Neste cenário foi utilizado o módulo de classificação obtido para o sinal OFDM 256, conforme descrito na Seção 7.2.1.1. Diversas RBFs foram treinadas para operação neste módulo de classificação, conforme exemplificado na Seção 7.2.1.2. Dentre as diversas redes obtidas e testadas, os melhores resultados de detecção de usuário primário (UP) ocorreram com a RBF denominada RBFS_OFDM_256_216_3. Para fins de exposição de resultados, esta RBF será doravante denominada apenas como RBF OFDM. O resumo da sua configuração é apresentado na Tabela 8.1.
Tabela 8.1 – (a) Informações gerais da RBF OFDM e (b) Variância dos centros da RBF OFDM e sinapses dos neurônios de saída
(a) Informações gerais da RBF OFDM
(b) Variância dos centros da RBF OFDM e sinapses dos neurônios de saída
O eigenfilter bank referente ao sinal OFDM 256, a etapa de filtragem e a RBF OFDM formam o módulo de classificação OFDM, conforme ilustrado na Figura 7.13. Este módulo é apto a realizar a detecção de sinais OFDM similares ao sinal (S0) utilizado para sua determinação.
O procedimento de avaliação do módulo de classificação consiste em gerar uma nova amostra de sinal OFDM, com as mesmas características, e degradar esta amostra, aplicando ruído AWGN com diferentes SNRs, verificando assim a capacidade de detecção do classificador sob condições adversas. A saída da RBF OFDM é observada para cada situação e, para fins de contabilização de erros e acertos, adotou-se o limiar de 0,5 para avaliação da resposta da RBF. Idealmente, na presença de sinal, a saída da RBF deve resultar num valor próximo de 1, enquanto que na ausência de sinal (apenas ruído AWGN) a sua saída deve resultar num valor próximo de 0.
A Figura 8.1 apresenta o desempenho do módulo de classificação OFDM para o cenário proposto.
Figura 8.1 – Avaliação do módulo de classificação OFDM.
(a) Gráfico de avaliações, acertos e percentual de acertos do módulo de classificação OFDM.
É possível perceber que ocorre redução da quantidade de acertos a partir de valores de SNR inferiores à -5 dB. Foram realizadas 74 avaliações para cada cenário de SNR, sendo que o classificador obteve 100% de sucesso na classificação até SNR de -5 dB.
A Figura 8.1b apresenta a faixa de variação das respostas da RBF OFDM, onde é possível verificar que os valores de saída decaem conforme o sinal apresentado está mais severamente afetado por ruído.
Figura 8.1 – Avaliação do módulo de classificação OFDM.
(b) Faixa de excursão de valores de resposta da rede neural RBF do módulo de classificação OFDM
Fonte: a autora.
É importante salientar que esta RBF desconhece a maioria dos cenários de degradação de sinal, uma vez que ela foi treinada apenas com amostras do sinal sem qualquer degradação, com degradação de -5 dB e com ruído AWGN puro. Portanto, fica confirmada a capacidade de generalização da RBF OFDM para situações de degradação de sinal por ela desconhecidas.
Conforme discutido no Capítulo 4 o módulo de classificação OFDM foi também avaliado sob o aspecto das probabilidades de detecção (PD) e
Figura 8.1 – Avaliação do módulo de classificação OFDM. (c) Probabilidade de detecção do módulo de classificação OFDM
(d) Probabilidade de falso alarme do módulo de classificação OFDM
A curva da ROC do módulo de classificação OFDM foi obtida para diferentes limiares de decisão (λ), conforme apresentado na Figura 8.1e.
Figura 8.1 – Avaliação do módulo de classificação OFDM. (e) ROC do módulo de classificação OFDM
Fonte: a autora.
Para o limiar de decisão adotado no desenvolvimento deste trabalho, λ=0.5, destacado na Figura 8.1e, a probabilidade de detecção corresponde a PD=0.945
enquanto que a probabilidade de falso alarme corresponde a PFA=0.055.
A presença de ruído AWGN altera a forma de decaimento da curva dos autovalores significativos. Conforme o ruído aumenta, maior tornam-se os autovalores referentes ao subespaço de ruído. A Figura 8.2 ilustra esse comportamento.
Figura 8.2 – Curvas de decaimento dos autovalores para sinal OFDM 256. (a) Autovalores para sinal OFDM 256 sem ruído
(b) Autovalores para sinal OFDM 256 com SNR de 10 dB Autovalores A mp lit u d e
Figura 8.2 – Curvas de decaimento dos autovalores para sinal OFDM 256. (c) Autovalores para sinal OFDM 256 com SNR de 5 dB.
Fonte: a autora.
Analisando a resposta do classificador proposto em comparação com os métodos de detecção propostos por Zeng e Liang (2007) conclui-se que os algoritmos EME e MME são capazes de avaliar a presença de UP sob SNRs da ordem de -20 dB. O classificador proposto apresentou 20% de acertos para uma SNR de -15 dB. A grande diferença entre os algoritmos EME e MME e o método aqui proposto reside no fato de que com o uso do classificador é possível saber que tipo de sinal está sendo transmitido no canal de comunicação. Nos métodos propostos por Zeng e Liang (2007) não há possibilidade de obter-se esse tipo de informação. Além disso, com a utilização do classificador, não há necessidade de cálculo da matriz de covariância (C) e dos autovalores 𝜆𝑚 a cada sensoriamento do espectro, bastando um processo de filtragem e análise dos valores pela RBF para obter-se uma resposta sobre a presença de UP no canal analisado, conforme demonstrado na Seção 7.3.
Apesar do classificador não ter sido capaz de realizar a detecção sob SNR de -20 dB é importante salientar que a sua utilização pode reduzir significativamente o tempo necessário para o processo de detecção. Com os algoritmos EME e MME é
necessário o cálculo dos autovalores 𝜆𝑚a cada ciclo de sensoriamento, operação esta que é computacionalmente dispendiosa, conforme apresentado na Seção 7.3. No caso da utilização do classificador proposto, uma vez formado o conjunto de módulos de classificação, o processo de detecção, descrito na Seção 7.3, é menos complexo e bastante rápido.