Análisis Comparativo del Desempeño de Técnica de Detección de Espectro en Entornos Simulados mediante Radios Definidos por Software

Abstract

El espectro radioeléctrico es un recurso limitado cuya gestión eficiente requiere técnicas de detección capaces de identificar bandas libres bajo condiciones adversas. En este trabajo se analizó comparativamente el desempeño de técnicas de detección de espectro, clásicas y basadas en aprendizaje automático, implementadas en una plataforma de radio definida por software bajo escenarios simulados con diferentes condiciones de ruido, movilidad y cooperación. Se diseño un entorno experimental modular utilizando el USRP N210 como plataforma de referencia, se implementaron cuatro detectores clásicos (energía, eigenvalores, cicloestacionario y filtro adaptado) y un ensemble híbrido que combina SVM-RBF, Random Forest y CNN 1D. Se desarrollaron doce modelos especializados para las combinaciones de tres modulaciones (QPSK, 16-QAM, OFDM) y cuatro condiciones de canal (estático, Rayleigh, EVA, ETU), evaluados mediante simulación Monte Carlo en el rango de SNR de −20 a +5 dB. Los resultados mostraron que el ensemble de aprendizaje automático alcanzó una probabilidad de detección promedio del 90,8 %, superando al detector de energía (9,8 %) por 80,9 puntos porcentuales, con detección perfecta para QPSK y 16-QAM incluso a −20 dB; la excepción fue OFDM en canales simples donde el espectro plano dificulta la discriminación. Se concluye que las técnicas de aprendizaje automático ofrecen desempeño significativamente superior en condiciones de bajo SNR, lo cual valida la hipótesis planteada, aunque la elección del detector óptimo depende del escenario específico y los recursos disponibles.

The radio spectrum is a limited resource whose efficient management requires detection techniques capable of identifying free bands under adverse conditions. In this work, the performance of classical and machine learning-based spectrum detection techniques imple- mented on a software-defined radio platform was comparatively analyzed under simulated scenarios with different noise, mobility, and cooperation conditions. A modular experimental environment was designed using the USRP N210 as the reference platform; four classical detectors (energy, eigenvalue, cyclostationary, and matched filter) and a hybrid ensemble combining SVM-RBF, Random Forest, and CNN 1D were implemented. Twelve specialized models were developed for combinations of three modulations (QPSK, 16-QAM, OFDM) and four channel conditions (static, Rayleigh, EVA, ETU), evaluated through Monte Carlo simulation over an SNR range from −20 to +5 dB. Results showed that the machine learning ensemble achieved an average detection probability of 90.8 %, outperforming the energy detector (9.8 %) by 80.9 percentage points, with perfect detection for QPSK and 16-QAM even at −20 dB; the exception was OFDM in simple channels where the flat spectrum hinders discrimination. It is concluded that machine learning techniques offer significantly superior performance under low SNR conditions, which validates the proposed hypothesis, although the optimal detector choice depends on the specific scenario and available resources.