Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/9558
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΜπερμπερίδης, Κωνσταντίνος-
dc.contributor.authorΤρίγκα, Μαρία-
dc.contributor.otherTrigka, Maria-
dc.date.accessioned2016-08-23T08:02:50Z-
dc.date.available2016-08-23T08:02:50Z-
dc.date.copyright2016-03-
dc.identifier.urihttp://hdl.handle.net/10889/9558-
dc.description.abstractΗ ραγδαία ανάπτυξη στις ασύρματες επικοινωνίες σε συνδυασμό με την ανεπαρκή χρησιμοποίηση του φάσματος οδήγησε στην ανάγκη ανάπτυξης νέων ασύρματων υπηρεσιών, και σε μια πολλά υποσχόμενη τεχνολογία τα Γνωσιακά Δίκτυα. Η τεχνολογία αυτή διευκολύνει την περιοδική πρόσβαση σε ελεύθερες ζώνες του φάσματος και ως εκ τούτου αυξάνει την φασματική αποδοτικότητα. Θεμελιώδες έργο καθενός από τους γνωσιακούς χρήστες, είναι να ανιχνεύουν και να αναγνωρίζουν την παρουσία ή μη εξουσιοδοτημένων χρηστών που είναι γνωστοί ως πρωτεύοντες χρήστες. Αυτό συνήθως επιτυγχάνεται μέσω τεχνικών ανίχνευσης φάσματος, ώστε οι χρήστες να περιορίζουν τις παρεμβολές, σε αποδεκτά επίπεδα, στους πρωτεύοντες χρήστες μεταβαίνοντας σε μια διαθέσιμη ζώνη του φάσματος. Η απόδοση της ανίχνευσης φάσματος είναι κρίσιμη και για την απόδοση του πρωτεύοντος και του γνωσιακού δικτύου και η αξιολόγησή της πραγματοποιείται μέσω κατάλληλων μετρικών (π.χ. πιθανότητα εσφαλμένου συναγερμού, πιθανότητα ανίχνευσης). Στην πράξη, πολλοί άλλοι παράγοντες μπορούν να επηρεάσουν την απόδοση της ανίχνευσης φάσματος, όπως η διάλειψη μονοπατιού, η σκίαση, η αβεβαιότητα δέκτη. Μια μέθοδος η οποία μπορεί να βελτιώσει την απόδοση ανίχνευσης εκμεταλλευόμενη την χωρική ποικιλομορφία των παρατηρήσεων των χρηστών, είναι η συνεργατική ανίχνευση φάσματος. Μέσω της συνεργασίας οι χρήστες μπορούν να μοιράζονται την ανιχνευόμενη πληροφορία για να πάρουν συνδυαστικές αποφάσεις πιο ακριβείς από τις αντίστοιχες ατομικές. Μέσω της συγκεκριμένης διπλωματικής εργασίας εστιάζουμε σε κατανεμημένης συνεργασίας αλγόριθμους διάχυσης τους οποίους εφαρμόζουμε σε ένα μοντέλο τριών στατικών PUs, όπου ανά ζευγάρι αλλά και όλοι μαζί έχουν επικαλυπτόμενες συχνοτικές ζώνες ενδιαφέροντος. Στις τεχνικές διάχυσης κάθε κόμβος CR συνεργάζεται τοπικά και άμεσα με μια ομάδα κόμβων που είναι στη γειτονιά του και έχουν το ίδιο ενδιαφέρον.Οι στρατηγικές διάχυσης ταξινομούνται σε “Adapt – Then–Combine” και “Combine – Then –Adapt”. Εμείς υιοθετούμε και υλοποιούμε την πρώτη. Στην ATC τεχνική κάθε κόμβος πρώτα εφαρμόζει έναν τύπου LMS αλγόριθμο εκτίμησης των παραμέτρων ενδιαφέροντος χρησιμοποιώντας κάποια δεδομένα εισόδου μαζί με τις εκτιμήσεις των παραμέτρων ενδιαφέροντος από προηγούμενη χρονική στιγμή. Ακολούθως, στην ίδια χρονική συνδυάζει μέσω κατάλληλων συναρτήσεων τις εκτιμήσεις των γειτόνων του και τη δική του, για τις αντίστοιχες κοινές παραμέτρους ενδιαφέροντος οι οποίες θα χρησιμοποιηθούν την επόμενη χρονική στιγμή σαν είσοδο στο LMS βήμα του ATC. Αρχικά, θα δούμε την απόδοση της ανίχνευσης φάσματος στην απλή περίπτωση όπου οι δευτερεύοντες χρήστες είναι στατικοί και το φάσμα συχνοτήτων που χρησιμοποιούν οι PUs είναι σταθερό. Επιπλέον, σημαντική συνεισφορά αυτής της εργασίας αποτελεί η συγκρίση απόδοσης της προαναφερθείσας τεχνικής στην περίπτωση που οι συχνοτικές ζώνες των PUs δεν μεταβάλλονται και ένας τουλάχιστον δευτερεύων κόμβος (CR) στο δίκτυο κινείται και κατά συνέπεια αλλάζει περιοχές και παραμέτρους ενδιαφέροντος. Τέλος, θα δούμε και μια πιο ενδιαφέρουσα περίπτωση όπου οι PUs παύουν να χρησιμοποιούν κάποια ζώνη συχνοτήτων του φάσματός τους με στατικούς τους χρήστες CR.el
dc.language.isogrel
dc.rights0el
dc.subjectΑνίχνευση φάσματοςel
dc.subjectΓνωσιακά δίκτυαel
dc.subjectLMS κατανεμημένη εκτίμησηel
dc.subject.ddc621.384el
dc.titleΣυνεργατική ανίχνευση φάσματος σε δίκτυα κινητών γνωσιακών κόμβων με τεχνικές κατανεμημένης προσαρμοστικής εκτίμησηςel
dc.title.alternativeCooperative spectrum sensing in mobile cognitive radio networks with distributed adaptive estimation techniquesel
dc.typeThesisel
dc.contributor.committeeΑλεξίου, Γεώργιος-
dc.contributor.committeeΝικολετσέας, Σωτήριος-
dc.description.translatedabstractThe rapid growth in the wireless communications in combination with the insufficient utilization of spectrum, led to the need of growth of new wireless services and to many promising technology of Cognitive Radio Networks. This technology facilitates the periodical access in free areas of spectrum and consequently increases the spectrum efficiency. Fundamental work of each one of the Cognitive Radio users is to detect and recognize the presence or absence of licensed users known as Primary Users. This is usually achieved via spectrum sensing techniques, such that secondary users limit the interference, in acceptable levels, in the primary users returning in an available (free) band of spectrum. The efficiency of spectrum sensing is critical for the efficiency of both the primary and cognitive radio network and its evaluation is realized via suitable metrics (e.g. false alarm probability, probability of detection). In practice, a lot of other factors can influence the efficiency of spectrum estimation, such as the multi-path fading, shadowing, and receiver uncertainty. A method which can improve the efficiency of spectrum sensing, exploiting the spatial diversity of user’s observations, is the cooperative spectrum sensing. Via the collaboration the users can be shared the sensed information in order to take combinational decisions, more precise than corresponding individual. This diplomatic work focuses on diffusion-based distributed cooperation algorithms which are applied in a three static PUs model, where per pair but also all together have overlapped frequency areas of interest. In the diffusion-based techniques each CR node collaborates locally and immediately with a set of nodes that is in its neighborhood and has the same interest. The diffusion-based strategies are classified as “Adapt-Then-Combine” and “Combine-Then-Adapt”. We adopt and implement the first one.In the ATC technique each node applies an LMS-type algorithm of estimation of parameter of interest using certain input data and the estimations of parameters of interest from previous time moment. Followingly, in the same time instant, it combines, via suitable functions, the estimations of its neighbors and its one, for the corresponding common parameters of interest, which will be used in the next time moment as input in the LMS step of ATC. Initially, we will see the efficiency of spectrum estimation in the simple case where the secondary users are static and the spectrum bands that PUs use, are constant. Moreover, important contribution of this work constitutes the comparison of efficiency of ATC technique in the case where the frequency areas of PUs are not altered and at least one secondary (CR) node moves, and consequently changes regions and parameters of interest. Finally, we will also see a more interesting case where PUs cease use some frequency band of their spectrum with static CR users.el
dc.subject.alternativeSpectrum sensingel
dc.subject.alternativeCognitive radio networksel
dc.subject.alternativeLMS distributed estimationel
dc.degreeΜεταπτυχιακή Εργασίαel
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Trigka(com).pdf3.79 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons