TELKOM NIKA , Vol.12, No .3, Septembe r 2014, pp. 7 17~724   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v12i3.101    717      Re cei v ed Fe brua ry 26, 20 14; Re vised Ju ly 20, 20 14; Acce pted Au gust 5, 201 4   A Cognitive Radio Spectrum Sensing Algorithm to  Improve Energy Detection at Low SNR       Agus Sub ekti 1,2 , Sugihartono 1 , Nana  Rachm a na S 1 , Andriy an  B.Suksmono 1   1  School of Ele c trical Eng i ne e r ing a nd In form atics, Institut  T e kno l og i Ban d ung   Jala n Ganes ha  No. 10, Band u ng 40 13 2,  Indo nesi a , Ph./F ax: + 6222-2 5 0 166 1/253 41 34   2  Research C e nter for Informatics, Indon esi an Institute of Scienc es (LIPI)  Jl.Sangk uria ng  21/154 D, Ban dun g 40 135, In don esia, Ph/F a x :+ 62 22-2 5 0 4 7 11/25 04 712   e-mail: a gus.su bekti@l ipi. go.id       A b st r a ct     Energy d e tecti on is a m on g th e most po pul ar  s pectru m  sens ing  met hod for  spectru m  se nsi ng d u e   its low  compl e xity. Unfortuna tely, its perfor m a n ce  is  po or  at low  SNR. In this pa per  w e  propos ed  a   spectru m  se nsi ng  meth od for  cogn itive ra dio  netw o rk  that impr oves th e p e rfo rmanc e of ener gy detecti on .   T he  pro pos ed meth od bas ed on  d i strib u tion  ana lysis  us in g ku rtosis as  tes t  statistic. This com e s from  t h e  fact that d i strib u tion  of r e ceiv ed s i gn al  w h e n  a  ch ann el  is  occup i ed  w ill  b e  d i fferent fro m  v a ca nt ch an nel .   Noise  ten d s to  hav e  a Gauss i an  distri buti on.  Sig nal   w h ich  faces  multip ath  fadi ng  dur ing   the trans missio n   w a y w ill hav e  non  Gaussi an  distrib u tion. S e nsin g a l gor it h m  w a s teste d   usin g ca pture d  DTV sig nal.  R e sult   show s that o u r  metho d  p e rfor ms w e l l  at  low  SNR.  It ach i e v es pr oba bil i ty of d e tection  o f  90  % for  10  %   Proba bil i ty of false a l ar m for l o w  SNR, belo w  -20 dB.    Ke y w ords : co gnitiv e  radi o, spectru m  sens in g, DT V signal,  kurtosis       1. Introduc tion  Comp are to a conventio nal  radio, cogniti ve r adio intro duces two m a in differe nt feature s ,  cognitive capability and  re configurability [1],[2]. Cogni tive radio allows same  f r equency bands  to  be u s ed  simu laneo usly by  prima r y user  and  se con dary use r  [3]. Primary u s e r , a s  the o w n e r  of   spe c tru m  li ce nse,  ha s the  first  usage  pri o rity. Seco nd ary u s e r  m a y  only u s e th e  vacant  sp ect r um  that is not b e ing u s ed b y  primary u s er. This   sp e c trum  sha r in g cog n itive radio ha s be en  prop osed  to  be  u s e d   in  TV’s white space  b and s  oppo rtuni stically [4]. A n e w  ra dio  access  standard IEEE 802.22 has bee n issued  lately [5]. A cognitive radi o platform  may  transmit at t he  spe c tru m  hol es in the TV band s a s  lon g  as the  chan nel is not bei ng used by the prima r y use r .   As req u ire d  by the standard, before tran smitti ng, se conda ry use r  has to en su re that its  transmission will not cause harmful  int e rference to the primary us er by its sens ing capabil i ty.  The  spe c tru m  sen s in g h a s to a c cu rat e ly detect th e existing  sp ectru m  hol es to avoid ha rmful  interferen ce.  In the othe r h and, mi stake n  dete c tion  will re sult in lo wer spe c trum  hole s  utilization.  The mai n   cha llenging  of co gnitive ra dio  spe c tru m  sen s ing i s  it s re q u irem ent to b e  able to  det ect  a sig nal  eve n  at very lo w level  with  a stri nge nt a c ceptabl e pe rforma nce. T he pe rforma nce   usually is  measured by probabilit y of detection (Pd) and  probability of false al arm  (Pf). IEEE  802.22  dema nds  a stri nge nt sen s in g re quire ment. F o r maximu m  prob ability of false al arm  of 10   %, a sensing  algorithm  should ac hi eve probability of detection 90  %  for  signal  as  low  as -20 dB  s i gnal to  noise ratio (S NR) [5],[6]. This   means  that   some lic e ns ed s i gnals  have to be sens ed at   a very l o w  SNR. In  ad d i tion, wi rele ss  cha nnel  fa ding  and  noi se flu c tuatio n will  al so  b r ing  difficulties.   Several  se n s ing  meth od s h a ve  bee n p r op osed  to co mbat t he a bove  m entione d  chall enges such as m a tched filtering  [7 ],[8], feature detecti on approach  [9,[10]   an d ene rgy  detectio n  [8],[11]-[14]. The   matche d filtering can m a ximize th e SNR. It can  dete c t sig nal at v e ry  low S NR.  Howeve r, mat c he d filterin g  method  re q u ire s  info rma t ion su ch  a s  pilot an d frame   stru cture of p r imary  sign al. For the fe ature d e tectio n  method  whi c h relie s o n  cyclostatio narit y,  the suffici ent  sign al info rmation mu st  be given  as well. Th e re quire d info rm ation intro d u c e s   compl e xity in  implem entat ion, such  as if the  co gnit i ve ra dio  ha s to  dete c t  several  differe nt  prima r y sig n a ls. On th e  other  hand,  energy dete c tion doe s n o t req u ire i n formation ab out  the  sign al to be  detecte d. Thi s  metho d  ex ploits  en ergy differen c e b e twee n occu pied an d vacant  cha nnel cond ition. It compare s  the ene rgy of rece ive d  signal  with pre - defin ed thre shol d. Du e to  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  71 7 – 724   718 this low com p lexity, energy detection  is the mo st  prefe r abl e method. Ho we ver, this method   woul d be pro ne to the false detection  si nce it onl y rel i es on the si g nal ene rgy feature s  [13],[14] .   Whe n  si gnal  fluctuate s  or  noise is la rg e ,  this me thod  is likely to fail to distingui sh b e twe en t h e   absen ce  and  the p r e s en ce of the  si gn al [8],[ 13]. Eventhou gh it  g i ves a  go od  perfo rman ce   at  high SNR, bu t its perform a n ce i s  very poor at low S N R.   Many metho d s h a ve b e e n  propo se d  to ov ercome  the short c o m ings of the  ene rgy   detectio n  app roa c h. Some  method s ba sed on the ei g envalue s fro m  the covaria n ce mat r ix of  the  received si gn al were pro p o se d in [15]-[17]. Same  as in energy de tection, the method s also  do   not req u ire  primary sig nal i n formatio n. Howeve r,  the correspon ding  comp utation a l com p lexitie s   are  quite l a rg e. In this pa p e r,  we p r o p o s ed   a  simpl e r meth od  usi ng 4th  orde r  moment, i.e.  its   kurto s i s  valu e. Kurtosi s   of re ceived  sig nal is  used  a s  test  statisti cs. Thei r valu e s  a r e  com pared  with a pred e f ined thre sho l d to distingu ish  between  occupi ed sp e c trum an d white spa c e. A  threshold  is  cal c ulate d  from em piri cal  estima tio n   of system’ s   noise. With o u t kn owl edg e of  sign al’s pa ra meters, the  target  of  kurto s is an alysi s  i s  the  outp u t o f  sign al’s FFT . Our expe rim ent   sho w s that it provide s  o p timal pe rform a nce, e nablin g  detectio n  at  very low S N R pri m ary  sig nal  as verifie d  b y  simulation  results. The  rest  of this pape r will  descri be  sub s eq uently ab out  formulatio n of  sp ect r um   se nsi ng problem  fo ll owed  with expl anation  of p r opo se d  sen s in g   method, re sul t s of perform ance evaluati on by simu lati on usi ng re al DTV sig nal a nd co ncl u si on .       2. Rese arch  Metho d   Whe n  sp ect r um se nsi ng  works to det ect wh ite  sp ace b a sed o n  the re ceive d  sign al,  there will b e  2 possible  co ndition s, cha nnel is va can t  or occupie d . Deci sio n  has to be be mad e     if the receive d  si gnal  is compri se  of p r imary  sign als with i nhe ren t  noise o r  it j u st  com p ri se  of   sytem noi se.  Den o te the  discrete tim e  received  sig nal by r(n)  d u ring th e sen s ing  stag e. The   unde rlying primary sign al   is  de noted  by  s(n)  whil e w(n )  i s   ad ditive white   Gau ssi an  noi se  (AWG N). Signal re ceived  by spe c trum  sen s in g is     .  There are t w o possibl e  condtions. If there i s  no pri m ary signal, detecto r will  only receive noise.  If primary user occupied  cha nnel by transmitting  si gnal s, detect o r will rece ive sign al and  noise. Th ere are 2 diffe rent   con d ition s  on  each time i n stan ce, H 0 : si gnal is  ab sen t  and H 1 : sign al is present. Suppo se the r e  are  N sampl e s for  detectio n , the pro b le m can  th en b e  model ed a s  equatio n of b i nary hypoth e s is  testing:     :      0, 1, … , 1   (1)     :        0, 1, … , 1   (2)     It is assume d  that signal a nd noi se a r e  uncorre late d and ea ch i s  a n  i.i.d. seque nce. Th e   spe c tru m   sen s ing  p r oble m   is the r efo r e t o  dete r min e   wheth e r the  signal  s ( n ) exi s ts  or not,  ba sed   on the re ceiv ed sig nal sa mples  r ( n ) [11],[15].   Spectrum se nsin g ha s to  be a c curately  makin g  a d e c isi on  whethe r a chan nel i s  vacant  or occupied.  Deciding occupied  as vacant will result  in prohi bited transmi ssion which causes   harmfull inte rf eren ce to  pri m ary u s er.  While wron g de cisi on of o c cu pied for va ca nt make s lo wer  spe c tru m  h o l e s  utilization.  A sp ect r um  se nsi ng m e thod’s pe rformance  i s  ev aluated  by its    probability of detection    and pro bability  of false al arm    . The  detectio n  alg o rithm in spe c trum  sen s in g wo rks ba sed on Neym an-Pe arson’ s theorem, wh ich  states that the objective is to  maximize  probability of detection   in a fixed probability of false  alarm   =  . T he dete c tor m a ke s de ci sion  of H1 if it  fulfills likeli hood  ratio test (L RT ) of:    | |     (3)     Whe r e thresh old   is cal c ul a t ed by:    |  :     (4)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       A Cognitive Radio Spe c tru m  Sensing Algorithm  to  Impro v e Ene r g y  Detectio n …. (Agus Sub e kti)  719 Suppo se the  prima r y sig n a l  is a wi de -se n se  station a ry  Gaussia n   random proce ss with   varian ce of      and n o ise is  additive wi de  Gau ssi an n o i s e  with vari a n ce  of   ,  li kelih ood ratio  of     of equatio n 3  can be exp r e s sed a s :          ∑      ∑          (5 )     Takin g  the na tural logatitmi c of   , we will g e t the log-like lihood ratio:      ln    ∑             ( 6)    Detector  will make  dici sion of H 1  if  ∑    . This dete c to r  cal c ulate s  en ergy of   received  dat a an d  comp are s  it  with  a p r edefin ed  thre sh old. It’s  calle d e n e r gy det ection  o r   radio m eter.  Energy of th e re ceived  si gnal  w ill be  comp osed of  energy of si gnal a nd noi se’ s   varian ce if th e chann el i s   being  ou ccup ied. But if the  prim ary  sign al is  ab sent it  will b e  e qual  to  noise vari an ce. To g e t its  perfo rman ce   metrix (P f  and  P d ), we  ne e d  to defin e th e dist ributio n  fo r   both co nditio n s. For th e la rge  sampl e s,  we can ma ke  assumption  on the statisti cal di stributio n of     for both conditions to be Gaussan, then, t he probability of false al arm and the  probability  of detection  can be expressed a s :             ;                                                                                          (7)    Whe r e  Q(  ) i s  a q - fun c tio n . As a  cla s s of Nyema n -Person d e tector, we  set th e thre shol d from  equatio n 7 as:         1                                                    (8)    whe r e   is se t to certain  accepta b le required valu e, mostly set  at 0,1. We can  see fro m   equatio n 8 that the thresh old is a fun c tion of t he noise’s varia n ce and the num ber of sample s. A   prima r y si gna l in the t a rg et frequ en cy b and  will b e   e a sie r  to  be  d e tected  if its l e vel is re ceiv ed   highe r tha n  n o ise’ s va rian ce. Sign al to  noise radio  (SNR) is u s ed  to mea s u r e  a ratio  betwe en  the power le vel of receiv ed sig nal ( )  and noi se’ s   varian ce. Pro bability of detection is  a   function of th e SNR,  and  can be expresed as:                                                               (9)      Energy d e tection is  quite p o we rful  spe c t r um  sen s in g method wh en   the  si gnal   is stron g e r   than n o ise’s  varian ce  (hig h SNR). But,  its p e rf o r ma nce  will  be  p oor  at lo w S NR. At lo w S NR,   noise un certa i nty make s it impossibl e to detect t he p r ese n se of sig nal even with  high num ber of  s a mples  [8],[14].    We  co nsi d e r   anothe r fe atu r e to  imp r ove  the  ene rgy d e tection’ s  pe rforman c e. In   wirel e ss  comm uni cati on, re ceived  signal  will  be faded  du e to multipath cha nnel. If we che ck t he  distribution of  received signal, mostly they w ill have a certain non  Gaussi an such as a Rayleigh  distribution.  The di stri buti on of   the received signal (contamina ted with noi se) will  be  differen t   from noi se o n ly. Spectru m  sen s in g problem th e n  can be d r a w n  as hypoth e ses te sting of  two   con d ition s , a vacant chan n e l as a Gau s sian di st rib u tion re ceived  sampl e s, an d  occupie d  as a   non-Gau s sia n  distrib u tion:       Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  71 7 – 724   720 :        ~   ̅ , ;  :        ̅ ,  (10 )     Then we ca n dedu ce  con d i t ion based on  the signal’ s  d i stributio n, a Gau ssi an or  not.                        Kurtosi s  is o n e  of quite easy measu r e of  gau ssi anity [12]. Kurtosis i s  defined a s :        3                                    (11)    Suppo se that r has zero mean, and r has been n o rmali z e d  so  that its variance is equa l to   one:   1 .  Equati on 16 will b e :        3                                                      (12)    Since r i s  gau ssi on, its fourth moment eq ual to:    3 3                                                                            (13)    So, for the samples  with Gaus sian distri bution, they will  have kurt osi s  equal to 0.   The Kurto s i s  value of Guassian  sampl e s w ill n o t exactly equal  to 0 if the numbe r of  sampl e s is  n o t long  enou gh. For the li mited sample s of  N:  ̅         … …    , esti mation of   the kurt osi s  is:    ∑  ̅   3 ∑  ̅                       (14)    Since, th e  sensi ng  meth ods mo stly p e rform  d e tect ion in  fre que ncy d o main,   received  sampl e s r(n)  is tra n sfo r me d to freq uen cy domain  R(f) by an  FFT  block. Th e re sult is compl e x- value  sampl e s  R(f). T he  F FT outp u t co mpri sed  of re al an d ima g in ary pa rts. F o r the p u rp ose  o f   out sen s in g method s, we  set the test statistics  (T) in to 3 kind s, and its re spe c t i ve perform a n ce   will be evaluated:         ;    ;       (15 )     We  perfo rme d  the  non -G aussia n ity test for th e  re al pa rts  and   imagina ry pa rts.  T h e   prop osed spe c trum  sen s in g algorith m  is performed a s  follows:   Step  1.    R(f) i s  got by performin g  N-poi nt  FFT to the received sam p l e  frame x(n). FFT is   curre n tly wid e ly use d  for  comm uni cati on sy stem e m ploying m u l t icarrie s  (OF D M), the  system  which  is also u s e d  by digital bro adcastin g  system.  Step  2.    Kurtosi s  i s  ca lculate d  for e a ch frame  of  M sam p le s of  real p a rt a s   well a s  ima g i nary pa rt  usin g equ atio n 20.   Step 3.   Cal c ulation of  the test  statistics (T ) usi n g equatio n 21 .  Step  4.  Reje ct the  n u ll hypothe si s  H 0  in  favor of  the p r e s en ce   of prim ary  sig nal tran smissi on if T   > thre shol d. Otherwise, accept H 0  an d d e cla r e the ab sen c e of the  prima r y use r ’ s  sig nal.     In the application of energy  detection for spectrum  sensing, initial  s ensi ng phase will be  started  by noi se  calib ration  to mea s u r e it s vari an ce in  orde r to b e  a b le to  set the  threshold. T h i s   is also appli e d in our p r o p o se d metho d . The thre sh ol d is taken em pirically from  noise sa mple s.  To get the threshold, the detector  will  perform  detection in the  condition of H 0 . Dete ction  ev ents  will be co unt ed to get the  detecto n rate  which  sh o w s the probabilit y of  false alarm.. As required  by the  stand a r d, its value  should  be  un d e r  10 %.  Adj u stment  of thresh old  will  be  mad e  u n til th e   prob ability of false ala r m a c hieve 1 0  %. This th re shol d then will  be  taken a s  d e tection th re sh old   to be  co mpa r ed  with te st statistic in  eq u a tion 1 0 . In t h is  pro p o s ed  metho d , the  detecto r  wo rks  blindly as it d oesn’t need i n formatio n of sign al param eters.       3. Results a nd Discu ssi on   The pe rform ance wa s m easure d  from  its detec tion  rate in low sign al-to - noi se ratios  (SNR). Thi s   sho w s the se nsitivity of propo s ed m e th od in dete c ti ng a lo w level prima r y si gnal  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       A Cognitive Radio Spe c tru m  Sensing Algorithm  to  Impro v e Ene r g y  Detectio n …. (Agus Sub e kti)  721 existen c e. Th e prima r y sig nal so urce fo r the ex pe rim ent wa s take n from real capture d  digit a l  television  (DTV) sig nal [20].  The re aso n  for  the  choi se i s  twofold s , for  the type and  its  cha r a c teri stics. For the  DT V sign al type, it re p r esents one the  spe c trum  sh ari n g  cog n itive ra d i o  stand ard, IEE E  802.22,  wh ich o p e r ate s  i n  the TV  whit esp a ce.  And the  sig nal wh ich wa s  ta ke n  from real broadcasting  signals carrier also w ill represent the real env ironment of the wave  prop agatio n esp e ci ally  its multipath  fadi ng chan nel ’ s  effect.  The capture d  sign al’s  frequ en cy  is  545 M H z  with 6 MHz ba n d width. Give n the sam p in g rate 50 M H z and th e oversampli ng fa ctor  8/7 x bandwi d th, we ca n cal c ulate the  sample  rate  or numb e r  of sample s p e r seco nd. T h e   output of A D C is sample s with  spe ed  equal to  68 5 7  sample s p e r 1  ms.   Nu mber of sam p les  taken for  se nsin g is pa rticula r ty important  since o u r metho d  works ba se d on the re cei v ed  sampl e s di stribution. Even for the abse n t of primar y  sign als, the d i stributio n of received si gn al  will not be Ga ussian if the numbe r of sa mp les  we too k  is not suffici enty long.   Prior to  test t he p r op osed  detectio n  met hod,  we n eed  to set up th e  thre shol d. As in th e   energy dete c tion, to defin e the thresh old for  ou r  detecto r, we  perfo rme d   a kin d  of n o ise   calib ration. T he pu rp ose o f  noise calib ration in th e e nergy  dete c tion i s  to m e a s ure the  noi se’s  varian ce. In orde r to get it,  the energy detecto r  wo rks in the conditi on of no prim ary sign al (H 0 ).  Once we g e t its value, the  varian ce’ s  th en u s ed  to set up the th re shol d for th e  detecto r. In t h e   prop osed m e thod, inste a d  of mea s ure  the varian ce,  we too k  the  noise’s  ku rt osi s . Since the  measured signal  is  taken  at the output  of fast  Fouri e r transform  (FFT ), each  sampl e   will have  real a nd imag inary pa rts. Kurtosi s  valu e s  we re  ta ken  from both p a rts. Acco rdin g  to equation 2 2 ,  t e st  st at i s t i c s  of  T 1 , T 2 , and T 3  fo r n o ise  only a r e cal c ul ated.  Cal c ulatio n  wa s pe rform e d   seq uently to each frame  of M numbe r of sample s.  The test st atistic for e a c h fram e’s t hen   comp ared wit h  a pred efine d  threshold.  We  set the thre shol d to 0.04. False de cisi on (H 1 ) wi ll  occur  wh en t he test  statist i c is a bove t he thre sh old.  The num be r of false de ci sion  devided  b y   total num ber  of test  statisti cs shows the  false  alarm  rate or the probability of fal s e alarm  (P f ). W e   set the numb e r of FFT poi nts to 2048 a nd 819 2, t he same n u mb er used by the  DTV stan dard.         Figure 1. False alarm rate as a fun c tion  of M      Figure 1 sho w s the result, the false ala r m rate  a s  a functio n  of the numbe r of sample s.   False  ala r m  rate  sho w s t he n u mbe r   o f  times th e  detecto r m a d e  wron g d e cision  of va ca nt  cha nnel  as  o c cupie d . Thi s  will mi ss th e  oppo rtunity  for  cog n itive radio to m a ximize  sp ectru m   holes ulitization. Thi s   will  be mai n ly a f unction of  the threshold. I f  we  set the threshol d hi gher,  this will  result  in lower fal s e alarm, but  will al so  make lower detection rate  when later it has  to  work to d e te ct p r ima r y si gnal s. As a  gene ral  sp ectrum  sen s in g  re quirement,  false  ala r m  rate   sho u ld not ex cee d  P f  maximum of 10 %, as sho w n in  the figure a s  a dash ed lin e. By setting the  fixed thre shol d, we inte nd t o  mea s u r e th e othe r facto r s, incl udin g  n u mbe r  of  sa mples in a f r a m e  use d  in the test statisti cs  cal c ulatio n and also t he effect of FFT size. The six li nes in the fig u re   sho w  th e result of expe ri ment for ea ch num be r  of  FFT p o ints a nd fo r 3  test  statisti cs.  F a lse   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  71 7 – 724   722 alarm rate wi ll  decrea s e a s   nu mbe r   of sampl e s  i n crease. In mea n s that fo r a  fixed threshol d,  increasing number  of  sam p les will  make detector perform  be tter due to the  closer to it s  Gausian  distrib u tion fo r large  sam p l e s. As  we  m entione d  bef ore, for the  real Ga usssia n noi se  sam p les,  output of the FFT  will  compri se  of the real  pa rt and imagi nary  part, ea ch wi ll have G a ussian  distrib u tion a nd its kurt osi s  sho u ld be  0. Sinc e we  have 2 kurt osi s  values  of the real and  imagina ry p a r t, we  can  u s e  both  or o m it one  of  t hem. F r om  the figu re, if   we  co mpa r e  the  performance  of the te st  st atistics, we will get t hat the test stati s tic  of T 1  perfo rm s bette r than   T 2   and T 3 .  Usi ng the both  part by avera g ing give the   highe st perf o rma n ce, i.e. the lowe st false   alarm rate for the sam e  number of  samples  (M). Since the vari an ce of kurtosis estimates  will  decrea s e  wit h  the in cea s i ng num be r o f  sample s  (M ), we n eed t o  get the M  minimum  whi c h  fulfills the requirem ent. And if we used t he T 1 , an ave r age  ku rtosi s   of the real a n d  the imagin a r y  sampl e s as the test  statist i c, the result also  su ge st that the nu mb er of  sampl e   sho u ld at le a s t  3000 0 to achi eve false ala r m rate belo w   10 %.  After we  set t he thresh old  and it ha d be en c onfirm e d  its re sp ectiv e  pro bability  of false  alarm  i s  und e r   10  %, we p e rform ed sim u lation  to  get  the main  pe rforma nce met r ic, the  dete c t i on   rate. A captu r ed DTV Sign al is as  prim a r y sign al.  The  main purpo se of simulatio n  is to mea s u r e  the dete c tor’ s sen s itivity. The sen s itivity  here  me a n s  how l o w th e level of prim a r y sign al can  be  detecte d by the pro p o s ed  method. The  prima r y  sign a l  was a dded  by generated  sequ en ce s of  white Ga ussi an noi se. Sig nal’s level  wa s adju s ted  to rep r e s ent  the   intended sig nal-to - noi se ratio  (SNR) value s  particul a ry to represent the sam p les value at low SNR. For each samples in a  frame, fast F ourie r tra n sfo r m (FF T ) wa s pe rfor m ed.  Estimation o f  kurto s is  wa s cal c ul ated  for   each re al sa mples  and i m agina ry sa mp les,  an d then  use d  for te st  statistic  (T 1 ).  The te st stati s tic   of frame s  (M ) of 60,0 00  sample s ea ch   wa s calculat ed. The te st  statistics  (T 1 ) for ea ch f r a m e  then’s  com p a r ed to the thresh old ab ove  (0.04) . Th e prop osed det ector  will ma ke de ci sion  of  cha nnel i s  be ing occu pied  if the  test statistic is a bov e the thre sho l d. The total numbe r of te st  statistics whi c h are above  the thre sh old  devide by the total numbe r of  frames o r  the ratio of test  statistic  abov e thre shol d to the all ava ilable test   statistic value s  is a dete c ti on rate fo r the   respective SNR (probability of detection).         Figure 2. Det e ction  Rate for N-FFT =8,1 92, M=60,0 0 0       Figure 2  sho w s the  re sult  of the  experimen t. The  d e tection  rate   of pro p o s ed   method  wa s com pare d  with the energy dete c tio n , both usin g  simulation fo r several sig n a l to noise ra tio   (SNR). T he  prop ose met hod’ s pe rformance’s bet t e r tha n  en ergy detectio n   and It al so g i ves  accepta b le  p e rform a n c e.  They p e rfo r m well for l o w S N R of  unde r  -20  d B . As the  e nergy  detectio n  me asu r e s  the  e nergy  differe nce, it s  pe rfo r man c e dete r iore s  rapidly once  the pri m ary  sign al’s po wer i s   clo s e  o r  bel ow the  noise’s varia n ce.  Our me thod  whi c h b a se d o n   kurt osi s   measures th e differen c e  of its  st atisti cal di stributio n .  The  distri bu tion of n o ise  is G a u ssi an.  We  can  say that i n  the  con d itio n of H 0 , the  d i stributio n of t he FFT  outp u t sh ould  be  Gau ssi an. Th e  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       A Cognitive Radio Spe c tru m  Sensing Algorithm  to  Impro v e Ene r g y  Detectio n …. (Agus Sub e kti)  723 approa ch  will  result in rob u st result a s   long a s   the  n u mbe r  of sa mples i s   sufficient, so that  its   distrib u tion wi ll remain a s  i n  the origin al distrib u tion.         Figure 3. Det e ction rate co mpari s o n  on  numbe r of sa mples           Figure 4. Det e ction  Rate for Several  N-FFTs      Number of samples to calcul ate the test  statistic  also has im pact on probability of  detectio n . Since the va ri ance of ku rtosi s  esti m a tion is a fun c tion of 1/M, we cond uct  an  experim ent t o  compa r e  th e pe rform a n c e for  differe nt numb e r of  sample s in  a f r ame  (M ). If  we   modify the n u mbe r  of  sa mples to be   twice  we  get  a comp ari s o n  re sult. In F i gure  3, we  plot  simulatio n  re sult for M = 3 0 , 000 an d M = 60,000  re spe c tively. This f i gure  sh ows t hat the samp le   size of 60,00 0 is accepta b l e to detect primary  si gnal  at low SNR.  The 60,00 0 sample s is eq ual  to sen s ing ti me of 10 m s . We also co ndu cted an  e x perime n t to measure the  effect of FF T .   Figure 4 sh o w s the effe ct  of N-FFT to  the detecto r  perfo rman ce.  When n u mb er of FFT set as  variable,  we  can see that  probability of  detecti on increases  with t he in creasing of FFT  point s.  This resul come  from   the fact  that the  higher the FF T point the  m o re accurate it  will  represent  the sig nal in  time domai n, includi ng  its dist ri butio n. The N-FF T of 8192  g i ves a c cepta b le  perfo rman ce.  It performs  well for low SNR of unde r -2 0 dB.    Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 12, No. 3, September 20 14:  71 7 – 724   724 4. Conclusio n   In this pape r we pro p o s e d  a new spe c trum  sen s in g method ba sed o n  ku rto s is. Ou r  method i s  abl e to wo rk  blin dly without p r imary  si gnal  kno w le dge. Its pe rform a n c e improves t he  energy dete c tion a nd it is co mply  with t he sta ndard re qui rement with o u t adding  m u ch  compl e xity. Two mai n  fact ors  have be e n  investigate d , numbe r of  FFT point s  and nu mbe r   o f   sampl e  per  testing fram e. Numbe r  of FFT poin t s gives mo re sig n ifica n t impact on the  perfo rman ce   with mini mu m value i s  8, 192  point s.  Since  thre sh old  is  got from  real me asure m ent  of noise  sam p les, ou r met hod can ad ap t to various n o ise  cha r a c te ristics.        Referen ces   [1] FCC.  Spectrum  Policy Task Force Report . in Procee di ngs  of F CC ’02, F CC Doc.ET  Docket No. 02- 135 N o v. 200 2.  [2]  S. Ha y k in. C o g n itive R a d i o: B r ain-Emp o w e re d W i reless  Co mmunicati ons.  IEEE Journal on Selected  Areas In Co mmu n ic ations . 2 005; 23( 2).  [3]  J. Mitola, G.  Maguire. Cognitive radio:  Makin g  soft w a re radi os mor e  pers ona l.  IEEE Personal  Co mmun icati o ns . 1999; 6( 3).  [4] LE.Doy le.  Essentia ls of Cog n i tive Ra dio . Ca mbridg e Un iver sit y  Press. 20 0 9 .  [5]  IEEE std. 802.22-2011  IEEE  Stand ard for  W i reless R e g i ona l Are a  Net w orks Part 22 : Cogn itive   W i reless RA N  MAC & PHY s pecific ations:  Polici e s a nd  pr oced ures for  o perati on i n  th e  T V  Bands.   201 1.   [6] SJ.  Shellhammer.  Spectru m  Sensi ng i n  IE EE 802.2 2 .  Pr ocee din g  of IA PR W o rksho p   on C ogn itive  Information Pr ocessi ng. Sant orini-Gre e ce. 2 008.    [7]  D. Cabr ic, A.  T k achenko, R W . Broderse n.  Spectru m  sen s ing  meas ure m e n ts of  pil o t, en ergy, a n d   colla bor ative d e tection . in Pr o c .IEEE Militar y   Commun i cati o n s Confer enc e. 2006: 1 –7.   [8]  A. Saha i, D.  Cabric.   Spectr um se nsin g: f und a m ent al  li mits  an d pr ac tical c hal len g e s . in IEEE  Internatio na l Symp osi u m on  Ne w  F r onti e rs D y namic S pect r um Access Ne t w orks. 2 005.    [9]  S. Enserink, D.  Cochran.  A  cy clostatio nary fe ature  detector .  in Pr oce edi ng s of Asil omar   Confer ence   on Sig nals, S ystems and Co m puters. 199 4;  2: 806– 810.   [10]  YP. Lin, C. H e .  Subsecti on- avera ge cycl o s tationary fe ature d e tection  i n  cog n itive r a dio . in Proc.  Internatio na l C onfere n ce o n  Neur al Net w o r ks and Sig n a l  Processi ng. 20 08: 604 –6 08.   [11] SM.  Kay .   F und amenta l s of Statistical Si gna l  Processi ng: De tection T h e o ry . Upper Sa dd le  River, Ne w   Jerse y : Pr entic e-Hal l . 199 8.  [12]  SJ. Shell hamm e r, S. S hankar,  R.  T andra, J. T o mcik.  Performa nce of p o w e r detector se n s ors of DT V  sign als in IEE E  802.22 W R A N s . Proceed in gs of the F i st Internat i o n a l W o rksho p  on T e chno log y  a nd  Polic y  for Acce ssing Sp ectru m  (T APAS). 2006.   [13]  A. Sonne nsch ein, P. M. F i sh man. R adi om etric detecti on  of spre a d spe c trum signa ls  in no ise  of  uncerta int y  po w e r.  IEEE Trans. Aerospace E l ectron. Syst , 1992; 28( 3): 654 –66 0.  [14]  R.  T andra, A. Saha i.  F unda me ntal li mits on detectio n  in  l o w  SNR under  noise u n certai nty . in Proc.   Internatio na l  Confer ence o n  W i reless Netw o r ks, Co mmu nicati ons an d Mobil e  Comp u t ing. 200 5; 1:  464 –4 69.   [15]  YH. Z eng,  YC . Lia ng. E i g e n v alu e  b a se d s pec trum s ensi ng  alg o rithms   for cog n itiv e r adi o.  IEEE   T r ans. Commu n.  2009; 5 7 (6): 178 4-17 93.   [16]  YC. Lia ng, Y H . Z eng, EC Y. Peh, AT .  Hoa ng. Se nsi ng thro ug hput  tradeoff for  cogn itive ra dio   net w o rks.  IEEE Trans. Wireless Comm un.  200 8; 7(4): 132 6–1 33 7.  [17] H.  Urko w i tz.  Energy d e tectio n of unkn o w n  deterministic si g nals . Proc. IEEE. 1967; 55( 4): 523– 53 1.  [18] Apurva  M o d y .  Spectrum  Se n s ing of th e DT V in the vic i nity  of  the Pilot Us ing H i g her Ord e r Statistics .  IEEE 802.22- 0 7 /037 0r0. Jul y   200 7.   [19] A.H y var i n en,  e t.al.  Indepe nde nt Compo n e n t Analys is . Wiley-Interscience. 2001  [20] I.Garrison,  et.al.  DT V C han ne l C haracter i z a ti on.  C onfer enc e o n  Inform ati on Sc ienc es  a nd S y stems   (CISS) 2001, J ohns H opki n s Univers i t y . Mar c h 200 1.  Evaluation Warning : The document was created with Spire.PDF for Python.