✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
随机性信号检测是一种常用的信号检测方法,其中能量检测器是一种简单且常见的实现方式。在随机性信号检测中,我们的目标是判断接收到的信号是否包含特定的随机信号。
能量检测器基于信号的能量来进行判断。它通过计算接收到信号的功率或能量,并与一个预先设定的阈值进行比较。如果接收到的信号能量超过阈值,则判定为目标信号存在;否则,判定为目标信号不存在。
能量检测器的设计相对简单,且对于大部分随机性信号都可以有效地工作。然而,它也存在一些限制。首先,能量检测器对于噪声的敏感性较高,当噪声水平较高时,可能会导致误判。其次,能量检测器需要事先设置一个合适的阈值,这对于不同的信号和噪声情况可能需要进行调优。
在实际应用中,能量检测器常用于无线通信中的频谱感知、无线电侦察和雷达等领域。同时,为了提高检测性能,也可以结合其他的信号处理和检测方法,如相关性检测、协方差检测等,来完成对随机性信号的检测任务。
⛄ 代码
% 已知参数的随机性信号检测 (能量检测器)
% 经典的假设检验问题,通常假设实信号:
% H0:只有高斯白噪声,均值为0,方差σw^2
% H1:高斯随机信号+白噪声,均值为0,方差σs^2+σw^2
% 这时候用似然比准则可以得到检测器为能量检测器
% 但是阈值不知道。本程序中给出了检测阈值。
% 另外,对于复信号理论上并没有给出推导,虽然也是能量
% 检测器,但是实际上和实信号还是有一定的区别的,
% 尤其在阈值上。本程序也给出了复信号的检测阈值,
% 并给出了较为简洁的分析方法。
% 在理论分析的基础上,利用蒙特卡洛仿真验证了结果。
% 给出的PDF文件中,有从书上截图,可以对比结果。
clear all; close all; clc;
N=25; % 信号长度
Pfa=1e-5; % 虚警概率
p = 1-Pfa; % 卡方分布的累积概率密度为1-Pfa
% 注意:实数据和复数据的门限是不一样的
% 原因在于,实数据是N个x^2相加,每个x~N(0,σw^2)
% Tx=sum(x^2),那么Tx/σw^2就服从于N自由度的卡方分布
% 而复数据,虽然也是N个数据的平方和相加,但如果把实部和虚部拆开来看
% 就变成了2N个数据的平方和相加,每个数据x~N(0,σw^2/2),
% Tx=sum(x^2),那么Tx/(σw^2/2)就服从于2N自由度的卡方分布
% 所以应该按照下面的两个公式分别求解实数和复数的检测门限
sigma_w=1; % 高斯白噪声的标准差 σw
thres_shi_theory = chi2inv(p,N)*sigma_w^2; %根据逆卡方分布的累积函数,求解实序列的检测阈值
thres_com_theory = chi2inv(p,2*N)*sigma_w^2/2; %根据逆卡方分布的累积函数,求解复序列的检测阈值
SNR_dB=-20:10; % 信噪比 σs^2/σw^2,单位dB
SNR_len=length(SNR_dB);
SNR=10.^(SNR_dB/10); % σs^2
sigma_s=SNR.^0.5; % 标准差σs
sigma_all=sqrt(sigma_s.^2+sigma_w.^2); % H1假设下的标准差,因为总方差是σs^2+σw^2
Mont_num=10000; % 蒙特卡洛仿真次数
for ii=1:SNR_len
sigma_s=SNR(ii)^0.5; % 信号分量的标准差σs
num_detect_shi=0; % 实信号检测时的计数器,初始化
num_detect_complex=0;
for jj=1:Mont_num
%% 复信号
x_real=sigma_all(ii)/(2^0.5)*randn(1,N); % 复信号的实部
x_imag=sigma_all(ii)/(2^0.5)*randn(1,N); % 复信号的虚部
x_complex=x_real+1i*x_imag; % 复信号
Tx_complex=x_complex*x_complex'; % 计算出来的Tx
if Tx_complex>thres_com_theory % 复信号检测
num_detect_shi=num_detect_shi+1; % 计数器加1
end
%% 实信号
x_shi=sigma_all(ii)*randn(1,N); % 实信号
Tx_shi=x_shi*x_shi'; % 计算出来的Tx
if Tx_shi>thres_shi_theory
num_detect_complex=num_detect_complex+1;
end
end
detect_rate_complex(ii)=num_detect_shi/Mont_num; % 复信号仿真的检测概率
detect_rate_shi(ii)=num_detect_complex/Mont_num; % 实信号仿真的检测概率
end
PD_complex= 1-chi2cdf(2*thres_com_theory/sigma_w.^2./(SNR+1),2*N); %复信号的理论检测概率
PD_shi= 1-chi2cdf(thres_shi_theory/sigma_w.^2./(SNR+1),N); %实信号的理论检测概率
figure
plot(SNR_dB,PD_shi,'r-','Linewidth',2); hold on;
plot(SNR_dB,detect_rate_shi,'ro');hold on;
plot(SNR_dB,PD_complex,'b-','Linewidth',2); hold on;
plot(SNR_dB,detect_rate_complex,'bo');
grid on;
legend('理论值(实)','仿真值(实)','理论值(复)','仿真值(复)')
axis([SNR_dB(1) SNR_dB(end) 0 1]);
⛄ 运行结果
⛄ 参考文献
[1] 张昊.基于matlab的连续DTMF信号检测的程序实现[J].福建电脑, 2009(4):2.DOI:10.3969/j.issn.1673-2782.2009.04.105.
[2] 杨玄.基于DSP可控震源伪随机信号发生器设计[D].长江大学,2012.
⛳️ 代码获取关注我
❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
2.图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
3 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
4 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
5 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
6 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
7 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
8 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
9 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合