선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 전력 스펙트럼의 최대값과 최소값의 비를 시험 통계량으로 사용하는 스펙트럼 감지 방식을 제안하고, 이에 대한 성능 분석을 하였다. 성능 분석 결과에 따르면 제안한 방식은 오경보 확률과 검파 확률을 함께 고려하는 측면에서는 기존의 방식에 비해 다소 떨어지는 성능을 보였지만, 배경 잡음 전력 수준과 무관하게 일정한 오경보 확률을 확보할 수 있음을 확인할 수 있어 배경 잡음 전력의 수준과 관계없이 일정한 오경보 확률을 요구하는 환경에서는 유효한 스펙트럼 센싱 방식이 될 수 있음을 확인할 수 있었다.
- 본 논문은 Ⅰ장 서론에 이어 Ⅱ장에서 전력 스펙트럼의 최대값과 최소값의 비율을 시험 통계량으로 사용하는 방안을 소개한다. 그리고 Ⅲ장에서는 이 방안에 대한 오경보 확률을 분석하는 과정을 기술하며, Ⅳ장에서 분석 결과에 따른 수치 결과를 제시하고, 이것이 전산 모의 실험 결과와 일치함을 설명한다.
- 따라서 이런 정규화를 [7]에 적용한다면 잡음 전력 수준에 영향을 받지 않는 스펙트럼 감지 방식을 기대할 수 있다. 이에 본 논문에서는 전력 스펙트럼의 최대값과 최소값의 비율을 시험 통계량으로 사용하는 방안을 제시하고, 분석을 통하여 해당 방안의 오경보 확률을 도출하며 이를 통해 검파 임계값이 잡음 전력과 무관함을 보이고자 한다.
가설 설정
- 그림 2는 잡음 불확실성이 존재하는 상황에서 본 논문에서 제안한 방식의 오경보 확률과 기존의 방식의 오경보 확률이 목표 오경보 확률에 따라 어떻게 달라지는가를 보여주고 있다. 이 결과는 전산 모의 실험을 통해서 얻은 자료로서, 편의상 M = 1으로 가정하였고, 이때 사용한 임계값은 식(8)을 이용하여 수치 검색을 사용하여 결정했다. 그림에서 알 수 있는 바와 같이 본 논문에서 제안한 방식은 잡음 전력의 수준과 관계없이 목표로 하는 오경보 확률을 달성하고 있음을 확인할 수 있어 식(8)로 표현되는 분석 결과가 정확하다고 할 수 있다.
- 그림 3은 잡음 불확실성이 존재하는 상황에서 본 논문에서 제안한 방식과 기존 방식의 미검파 확률(miss detection probability)이 오경보 확률에 따라 어떻게 변하는지는 보여주고 있다. 편의상 M = 1으로 가정하였고, 우선 사용자의 신호 대 잡음비 SNR은 -10 dB로 설정하였다. 그림에서 보는 바와 같이 제안한 방식의 성능이 기존의 방식보다 동일한 오경보 확률에 대하여 미검파 확률이 크기 때문에 성능이 떨어진다는 것을 알 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.