【数据融合】集中式数据融合协同频谱感知（Matlab实现）

荔枝科研社

于 2024-08-18 14:08:20 发布

阅读量299

点赞数 3

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/weixin_46039719/article/details/141299167

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

频谱感知是认知无线电技术的核心组成部分，它使无线设备能够检测可用的频谱资源，并在授权用户不使用时动态接入这些频谱。集中式数据融合协同频谱感知（Centralized Data Fusion Cooperative Spectrum Sensing, CDF-CSS）是一种提高频谱感知准确性和效率的方法，它通过将多个分布式传感器的数据集中到一个中心节点来进行综合分析，以实现更准确的频谱空闲检测。集中式数据融合是指将从多个传感器收集的数据汇总到一个中心节点进行处理和分析的过程。这种方法能够利用多个传感器提供的信息，从而提高检测的准确性和可靠性。在集中式数据融合中，中心节点通常负责执行数据融合算法，根据从各个传感器接收的信息做出最终决策。协同频谱感知是一种频谱感知技术，其中多个传感器协同工作，共同检测频谱空闲情况。这种技术能够克服单个传感器因信噪比低或阴影效应而导致的误检率高的问题。通过协同感知，即使某些传感器未能正确检测到频谱空闲，其他传感器的数据也可以弥补这一不足，从而提高整体的检测性能。

📚2 运行结果

主函数部分代码：


C%% Gaussian noise matrices (MxN):
W0(m,n)=0; W1(m,n)=0;
for j = 1:m
W0(j,:) = normrnd(0,sqrt(Sigma2(j)/2),1,n) + 1j*normrnd(0,sqrt(Sigma2(j)/2),1,n);
W1(j,:) = normrnd(0,sqrt(Sigma2(j)/2),1,n) + 1j*normrnd(0,sqrt(Sigma2(j)/2),1,n);
end

%% Signal and noise power measurements in each run
PRx_measured(i)=(sum(sum(abs(H*S).^2))/(m*n));
Pnoise_measured(i)=(sum(sum(abs(W0).^2))/(m*n));

%% Received signal matrices under H0 and H1 (MxN):
X_h0 = W0; X_h1 = H*S + W1;

%% Received signal cov matrix:
R_h0 = X_h0*X_h0'/n; R_h1 = X_h1*X_h1'/n; 

%% EIGENVALUES:
lambda_h0 = (sort((eig(R_h0)),'descend')); lambda_h1 = (sort((eig(R_h1)),'descend'));

%% MED (maximum eigenvalue detection) test statistic:
Tmed_h0(i)=lambda_h0(1)/(mean(Sigma2)); Tmed_h1(i)=lambda_h1(1)/(mean(Sigma2));
 
%% GLRT (generalized likelihood ratio test) teststatistic:
Tglrt_h0(i)=lambda_h0(1)/sum(lambda_h0(2:m)); Tglrt_h1(i)=lambda_h1(1)/sum(lambda_h1(2:m));
  
%% MMED (maximum-minimum eigenvalue detection) test statistic:
Tmmed_h0(i)=lambda_h0(1)/lambda_h0(m); Tmmed_h1(i)=lambda_h1(1)/lambda_h1(m);
 
%% ED (energy detection) test statistic:
SUM0 = 0; SUM1 = 0; for c = 1:m 
 SUM0 = SUM0 + sum(abs(X_h0(c,:)).^2)/(Sigma2(c));
 SUM1 = SUM1 + sum(abs(X_h1(c,:)).^2)/(Sigma2(c));
end;  Ted_h0(i) = SUM0; Ted_h1(i) = SUM1;

%% AGM (arithmetic to geometric mean detection) test statistic:
Tagm_h0(i)=sum(lambda_h0)/((prod(lambda_h0))^(1/m));  Tagm_h1(i)=sum(lambda_h1)/((prod(lambda_h1))^(1/m));

%% HR (Hadamard ratio) test statistic:
Thr_h0(i) = real(det(R_h0)/prod(diag(R_h0)));
Thr_h1(i) = real(det(R_h1)/prod(diag(R_h1)));

%% VD1 (Volume-based detection) test statistics:
for j=1:m; dh0(j)=norm(R_h0(j,:)); dh1(j)=norm(R_h1(j,:)); end