공역 감지를 위한 고유값 기반 스펙트럼 센싱 알고리즘

초록

본 논문은 2차 사용자(secondary user)가 수신한 신호의 공분산 행렬 고유값을 이용한 두 가지 스펙트럼 감지 기법을 제안한다. 첫 번째는 최대 고유값과 최소 고유값의 비율(MME), 두 번째는 평균 고유값과 최소 고유값의 비율(EME)이다. 최신 랜덤 매트릭스 이론(RMT)을 적용해 각각의 비율 분포를 분석하고, 허위 경보 확률(PFA)과 탐지 확률(PD)을 유도한다. 제안 기법은 잡음 불확실성에 강인하며, 신호가 고도로 상관될 경우 이상적인 에너지 검출보다 우수한 성능을 보인다.

상세 분석

본 연구는 인지 라디오(Cognitive Radio)에서 핵심적인 스펙트럼 감지 문제를 고유값 기반 통계량으로 접근한다. 시스템 모델은 다중 안테나 혹은 오버샘플링을 통해 얻은 M개의 관측 벡터 x(n)을 L개의 연속 샘플과 결합해 ˆx(n)∈ℂ^{ML} 로 구성하고, 이들의 샘플 공분산 행렬 R_x(N_s)= (1/N_s)∑_{n}ˆx(n)ˆx†(n) 를 계산한다. 잡음은 백색 가우시안이며, 신호와 잡음은 서로 독립이라고 가정한다.

R_x는 이론적으로 R_x = H R_s H† + σ_η^2 I_{ML} 로 표현되며, 여기서 H는 채널·필터 행렬, R_s는 신호 공분산이다. 고유값 λ_i는 ρ_i+σ_η^2 (ρ_i는 H R_s H† 의 고유값) 로 분해된다. 신호가 없을 경우 모든 λ_i = σ_η^2 이므로 λ_max/λ_min = 1이다. 신호가 존재하면 최소 고유값은 여전히 잡음 파워에 근접하고, 최대 고유값은 신호 에너지에 의해 상승한다. 따라서 λ_max/λ_min > 1 은 신호 존재의 충분한 지표가 된다.

MME 알고리즘은 λ_max/λ_min 의 임계값 γ_1 을 설정해 결정한다. γ_1 은 잡음만 존재할 때의 비율 분포를 RMT(특히 Marčenko–Pastur 법칙과 Tracy–Widom 분포)를 이용해 분석한다. N_s가 충분히 크면 λ_max는 σ_η^2(1+√c)^2 에 근접하고, λ_min은 σ_η^2(1-√c)^2 (c=ML/N_s) 로 수렴한다. 이를 통해 PFA와 PD를 닫힌 형태로 도출하고, 원하는 PFA에 맞는 γ_1 을 역산한다.

EME 알고리즘은 평균 고유값 Δ = (1/ML)∑ λ_i 를 신호 에너지 T(N_s)와 동일시한다(증명은 부록 B). Δ/λ_min > γ_2 로 판단하며, γ_2 역시 RMT 기반으로 설계한다. 평균 고유값은 신호 파워와 직접 연관되므로, EME는 에너지 검출과 유사하지만 잡음 파워를 별도로 추정할 필요가 없다는 장점이 있다.

잡음 불확실성(Noise Uncertainty) 문제는 에너지 검출에서 α·σ_η^2 로 모델링되며, α∈