认知无线电----能量检测法原理介绍及MATLAB实现

YHCANDOU

已于 2022-04-12 17:52:10 修改

阅读量1.7w

点赞数 37

分类专栏：认知无线电文章标签： matlab 开发语言

于 2021-02-06 15:23:42 首次发布

本文链接：https://blog.csdn.net/yhcwjh/article/details/113725703

版权

认知无线电频谱感知能量检测虚警概率检测概率

关键词由CSDN通过智能技术生成

认知无线电专栏收录该内容

1 篇文章 15 订阅

订阅专栏

认知无线电

随着无线通信的快速发展，用户对通信质量的要求越来越高，同时无线设备的大幅度增长，使得频谱资源显得更加重要。认知无线电（Cognitive Radio, CR）技术被当作解决频谱资源紧张、提高频谱利用率的强有力的技术，是下一代通信技术的重要组成成分。频谱感知是认知无线电技术实现的关键技术，通过频谱感知技术来感知信道中的频谱空洞，使得认知用户可以利用频谱空洞进行信息的传输，从而缓解了频谱资源紧张与通信业务需求之间的矛盾。
这里简单介绍频谱感知的比较经典的一种方法——能量检测方法（Energy Detection，ED）。

能量检测方法原理介绍

信号的检测问题可以看作是二元假设问题
$x\left( t \right)=\left\{ \begin{aligned} & n\left( t \right)\ \ \ \ \ \ \ \ \ ,\ \ \ \ \ {{H}_{0}} \\ & s\left( t \right)+n\left( t \right),\ \ \ \ {{H}_{1}} \\ \end{aligned} \right.$
其中， $s\left( t \right)$ 表示信号， $n\left( t \right)$ 表示噪声，其方差可以设为 ${{\sigma }^{2}}$ ， ${{H}_{i}}$ ， $i = 0, 1$ 表示不同假设。
在观测时间 $T$ 中，计算接收信号的能量与门限 $t h$ 进行比较，如果大于门限 $t h$ 的话，则判为 ${{H}_{1}}$ ，即有信号；否则判为 ${{H}_{0}}$ ，即无信号。
在实际中一般采用的数字信号，那么接收信号可以表示为
$x\left( i \right)=\left\{ \begin{aligned} & n\left( i \right)\ \ \ \ \ \ \ \ \ ,\ \ \ \ \ {{H}_{0}} \\ & s\left( i \right)+n\left( i \right),\ \ \ \ \ {{H}_{1}} \\ \end{aligned} \right.,\ \ \ \ \ i=1,2,\cdots ,N$
其中， $N$ 表示的是样本点数。那么检验统计量 $D$ 可以表示为
$D=\sum\limits_{i}^{{}}{{{x}^{2}}\left( i \right)}$
可以证明，该检验统计量近似服从高斯分布，具体为
$\begin{aligned} & {{H}_{0}}:D\tilde{\ }Normal\left( N{{\sigma }^{2}},2N{{\sigma }^{4}} \right) \\ & {{H}_{1}}:D\tilde{\ }Normal\left( N\left( {{\sigma }^{2}}+\sigma _{s}^{2} \right),2N{{\left( {{\sigma }^{2}}+\sigma _{s}^{2} \right)}^{2}} \right) \\ \end{aligned}$
其中， $\sigma _{s}^{2}$ 表示信号的平均功率。
对于恒虚警检测来说，当信号不存在的时候可以通过虚警概率 ${{P}_{f}}$ 来确定检测门限 $t h$ ，这是由于在 ${{H}_{0}}$ 的假设条件下，检验统计量 $D$ 服从高斯分布，虚警概率
${{P}_{f}}=P\left( D>th|{{H}_{0}} \right)$
那么可以得到
${{P}_{f}}=Q\left( \frac{th-N{{\sigma }^{2}}}{\sqrt{2N{{\sigma }^{4}}}} \right)$
其中， $Q\left( x \right)=\frac{1}{\sqrt{2\pi }}\int_{x}^{+\infty }{{{e}^{-{{t}^{2}}/2}}dt}$
那么检测门限 $t h$ 可以通过上式进行计算
$th={{\sigma }^{2}}\left( N+\sqrt{2N}{{Q}^{-1}}\left( {{P}_{f}} \right) \right)$
同样，在 ${{H}_{1}}$ 的假设条件下，可以利用归一化的方法得到，检验统计量 $D$ 也服从高斯分布，那么检测概率可以表示为
${{P}_{d}}=P\left( D>th|{{H}_{1}} \right)=Q\left( \frac{th-N\left( {{\sigma }^{2}}+\sigma _{s}^{2} \right)}{\sqrt{2N{{\left( {{\sigma }^{2}}+\sigma _{s}^{2} \right)}^{2}}}} \right)$
将门限 $t h$ 带入，可以求的系统的检测概率。
当然能量也可以使用归一化的能量进行判决。此外，还有采用多个门限进行判决，提高检测概率，这里就不再叙述。
下面根据恒虚警检测的原理，通过仿真虚警概率 ${{P}_{f}}$ 和检测概率 ${{P}_{d}}$ 之间的关系.
在这里插入图片描述
从图中可以看出，随着信噪比的增加，相同虚警概率的条件下，检测概率越大，这也是和实际相符合的，即信道条件越好越容易检测出信号。
代码如下：

clear;
close all;
clc;
T = 50;
Fs = 100;
N =Fs*T; %采样点数
Mc = 1000; %蒙特卡洛实验次数
Pf =(0.01:0.02:1).^2; %虚警概率
SNR_db(1) = -25;
SNR_db(2) = -20;
SNR_db(3) = -15;
for i = 1:3
    SNR(i) = power(10,SNR_db(i)/10);
end

for i=1:length(Pf)
    for m=1:3
        s_awgn = 0;
        for kk = 1:Mc
            t = ((kk-1)*N+1:kk*N)/Fs;              %时间轴
            x = randi([0 1],1,100)*2-1;
            xx = rectpulse(x,N/100);
            x = xx.*sin(2*pi*10*t);
            ps = sum(abs(x).^2)/length(x);
            noise = randn(1,N);
            noise = noise-mean(noise);
            noise_awgn = sqrt(ps/SNR(m))*noise/std(noise);
            
            %高斯信道
            re_sig = x + noise_awgn; %接收信号
            
            th(i) = ps/SNR(m)*(N+sqrt(2*N)*sqrt(2)*erfcinv(2*Pf(i))); %门限值
            power(i) = sum(re_sig.^2); %接收信号能量
            
            if power(i) > th(i)
                s_awgn = s_awgn + 1; %进行判决
            end
        end
        Pd_sim_awgn(m,i) = s_awgn/Mc;   %仿真高斯检测概率
    end
end
figure
hold on;
plot(Pf,Pd_sim_awgn(1,:),'*-b',Pf,Pd_sim_awgn(2,:),'*-r',Pf,Pd_sim_awgn(3,:),'*-g');
grid on
legend('SNR=-20dB','SNR=-15dB', 'SNR=-10dB');
title ('不同信噪比的检测对比')
xlabel('Pf');
ylabel('Pd');