https://doi.org/10.1007/s10208-009-9045-5 Z. Qin, Y. Gao, M. D. Plumbey & C. G. Parini, “Wideband Spectrum Sensing on Real-Time Signals at Sub-Nyquist Sampling Rates in Single and Cooperative Multiple Nodes,” IEEE Trans Signal Process , vol. 64, no. 12, pp. 3106–3117, Jun. 2016. https://doi.org/10.1109/TSP.2015.2512562 Z. Qin, Y. Liu, Y. Gao, M. Elkashlan & A. Nallanathan, “Wireless Powered Cognitive Radio Networks With Compressive Sensing and Matrix Completion,” IEEE Trans Commun, vol. 65, no. 4, pp. 1464–1476, Apr. 2017. https://doi.org/10.1109/TCOMM.2016.2623606 Z. Qin, Y. Gao & M. D. Plumbey, “Malicious User Detection Based on Low-Rank Matrix Completion in Wideband Spectrum Sensing,” IEEE Trans Signal Process, vol. 66, no. 1, pp. 5–17, Jan. 2018. https://doi.org/10.1109/TSP.2017.2759082 G. Shabat & A. Averbuch , “ Interest zone matrix approximation,” ELA, vol. 23, no. 1, pp. 678–702, Aug. 2012. https://doi.org/10.13001/1081-3810.1551 M. Subhedar & G. Birajdar, “Spectrum Sensing Techniques In Cognitive Radio Networks: A Survey,” IJNGN, vol. 3, no. 2, pp. 37–51, Jun. 2011. https://doi.org/10.5121/ijngn.2011.3203 M. A. Abdulsattar & Z. A. Hussein, “Energy Detection Technique For Spectrum Sensing In Cognitive, Radio: A Survey,” IJCNC, vol. 4, no. 5, pp. 223–242, Sep. 2012. https://doi.org/10.5121/ijcnc.2012.4514 P. S. Aparna & M. Jayasheela, “Cyclostationary Feature Detection in Cognitive Radio using Different Modulation Schemes,” Int J Comp App, vol. 47, no. 21, pp. 12–16, Jun. 2012. https://doi.org/10.5120/7472-0517 D. Bhargavi & C. R. Murthy, “Performance comparison of energy, matched-filter and cyclostationarity-based spectrum sensing,” IEEE 11th International Workshop on Signal Processing Advances in Wireless Communications, SPAWC, MAR, MA, pp. 1–5, 20-23 Jun. 2010. https://doi.org/10.1109/SPAWC.2010.5670882 S. Pattanayak, P. Venkateswaran & R. Nandi, “Artificial Intelligence Based Model for Channel Status Prediction: A New Spectrum Sensing Technique for Cognitive Radio,” IJCNS, vol. 6, no. 3, pp. 139–148, Mar. 2013. https://doi.org/10.4236/ijcns.2013.63017
dc.relation.citationendpage.none.fl_str_mv	145
dc.relation.citationstartpage.none.fl_str_mv	126
dc.relation.citationissue.spa.fl_str_mv	1
dc.relation.citationvolume.spa.fl_str_mv	17
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/download/3176/3195 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3176/3592 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3176/3637
dc.relation.citationedition.spa.fl_str_mv	Núm. 1 , Año 2021 : (Enero - Junio)
dc.rights.spa.fl_str_mv	INGE CUC - 2021
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	INGE CUC - 2021 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html application/xml
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/3176
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/a9feb7fb-b9e4-4ed6-b030-e06f1dc63875/download
bitstream.checksum.fl_str_mv	1175992078c55ea790836b268c729bac
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1811760694576545792
spelling	Erazo De La Cruz, Olger FerledyMiramá Pérez, Víctor FabiánMora Arroyo, Jorge Edison2020-10-28 00:00:002024-04-09T20:18:03Z2020-10-28 00:00:002024-04-09T20:18:03Z2020-10-280122-6517https://hdl.handle.net/11323/12291https://doi.org/10.17981/ingecuc.17.1.2021.1010.17981/ingecuc.17.1.2021.102382-4700Introducción: La Radio Cognitiva (CR) hace un uso eficiente del recurso radioeléctrico, para ello realiza la Detección de Espectro (SS) con el fin de identificar el espectro disponible. Pero debido a la rápida evolución de los transceptores, la microelectrónica y las altas frecuencias de propagación, se hace necesario que en CR se apliquen algoritmos de SS en bandas de frecuencia y se realice un muestreo inferior a la tasa de Nyquist. Objetivo: Adaptar un algoritmo para Detección de Espectro Sub-Nyquist en Banda Ancha (WBSS) para redes de CR mediante la Compleción de Matrices (MC) que integra valores semilla a partir de las muestras conocidas, con el fin de completar las entradas no muestreadas de la banda a evaluar, reconstruir las señales e identificar el espectro disponible. Metodología: Se realizó una adaptación al algoritmo Aproximación Matricial de la Zona de Interés (IZMA), para ello se diseña la etapa de reconstrucción y se elige un método de detección de espectro en banda estrecha para conformar el banco de detectores; el algoritmo que se denomina IZMA_SV es evaluado a nivel de simulación, por tanto se reconstruyen señales determinísticas en diferentes SNR y se identifica el estado del canal como ocupado o libre. Resultados: Las simulaciones indican que el algoritmo adaptado presenta diferencias entre los valores conocidos de la matriz de muestreo M y la matriz recuperada X en SNR inferiores a -8 dB, mientras que la diferencia tiende a cero en SNR superiores a 2 dB. Conclusiones: El algoritmo IZMA-SV logra reducir el número de operaciones para llegar a la matriz aproximada X, reconstruyendo señales muestreadas al 75% de la tasa Nyquist y aún con un muestreo del 20% se mantienen las características de la señal que hacen posible la detección de espectro en banda ancha. Introduction: Cognitive Radio (CR) makes efficient use of the radio resource, for this it performs Spectrum Sensing (SS) in order to identify the available spectrum. But due to the rapid evolution of transceivers, microelectronics and high propagation frequencies, it is necessary for SS algorithms to be applied in frequency bands in CR and for sampling below the Nyquist rate. Objective: Adapt an algorithm for Wideband Sub-Nyquist Spectrum Detection (WBSS) for CR networks using Matrix Completion (MC) integrating seed values from known samples, in order to complete the unsampled inputs of the band to evaluate, reconstruct the signals and the identify the available spectrum. Method: An adaptation to the Interest Zone Matrix Approximation (IZMA) algorithm was carried out, for this purpose the reconstruction stage is designed and a narrow band spectrum sensing method is chosen to form the detector bank; the algorithm called IZMA_SV is evaluated at the simulation level, therefore deterministic signals are reconstructed in different SNRs and the channel status is identified as busy or free. Results: The simulations indicate that the adapted algorithm shows differences between the known values of the sampling matrix M and the recovered matrix X in SNRs lower than -8 dB, while the difference tends to zero in SNRs greater than 2 dB. Conclusions: The IZMA-SV algorithm manages to reduce the number of operations to arrive at the approximate matrix X, reconstructing signals sampled at 75% of the Nyquist rate and even with a sampling of 20% the characteristics of the signal that make possible the detection of wideband spectrum.application/pdftext/htmlapplication/xmlspaUniversidad de la CostaINGE CUC - 2021http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/3176algorithm of spectrum sensing in widebandInterest zone matrix approximationSub-Nyquist samplingenergy detectioncognitive radiomatrix completiondetección de energíaradio cognitivacompleción de matricesaproximación matricial de la zona de interésespectro en banda anchaalgoritmo de detecciónmuestreoSub-NyquistDetección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semillaSub-Nyquist Wideband Spectrum sensing for Cognitive Radio Networks: Matrix Completion via seed valuesArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucCisco, “Cisco Visual Networking Index: Forecast and Trends, 2017–2022,” Informe técnico 2018-2023, [online , 2017. Available: https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/white-paper-c11-741490.htmlFederal Communications Commission, “Spectrum Policy Task Force ,” Wikia.org, [online , Nov. 2002. Available: https://itlaw.wikia.org/wiki/Spectrum_Policy_Task_Force J. Mitola & G. Q. Maguire, “Cognitive Radio: making software radios more personal,” IEEE Personal Communicant, vol. 6, no. 4 , pp. 13–18, Aug. 1999. https://doi.org/10.1109/98.788210 J. Mitola, “Cognitive Radio an Integrated Agent Architecture for Software Defined Radio,” Ph.D. dissertation, KTH, SK, SE, 2000 . S. Haykin, “Cognitive Radio: Brain-Empowered Wireless Communications,” IEEE J Sel Areas Commun, vol. 23, no. 2, pp. 201–220, Feb. 2005. https://doi.org/10.1109/JSAC.2004.839380 J. C. Clement, K. V. Krishnan & A. Bagubali, “Cognitive Radio: Spectrum Sensing Problems in Signal Processing,” Int J Comput App, vol. 40, no. 16, pp. 37–40, Feb. 2012. https://doi.org/10.1109/JSAC.2004.839380 T. Yucek & H. Arslan, “A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications,” IEEE Commun Surv Tutor, vol. 11, no. 1, pp. 116–130, 2009. https://doi.org/10.1109/SURV.2009.090109 M. M. Mabrook & A. I. Hussein, “Major Spectrum Sensing Techniques for Cognitive Radio Networks: A Survey,” IJEIT, vol. 5, no. 3, pp. 24–37, Sep. 2015. Available from https://www.ijeit.com/Vol%205/Issue%203/IJEIT1412201509_05.pdf S. Chinchu & T. R. Sangeeta, “Hybrid Detection Method for Improving Spectrum Sensing Performance in Cognitive Radio,” IJSR, vol. 5, no. 6, pp. 948–951, Jun. 2016. https://doi.org/10.21275/v5i6.NOV164316 H. Sun, A. Nallanathan, C.-X. Wang & Y. Chen, “Wideband spectrum sensing for cognitive radio networks: a survey,” IEEE Wirel Commun, vol. 20, no. 2, pp. 74–81, Apr. 2013. https://doi.org/10.1109/MWC.2013.6507397 H. Sun, W.-Y. Chiu, J. Jiang, A. Nallanathan & H. V. Poor , “Wideband spectrum sensing with sub-Nyquist sampling in cognitive radios,” IEEE Trans Signal Process, vol. 60, no 11, pp. 6068–6073, Nov. 2012. https://doi.org/10.1109/TSP.2012.2212892 R. Al-Aomar, E. J. Williams & O. M. Ülgen, Process Simulation Using WITNESS. NJ, USA: John Wiley & Sons, 2015. S. Qaisar, R. M. Bilal, W. Iqbal , M. Naureen & S. Lee, “Compressive Sensing: From Theory to Applications, A survey,” J Commun Net IEEE (KICS), vol. 15, no. 5, pp. 443–456, Oct. 2013. https://doi.org/10.1109/JCN.2013.000083 H. Huang, S. Misra, W. Tang, H. Barani & H. Al-Azzawi, “Applications of compressed sensing in communications networks,” ARXIV, vol. 1305.3002, pp. 1–18, Feb. 2014. Available: https://arxiv.org/pdf/1305.3002.pdf F. Salahdine, N. Kaabouch & H. El Ghazi, “A survey on compressive sensing techniques for cognitive radio networks,” Phys Commun, vol. 20, no. 1, pp. 61–73, Sep. 2016. https://doi.org/10.1016/j.phycom.2016.05.002 E. J. Candes & B. Recht, “Exact Matrix completion via convex optimization,” FoCM, vol. 9, no. 6, pp. 717–766, Apr. 2009. https://doi.org/10.1007/s10208-009-9045-5 Z. Qin, Y. Gao, M. D. Plumbey & C. G. Parini, “Wideband Spectrum Sensing on Real-Time Signals at Sub-Nyquist Sampling Rates in Single and Cooperative Multiple Nodes,” IEEE Trans Signal Process , vol. 64, no. 12, pp. 3106–3117, Jun. 2016. https://doi.org/10.1109/TSP.2015.2512562 Z. Qin, Y. Liu, Y. Gao, M. Elkashlan & A. Nallanathan, “Wireless Powered Cognitive Radio Networks With Compressive Sensing and Matrix Completion,” IEEE Trans Commun, vol. 65, no. 4, pp. 1464–1476, Apr. 2017. https://doi.org/10.1109/TCOMM.2016.2623606 Z. Qin, Y. Gao & M. D. Plumbey, “Malicious User Detection Based on Low-Rank Matrix Completion in Wideband Spectrum Sensing,” IEEE Trans Signal Process, vol. 66, no. 1, pp. 5–17, Jan. 2018. https://doi.org/10.1109/TSP.2017.2759082 G. Shabat & A. Averbuch , “ Interest zone matrix approximation,” ELA, vol. 23, no. 1, pp. 678–702, Aug. 2012. https://doi.org/10.13001/1081-3810.1551 M. Subhedar & G. Birajdar, “Spectrum Sensing Techniques In Cognitive Radio Networks: A Survey,” IJNGN, vol. 3, no. 2, pp. 37–51, Jun. 2011. https://doi.org/10.5121/ijngn.2011.3203M. A. Abdulsattar & Z. A. Hussein, “Energy Detection Technique For Spectrum Sensing In Cognitive, Radio: A Survey,” IJCNC, vol. 4, no. 5, pp. 223–242, Sep. 2012. https://doi.org/10.5121/ijcnc.2012.4514P. S. Aparna & M. Jayasheela, “Cyclostationary Feature Detection in Cognitive Radio using Different Modulation Schemes,” Int J Comp App, vol. 47, no. 21, pp. 12–16, Jun. 2012. https://doi.org/10.5120/7472-0517D. Bhargavi & C. R. Murthy, “Performance comparison of energy, matched-filter and cyclostationarity-based spectrum sensing,” IEEE 11th International Workshop on Signal Processing Advances in Wireless Communications, SPAWC, MAR, MA, pp. 1–5, 20-23 Jun. 2010. https://doi.org/10.1109/SPAWC.2010.5670882S. Pattanayak, P. Venkateswaran & R. Nandi, “Artificial Intelligence Based Model for Channel Status Prediction: A New Spectrum Sensing Technique for Cognitive Radio,” IJCNS, vol. 6, no. 3, pp. 139–148, Mar. 2013. https://doi.org/10.4236/ijcns.2013.63017145126117https://revistascientificas.cuc.edu.co/ingecuc/article/download/3176/3195https://revistascientificas.cuc.edu.co/ingecuc/article/download/3176/3592https://revistascientificas.cuc.edu.co/ingecuc/article/download/3176/3637Núm. 1 , Año 2021 : (Enero - Junio)PublicationOREORE.xmltext/xml2752https://repositorio.cuc.edu.co/bitstreams/a9feb7fb-b9e4-4ed6-b030-e06f1dc63875/download1175992078c55ea790836b268c729bacMD5111323/12291oai:repositorio.cuc.edu.co:11323/122912024-09-17 10:15:10.016http://creativecommons.org/licenses/by-nc-nd/4.0INGE CUC - 2021metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Detección de espectro en banda ancha Sub-Nyquist para redes Radio Cognitiva: compleción de matrices mediante valores semilla

Publicaciones similares