Modelo de muestreo comprimido multiespectral para radio cognitiva

La radio cognitiva es una de las técnicas más prometedoras para optimizar el uso del espectro. Sin embargo, la gran cantidad de información espectral que es necesario analizar para identificar y asignar porciones espectrales hace que se incrementen los tiempos de asignación de canal debido al previo procesamiento de los datos y, por lo tanto, no sea posible ofrecer servicio a todos los dispositivos que lo requieran. El muestreo comprimido, por su parte, es una técnica que permite la reconstrucción de señales dispersas o compresibles usando un número menor de muestras que las requeridas por el criterio de Nyquist. En este trabajo se presenta un nuevo modelo que usa muestreo comprimido multiespectral para el sensado del espectro radioeléctrico en radio cognitiva, que mejora los tiempos de sensado y asignación de canal al disminuir el tamaño de los datos necesarios para reconstruir la información espectral de potencia a distintas bandas. Este modelo se basa en arquitecturas que usan muestreo comprimido para analizar imágenes multiespectrales. Se propone la operación de un gestor espectral centralizado que mediante patrones binarios selecciona o descarta los datos de potencia de diferentes radios definidos por software ubicados en diferentes posiciones geográficas. El gestor espectral, con base en las muestras tomadas y aplicando las técnicas de muestreo comprimido multiespectral, reconstruye un cubo de datos con la información de potencia transmitida y frecuencia de operación de todos los usuarios. Los resultados muestran que es posible esta reconstrucción utilizando solo 50% de las muestras generadas por todos los dispositivos, y que la información se puede almacenar usando solo 6,25% del total de datos originales.