Jakub Flotyński, Mateusz Jasiński, Andrzej Siejak, Marcin Słociński, Adrian Kliks Katedra Radiokomunikacji Wydział Elektroniki i Telekomunikacji Politechnika Poznańska Sprzętowa realizacja metody wykrywania sygnałów innych użytkowników w oparciu o detekcję energii W artykule przedstawiono sprzętową realizację metody wykrywania sygnałów pochodzących od innych użytkowników przeznaczoną do zastosowań np. w terminalach radia kognitywnego. Wybrany algorytm, bazujący na detekcji energii użytkownika głównego w rozważanym paśmie częstotliwościowym, został zaimplementowany w języku C++, a następnie zintegrowany ze środowiskiem GRC dedykowanym m.in. dla platformy radia programowalnego USRP. Opisane zostały również wyniki testów dla różnych sygnałów nadawanych, generowanych zarówno za pomocą sprzętowego generatora sygnałów firmy R&S, jak i programowo z wykorzystaniem środowiska GRC i nadawanych za pomocą anten dookólnych w nielicencjonowanym paśmie ISM. Zaletą sygnałów wytworzonych programowo była możliwość zmiany ich amplitudy oraz częstotliwości nośnej w czasie rzeczywistym. Słowa kluczowe: detekcja energii, algorytmy wykrywania użytkowników, radio kognitywne, platforma USRP, środowisko GRC In this paper the hardware implementation of the signal sensing algorithm has been described. The chosen method, based on the energy detection in the considered frequency band, has been implemented in the C programming language and next integrated with the GRC environment. Such a solution is dedicated to the USRP platform. Furthermore, the test results have been described, which have been obtained for various simulation cases: first, when the signal has been generated by means of the hardware signal generator by R&S, and second, when the signal has been created in the software manner. The advantage of the second case was the possibility of the real-time modification of the transmitted signal amplitude and its carrier frequency. The software-generated signals have been then transmitted in the unlicensed ISM frequency band. Keywords: energy detection, sensing algorithms, cognitive radio systems, USRP platform, GRC environment 1. Wprowadzenie 1 Systemy radia kognitywnego należą obecnie do bardzo intensywnie rozwijanego obszaru badań naukowych w dziedzinie szeroko pojętej telekomunikacji oraz elektroniki [1]. Ich podstawową cechą jest umiejętność oceny aktualnych warunków transmisyjnych (np. dostępności poszczególnych pasm częstotliwościowych, parametrów wybranego kanału transmisyjnego etc.), a następnie dostosowania się do nich dzięki podjęciu optymalnej przy przyjętych założeniach decyzji odnośnie sposobu nadawania i odbioru danych. Dzięki takiemu założeniu możliwe staje się efektywne wykorzystanie dostępnych dla danego systemu zasobów radiowych, gdyż wszyscy użytkownicy będą umieli dostosować parametry swojej transmisji tak, aby zmaksymalizować swoją przepustowość przy jednoczesnym minimalizowaniu interferencji wprowadzanych do innych użytkowników. Taka funkcjonalność terminala ruchomego (a w ogólności całego systemu telekomunikacyjnego) staje się szczególnie pożądana w kontekście planowanego na 2012r. (w Polsce prawdopodobnie 2013r.) wyłączenia analogowej transmisji sygnału telewizyjnego i zastąpienia go tzw. transmisją cyfrową [2]. W konsekwencji po wyłączeniu telewizji analogowej w zakresie częstotliwości telewizyjnych od 470MHZ do 862MHz pojawią się niewykorzystane pasma częstotliwościowe, na- 1 Praca wykonana w ramach projektu FP7-ICT Network of Excellence ACROPIOLIS - Advanced coexistence technologies for radio optimisation in licensed and unlicensed spectrum, finansowanego w ramach 7. Programu Ramowego Unii Europejskiej
zwane także białymi plamami. W zależności od lokalizacji dostępne będą różne zwolnione pasma częstotliwościowe, które z dużym prawdopodobieństwem będą mogły być wykorzystane do celów radia kognitywnego. W takim przypadku terminal użytkownika rozpoznawałby, jakie zakresy częstotliwości są w danej lokalizacji i w danej chwili dostępne do transmisji danych, a następnie bazując na posiadanej informacji podejmowałby decyzje o sposobie realizacji wybranego połączenia. Bazując na przedstawionym przykładzie białych plam, w jednej lokalizacji użytkownik mógłby wykorzystać do transmisji kanały telewizyjne np. pomiędzy 40 a 45, aby po przemieszczeniu się w inne miejsce mieć do dyspozycji kanały 40 oraz od 43 do 47. Przełączenie się pomiędzy poszczególnymi pasmami częstotliwościowymi powinno być oczywiście niezauważalne dla użytkownika. Poważnym problemem realizacyjnym systemów radia kognitywnego jest sposób otrzymywania i uaktualniania informacji o dostępnych w danej chwili i w danym położeniu zasobach radiowych. W literaturze przedmiotu odnaleźć można szereg różnorodnych rozwiązań, począwszy od propozycji utworzenia jednostki centralnej, zarządzającej odgórnie widmem częstotliwościowym, na rozwiązaniach zdecentralizowanych i rozproszonych kończąc [3], [4]. W każdym przypadku istotnym elementem systemu kognitywnego jest sposób rozpoznawania, w jaki jednostka centralna czy terminal ruchomy będzie umiał ocenić, czy w danej chwili wybrane pasmo częstotliwościowe jest już zajęte, a jeśli nie jest, to z jakimi parametrami można rozpocząć transmisję, aby nie zakłócić sygnałów innych użytkowników. Należy bowiem pamiętać, że jednym z podstawowych założeń funkcjonowania radia kognitywnego jest brak zakłóceń pochodzących od terminala rozpoczynającego transmisję, a ponadto zapewnienie niezakłóconej transmisji użytkownikom o wyższym priorytecie lub tzw. użytkownikom pierwotnym. W tym kontekście poprawne wykrycie obecności (i charakteru) sygnału już nadawanego przez użytkownika o niższym priorytecie (lub użytkownika wtórnego) oraz dostosowanie na tej podstawie parametrów transmisyjnych staje się kluczowym zagadnieniem. W artykule przedstawiono sprzętową realizację jednego z najpopularniejszych algorytmów wykrywania obecności sygnału pochodzącego od innych użytkowników, a bazującego na detekcji energii. Wybrany adaptacyjny algorytm został napisany w języku C++, a następne zintegrowany ze środowiskiem GRC (GNU Radio Companion). Dzięki temu możliwe stało się przeprowadzenie testów symulacyjnych z wykorzystaniem rzeczywistych sygnałów odbieranych za pomocą platformy radia programowalnego USRP. Zaimplementowany algorytm potrafił rozpoznawać obecność sygnału nadawanego przez innego użytkownika w zadanym przedziale częstotliwości i w czasie rzeczywistym reagować na zmiany położenia widma tego sygnału w dziedzinie częstotliwości. W dalszej części artykułu zaprezentowano kolejno następujące zagadnienia. W rozdziale 2 dokonano ogólnego omówienia metod wykrywania sygnału innych użytkowników. W rozdziale 3 scharakteryzowano środowisko programistyczne GRC oraz opisano platformę USRP. Wyniki przeprowadzonych badań testowych zostały omówione w rozdziale 4. Całość pracy podsumowano w rozdziale 5. 2. Metody wykrywania sygnałów od innych użytkowników Jak już wspomniano, jedną z podstawowych wymagań stawianym terminalom radia kognitywnego jest możliwie bezbłędne pozyskiwanie informacji na temat zajętości wybranego fragmentu pasma częstotliwościowego. Jedna z możliwych koncepcji zakłada obecność jednostki centralnej, która zarządzałaby przydziałem pasm częstotliwości (zwolnionych w danej chwili i w danym miejscu i możliwych do wykorzystania) pomiędzy użytkowników radia kognitywnego zgłaszających zapotrzebowania na pewne jednostki widma częstotliwościowego. Z drugiej strony badane są także rozwiązania bazujące na zastosowaniu algorytmów wykrywania (nasłuchiwania) sygnałów pochodzących od innych użytkowników. Coraz częściej jednak proponuje się, aby oba rozwiązania współdziałały ze sobą. W tym kontekście konieczne staje się wybranie takich algorytmów wykrywania sygnałów, które będą odznaczały się wysoką skutecznością oraz prostotą implementacji. Poniżej przedstawiono krótką charakterystykę wybranych metod wykrywania sygnałów [3],[4]: A. Algorytmy bazujące na wykrywaniu energii [5][6]
Jest to najpopularniejsza klasa metod wykrywania sygnałów pochodzących od innych użytkowników, znana także pod nazwą metody radiometrii oraz metody periodogramu; algorytmy te charakteryzują się dużą prostotą implementacji oraz relatywnie niewielką liczbą wykonywanych obliczeń. Dodatkowo użytkownik radia kognitywnego, starający się wykryć obecność innych użytkowników, nie musi posiadać żadnych informacji na temat charakteru ich sygnałów. W tym przypadku potwierdzenie hipotezy o obecności sygnałów innych użytkowników polega jedynie na weryfikacji, czy poziom odbieranej energii w zadanym paśmie częstotliwościowym jest większy od pewnego założonego poziomu. Kluczowym problemem pozostaje kwestia doboru wartości tego poziomu lub jego adaptacja w zależności od typu kanału. B. Algorytmy bazujące na badaniu cyklostacjonarności [7] W tej klasie algorytmów wykorzystuje się własność cyklostacjonarności sygnałów innych użytkowników, które są nadawane w określonych systemach telekomunikacyjnych. W takim przypadku sygnały te charakteryzują się okresowością pewnych ich wybranych parametrów, również statystycznych, takich jak wartość funkcji autokorelacji. Innymi słowy zamiast funkcji gęstości mocy do wykrywania sygnałów innych użytkowników używana jest cykliczna funkcja korelacji. Metody bazujące na badaniu własności cyklostacjonarności pozwalają na bezbłędne odróżnienie szumu (nawet wysokiej mocy) od sygnału użytkownika, bowiem zakłada się, że szum występujący w kanale jest nieskorelowany. Dodatkowo możliwe jest określenie typu wykrywanego sygnału, a wręcz dokonanie prostej klasyfikacji. C. Algorytmy bazujące na wykrywaniu cech charakterystycznych sygnałów [8] W przypadku algorytmów należących do tej grupy wykorzystuje się fakt, że sygnały pochodzące od innych użytkowników posiadają pewne określone cechy wynikające wprost ze wskazań standaryzacyjnych. W szczególności sygnały nadawane posiadają pewne wzorce, które są typowe dla danego systemu, np. nadawane cyklicznie preambuły, ciągi treningowe, sygnały pilotów, sygnały referencyjne itd. Terminal radia kognitywnego, wiedząc jaki zakres częstotliwości jest rozpatrywany, a więc wiedząc, jakiego typu potencjalnie sygnały mogą być obecne, stara się sprawdzić obecność odpowiednich sygnałów wzorcowych. D. Algorytmy bazujące na zastosowaniu filtrów dopasowanych [9] Tego typu rozwiązania wydaja się dedykowane dla przypadków, w których odbiornik kognitywny posiada pełną informację o sygnałach użytkowników pierwotnych. W takiej sytuacji terminal może zastosować optymalną filtrację dopasowaną do stwierdzenia, czy faktycznie dany zakres częstotliwościowy jest wykorzystywany do transmisji. Zaletą tego typu algorytmów jest ich niskie prawdopodobieństwo błędnej decyzji, natomiast poważną wadę stanowi ich złożoność obliczeniowa (należy rozkodować sygnał innych użytkowników) oraz konieczność posiadania pełnej wiedzy o sygnale użytkownika głównego. W literaturze przedmiotu można odnaleźć jeszcze wiele innych propozycji algorytmów wykrywania sygnałów pochodzących od innych użytkowników. Bardzo często proponowane rozwiązania bazują na połączeniu różnych aspektów wykorzystywanych w wyżej wymienionych klasach algorytmów. I tak np. algorytmy zaliczane do odrębnej grupy zwanej identyfikacją sygnału radiowego [10] zasadzają się na zminimalizowaniu prawdopodobieństwa błędnej detekcji sygnału dzięki podejmowaniu decyzji w dwóch krokach. W pierwszym kroku na podstawie np. wykrywania energii, określa się zgrubnie położenie sygnałów użytkowników pierwotnych w widmie częstotliwościowym, a także ze względu na charakter rozłożenia energii w dziedzinie częstotliwości szacuje się o możliwym rodzaju transmisji. W drugim kroku, algorytmy z tej grupy starają się wykryć pewne cechy charakterystyczne dla sygnałów zgrubnie sklasyfikowanych w pierwszym kroku.
W niniejszej pracy do dalszych testów implementacyjnych został wybrany algorytm bazujący na wykrywaniu energii w zadanym paśmie częstotliwościowym, zaproponowany w [11]. Jego cechą charakterystyczną jest możliwość adaptacyjnego wyznaczenia wartości poziomu odniesienia używanego bezpośrednio w procesie weryfikacji hipotezy o obecności sygnału innego użytkownika. 3. System GRC oraz platforma USRP Wybrany adaptacyjny algorytm bazujący na wykrywaniu energii został zaimplementowany w języku C++, a następnie zintegrowany ze środowiskiem GRC (GNU Radio Companion) [12]. Zgodnie z opisem, który znajduje się na stronie projektu, GNU Radio stanowi zespół darmowych (typu open-source) modułów funkcjonalnych (bibliotek) z zakresu szeroko rozumianego przetwarzania sygnałów, umożliwiających utworzenie w prosty sposób układu radia programowalnego. Aplikacje z wykorzystaniem komponentów GNU Radio pisane są z reguły w języku programowania Python, jednakże zastosowanie języka C++, także w trybie stałoprzecinkowym, jest możliwe zwłaszcza w przypadku bardziej rozbudowanych i krytycznych obliczeniowo procedur. Środowisko graficzne GRC (GNU Radio Companion) umożliwia łączenie poszczególnych bloków funkcjonalnych w całość w bardzo prosty sposób, ułatwia także proces konfiguracji poszczególnych bloków. Środowisko współpracuje z jednym z najbardziej popularnych platform programowalnych dedykowanych do utworzenia terminalu radia programowalnego USRP (Universal Software Radio Peripheral) [13]. Platforma ta została wyprodukowana w firmie typu spin-off Ettus Research LLC założonej w 2004r., a ostatnio przejętej przez National Instruments Corporation. Z analizy rynku wynika, że USRP jest najpopularniejszą platformą wykorzystywaną przy testowaniu algorytmów radia kognitywnego [14]. Dzięki swojej architekturze (przedstawionej schematycznie na Rys. 1.) możliwe staje się bardzo szybkie zweryfikowanie poprawności zaproponowanych algorytmów dla radia kognitywnego z wykorzystaniem platformy sprzętowej. Jak wynika z przedstawionego rysunku, platforma USRP stanowi w zasadzie elastyczny stopień wejściowo-wyjściowy. Sygnał, generowany całkowicie programowo, zostaje przeniesiony cyfrowo do pasma pośredniej częstotliwości (operacja ta wykonywana jest na płycie matce motherboard), a następnie przenoszona do pasma RF dzięki wykorzystaniu dedykowanej płytki końcowej (płytka córka daughterboard). W zależności od rodzaju płytki końcowej pokryte zostanie inne pasmo częstotliwości. W niniejszych badaniach wykorzystano moduł RFX2400 pozwalający na pracę w paśmie w okolicach 2.4GHz. Szczegółowy opis platformy USRP można znaleźć np. w pracy [15]. Rys. 1 Ogólny schemat przetwarzania danych w platformie USRP 4. Testy symulacyjne i wnioski Jak już wspomniano we wcześniejszych rozdziałach w ramach testów implementacyjnosprzętowych z wykorzystaniem platformy USRP postanowiono zbadać algorytm wykrywania innych użytkowników bazujący na detekcji energii z adaptacyjnie dobieraną wartością progu odniesienia. Uwzględniając charakterystykę funkcjonowania środowiska GRC wraz z wybraną platformą USRP stwierdzono, że sam algorytm powinien być napisany jako zewnętrzny blok przetwarzania sygnału z wykorzystaniem języku C++. Utworzony interfejs aplikacji API stworzonego bloku zewnętrznego przetwarzania sygnału jest zgodny z interfejsem pozostałych
bloków, stanowiących integralną część pakietu GNU Radio. Sam moduł jako argument wejściowy pobiera wektor zespolonych próbek sygnału, odbieranych na wyjściu filtru pasmowego lub bloku USRP Source (odpowiedzialnego za komunikację z platformą USRP). Blok wymaga ponadto określenia parametrów takich jak: wymiar FFT N (określa jednocześnie rozdzielczość w dziedzinie częstotliwości), typ funkcji okna dla FFT (wpływa na obliczaną estymatę widma sygnału, określa dynamikę i rozdzielczość operacji FFT), liczba próbek czasu uśredniania (definiuje liczbę kolejnych, N wymiarowych wektorów próbek FFT, dla których obliczane będą statystyki), częstotliwość środkowa skanowanego pasma wysokich częstotliwości RF (wyrażoną w Hz), szerokość skanowanego pasma (również wyrażoną w Hz). Dwie przykładowe konfiguracje, w której źródłem odbieranego sygnału jest odpowiednio moduł URSP albo moduł programowy, przedstawione są na rysunkach 2 i 3, będących tzw. zrzutem z ekranu w trakcie pracy w środowisku GRC. Rys. 2 Schemat przetwarzania sygnału w utworzonym symulatorze wykonanym w środowisku GRC źródło sygnału pochodzi z platformy sprzętowej USRP Rys. 3 Schemat przetwarzania sygnału w utworzonym symulatorze wykonanym w środowisku GRC źródło sygnału jest generowane programowo Otrzymany wektor próbek sygnału w dziedzinie czasu jest przekształcany do dziedziny częstotliwości za pomocą N-punktowego algorytmu FFT. Próbki w dziedzinie częstotliwości, pojawiające się na wyjściu bloku FFT, stanowią podstawę do obliczenia energii odbieranego sygnału. Wartości próbek energii zapisywane są do bufora o skończonej długości, równej liczbie próbek czasu uśred-
niania. Wyjście bloku stanowi plik w formacie CSV. Wiersze w pliku wyjściowym odpowiadają kolejnym chwilom czasowym (skala czasu), natomiast kolumny reprezentują widmo gęstości mocy sygnału (skali częstotliwości). Pojedyncza wartość w tabeli zlokalizowana w komórce (i,j) reprezentuje próbkę mocy sygnału w skali decybelowej, obliczoną jako wynik N-punktowego algorytmu FFT, dla dyskretnej częstotliwości f i w dyskretnej chwili czasu t j. Brak wartości oznacza, że na danej częstotliwości, w danej chwili wartość próbki nie przekracza progu detekcji. Warto dodać, że obliczenia mogą zostać przerwane z poziomu pętli programu głównego. Dla celów testowych zestawiono również kilka różnych konfiguracji sprzętowych. Wykorzystana została w nich platforma USRP wraz z modułem końcowym RFX2400, pracującym w paśmie częstotliwości 2,3 2,9 GHz. Źródłem próbek sygnału w dziedzinie czasu wewnątrz programu jest w tym przypadku blok USRP Source, odpowiedzialny za komunikację z platformą USRP. Próby przeprowadzono dla trzech przypadków: sygnał użytkownika pierwotnego jest sygnałem wąskopasmowym (sygnał sinusoidalny, którego częstotliwość zmieniano w trakcie pomiaru), spektrogram wykrytego sygnału przedstawiono na Rys. 4, sygnał pochodził z generatora sygnałów firmy R&S; sygnał użytkownika pierwotnego jest sygnałem wąskopasmowym (sygnał FM z wysoką i zmienianą w czasie dewiacją częstotliwości), spektrogram wykrytego sygnału przedstawiono na Rys. 5, sygnał pochodził z generatora sygnałów firmy R&S; sygnał OFDM o zmienianej mocy, wygenerowany programowo; spektrogram przedstawiono na Rys. 6. Rys. 4. Spektrogram uzyskany w przypadku detekcji sygnału sinusoidalnego (z uwzględnieniem filtrów kształtujących sygnał)
Rys. 5 Spektrogram uzyskany w przypadku detekcji sygnału FM Rys. 6. Spektrogram uzyskany w przypadku detekcji sygnału OFDM W przypadku sygnału sinusoidalnego udało się dokładnie zaobserwować zmiany położenia sygnału w dziedzinie częstotliwości. Algorytm podążał poprawnie za przesuwanym sygnałem użytkownika pierwotnego. Warto wspomnieć, że tak szerokie pasmo sygnału sinusoidalnego wynika z charakterystyki układów użytych do jego wytworzenia, nie ma to jednak wpływu na poprawność przedstawianych danych. Na osi poziomej spektrogramu zaznaczono kolejne numery podnośnych danych. Szerokość skanowanego zakresu częstotliwości była zmienna i ustalana programowo. Analogiczne rezultaty uzyskano dla sygnału FM generowanego na częstotliwości nośnej 2.45GHz. Zmiany w spektrogramie wynikają ze zmiany częstotliwości nośnej sygnału oraz ze zmiany wartości dewiacji częstotliwości sygnału.
Z kolei spektrogram uzyskany dla sygnału OFDM obrazuje zachowanie się algorytmu dla różnych wartości SNR odbieranego sygnału. Warto wspomnieć, że wartość progu detekcji sygnału ustalana była adaptacyjne na podstawie informacji o kanale i odbieranym sygnale (wartość szumu). Podsumowując, wybrany do testów algorytm doskonale odzwierciedla charakter wykrywanego sygnału w zadanym paśmie transmisyjnym. 5. Podsumowanie W artykule przedstawiono sposób sprzętowo-programowej realizacji algorytmu wykrywania sygnałów pochodzących od innych użytkowników z wykorzystaniem metody detekcji energii. Adaptacyjny algorytm został zaimplementowany w języku C++ oraz zintegrowany ze środowiskiem GRC. Testy symulacyjne zostały wykonane z użyciem platformy USRP oraz generatorem sygnałów R&S. Z przeprowadzonych badań wynika, że wybrany do implementacji algorytm pozwala na dokładne wykrywanie i śledzenie zmian położenia sygnałów pochodzących od użytkownika pierwotnego. Algorytm ten może być więc wykorzystany w celu zgrubnego określenia obecności sygnałów innych użytkowników. Powinien on także doskonale sprawować się w przypadku wykorzystania go w terminalach radia kognitywnego dedykowanych do pracy w ramach zwolnionego pasma telewizyjnego. W takim przypadku algorytm powinien tylko wykrywać obecność sygnału DVB z dokładnością do 8MHz. Kluczowym problemem pozostaje jednak kwestia doboru poziomu odniesienia wykorzystywana w algorytmie. Należy podkreślić, że badania przeprowadzono na sygnale generowanym z generatora sygnałów i odbieranym bezpośrednio za pomocą anteny połączonej z platformą USRP. Można potwierdzić, że platforma ta, wraz ze środowiskiem GRC, stanowi doskonałe narzędzie naukowo-dydaktyczne, pozwalające na szybką weryfikację algorytmów dedykowanych dla radia programowalnego, kognitywnego, ale nie tylko. Bibliografia [1] S. Haykin, Cognitive radio: brain-empowered wireless communications, IEEE J. Select. Areas Commun., vol. 3, no. 2, str. 201 220, luty 2005 [2] http://www.uke.gov.pl/uke/index.jsp?place=lead24&news_cat_id=270&news_id=2521&la yout=9&page=text, Konsultacje dywidendy cyfrowej, odczyt w dniu 30 maja 2011r. [3] T. Yucek; H. Arslan, "A survey of spectrum sensing algorithms for cognitive radio applications" IEEE Communications Surveys & Tutorials, vol.11, no.1, str. 116-130, pierwszy kwartał 2009, doi: 10.1109/SURV.2009.090109 [4] Y. Zeng, Y.-C. Liang, A. T. Hoang, R. Zhang, A Review on Spectrum Sensing for Cognitive Radio: Challenges and Solutions, EURASIP Journal on Advances in Signal Processing, vol. 2010, 15 stron, 2010. doi:10.1155/2010/381465 [5] G. Ganesan, Y. Li, Agility improvement through cooperative diversity in cognitive radio, IEEE Global Telecomm. Conf. (Globecom), vol. 5, St. Louis, Missouri, USA, listopad/grudzień 2005, str. 2505 2509 [6] P. Qihang, Z. Kun, W. Jun, L. Shaoqian, A distributed spectrum sensing scheme based on credibility and evidence theory in cognitive radio context, IEEE Int. Symposium on Personal, Indoor and Mobile Radio Commun. PIMRC 06, Helsinki, Finlandia, wrzesień 2006, str. 1 5 [7] M. Ghozzi, F. Marx, M. Dohler, J. Palicot, Cyclostationarity-based test for detection of vacant frequency bands, IEEE Int. Conf. Cognitive Radio Oriented Wireless Networks and Commun. (Crowncom), Mykonos, Grecja, czerwiec 2006 [8] H. Tang, Some physical layer issues of wide-band cognitive radio systems, IEEE Int. Symposium on New Frontiers in Dynamic Spectrum Access Networks, Baltimore, Maryland, USA, listopad 2005, str. 151 159
[9] R. Tandra, A. Sahai, Fundamental limits on detection in low SNR under noise uncertainty, IEEE Int. Conf. Wireless Networks, Commun. and Mobile Computing, vol. 1, Maui, HI, czerwiec 2005, str. 464 469. [10] G. Vardoulias, J. Faroughi-Esfahani, G. Clemo, R. Haines, Blind radio access technology discovery and monitoring for software defined radio communication systems: problems and techniques, Int. Conf. 3G Mobile Communication Technologies, Londyn, marzec 2001, str. 306 310 [11] F. Weidling, D. Datla, V. Petty, P. Krishnan, G.J. Minden, "A framework for R.F. spectrum measurements and analysis," First IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks. DySPAN 2005, str. 573-576, 8-11 listopada 2005, doi: 10.1109/DYSPAN.2005.1542672 [12] http://gnuradio.org [13] www.ettus.com [14] P. Pawelczak, K. Nolan; L. Doyle, Ser Wah Oh; D. Cabric, "Cognitive radio: Ten years of experimentation and development," IEEE Communications Magazine, vol.49, no.3, str.90-100, marzec 2011, doi: 10.1109/MCOM.2011.5723805 [15] S. Koslowski, M. Braun, J. P. Elsner, F. K. Jondral, Wireless Networks In-the-Loop: Emulating an RF front-end in GNU Radio, SDR Forum 2010 European Reconfigurable Radio Technologies Workshop, 25 czerwca 2010, Mainz, Niemcy; dostępne on-line: http://www.cel.kit.edu/download/errt_2010.pdf