Wideband and agile Spectrum Estimation (SE) is a fundamental component of the Cognitive Radio (CR) system. However, CR systems generally utilize the classical sensing techniques for SE due to heteroscedasticity of the available spectrum. Unfortunately, analysis of the Time-series data for SE using a testbed is rare to find out. A novel Goodness-of-Fit (GoF) based accurate SE technique for CR system has been proposed in this work involving Time-series data samples generated from Field Programmable Gate Array (FPGA) based Wireless open Access Radio Protocol (WARP) testbed having a sampling frequency of 40 MHz. Anderson–Darling (AD) rejection based Null-Hypothesis testing has been employed to implement the CR system within a frequency range of 9 kHz to 10 MHz. 1 MHz sinusoidal signal has been generated by the testbed for digital transmission/reception through Radio Board 1 and 3. Statistical parameters like Mean Square Error (MSE), Final Prediction Error (FPE), Loss Function and Fit(%) of the received samples adjudicate the Convex optimization of the data length. Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) are responsible for the selection of the Auto Regressive Moving Average (ARMA) (3,2) model for optimal signal processing. Finally, the Power Spectral Density (PSD) confirms the superiority of the proposed work with the most optimized data length and lag order in real-time. Computation of complexities of the proposed algorithms also indicates a parsimonious choice of the model.

宽带和敏捷频谱估计（SE）是认知无线电（CR）系统的基本组成部分。但是，由于可用频谱的异方差性，CR系统通常将经典的感应技术用于SE。不幸的是，很难找到使用测试床对SE的时间序列数据进行分析。这项工作中提出了一种新颖的基于拟合优度（GoF）的CR系统精确SE技术，该技术涉及从基于现场可编程门阵列（FPGA）的无线开放访问无线电协议（WARP）测试台生成的时间序列数据样本，该测试台具有采样频率为40 MHz。基于安德森–达林（AD）抑制的空假设假设测试已被用于在9 kHz至10 MHz频率范围内实施CR系统。测试台已生成1 MHz正弦信号，用于通过无线电板1和3进行数字发送/接收。统计参数，例如均方误差（MSE），最终预测误差（FPE），损失函数和接收样本的Fit（％）裁定数据长度的凸优化。Akaike信息标准（AIC）和贝叶斯信息标准（BIC）负责选择自动回归移动平均线（ARMA）（3,2）模型以进行最佳信号处理。最后，功率谱密度（PSD）证实了拟议工作的优势，它具有实时最优化的数据长度和滞后顺序。所提出算法的复杂度的计算也表明该模型的简化选择。最终样本的最终预测误差（FPE），损失函数和拟合度（％）决定数据长度的凸优化。Akaike信息标准（AIC）和贝叶斯信息标准（BIC）负责选择自动回归移动平均线（ARMA）（3,2）模型以进行最佳信号处理。最后，功率谱密度（PSD）证实了拟议工作的优势，它具有实时最优化的数据长度和滞后顺序。所提出算法的复杂度的计算也表明该模型的简化选择。最终样本的最终预测误差（FPE），损失函数和拟合度（％）决定数据长度的凸优化。Akaike信息标准（AIC）和贝叶斯信息标准（BIC）负责选择自动回归移动平均线（ARMA）（3,2）模型以进行最佳信号处理。最后，功率谱密度（PSD）证实了拟议工作的优势，它具有实时最优化的数据长度和滞后顺序。所提出算法的复杂度的计算也表明该模型的简化选择。Akaike信息标准（AIC）和贝叶斯信息标准（BIC）负责选择自动回归移动平均线（ARMA）（3,2）模型以进行最佳信号处理。最后，功率谱密度（PSD）通过最优化的数据长度和滞后顺序实时证实了所提出工作的优越性。所提出算法的复杂度的计算也表明该模型的简化选择。Akaike信息标准（AIC）和贝叶斯信息标准（BIC）负责选择自动回归移动平均线（ARMA）（3,2）模型以进行最佳信号处理。最后，功率谱密度（PSD）证实了拟议工作的优势，它具有实时最优化的数据长度和滞后顺序。所提出算法的复杂度的计算也表明该模型的简化选择。