基于matlab实现随机性信号检测（能量检测器）

✅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👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 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 σwthres_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dBSNR_len=length(SNR_dB);  SNR=10.^(SNR_dB/10);     % σs^2sigma_s=SNR.^0.5;   % 标准差σssigma_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​figureplot(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