认知无线电----能量检测法原理介绍及MATLAB实现
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(t)={n(t),H0s(t)+n(t),H1x\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.x(t)={n(t) , H0s(t)+n(t), H1
其中,s(t)s\left( t \right)s(t)表示信号,n(t)n\left( t \right)n(t)表示噪声,其方差可以设为σ2{{\sigma }^{2}}σ2,Hi{{H}_{i}}Hi,i=0,1i=0,1i=0,1表示不同假设。
在观测时间TTT中,计算接收信号的能量与门限ththth进行比较,如果大于门限ththth的话,则判为H1{{H}_{1}}H1,即有信号;否则判为H0{{H}_{0}}H0,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(i)={n(i),H0s(i)+n(i),H1,i=1,2,⋯,Nx\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 ,Nx(i)={n(i) , H0s(i)+n(i), H1, i=1,2,⋯,N
其中,NNN表示的是样本点数。那么检验统计量DDD可以表示为
D=∑ix2(i)D=\sum\limits_{i}^{{}}{{{x}^{2}}\left( i \right)}D=i∑x2(i)
可以证明,该检验统计量近似服从高斯分布,具体为
H0:D~Normal(Nσ2,2Nσ4)H1:D~Normal(N(σ2+σs2),2N(σ2+σs2)2)\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}H0:D ~Normal(Nσ2,2Nσ4)H1:D ~Normal(N(σ2+σs2),2N(σ2+σs2)2)
其中,σs2\sigma _{s}^{2}σs2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Pf{{P}_{f}}Pf来确定检测门限ththth,这是由于在H0{{H}_{0}}H0的假设条件下,检验统计量DDD服从高斯分布,虚警概率
Pf=P(D>th∣H0){{P}_{f}}=P\left( D>th|{{H}_{0}} \right)Pf=P(D>th∣H0)
那么可以得到
Pf=Q(th−Nσ22Nσ4){{P}_{f}}=Q\left( \frac{th-N{{\sigma }^{2}}}{\sqrt{2N{{\sigma }^{4}}}} \right)Pf=Q(2Nσ4th−Nσ2)
其中, Q(x)=12π∫x+∞e−t2/2dtQ\left( x \right)=\frac{1}{\sqrt{2\pi }}\int_{x}^{+\infty }{{{e}^{-{{t}^{2}}/2}}dt}Q(x)=2π1∫x+∞e−t2/2dt
那么检测门限ththth可以通过上式进行计算
th=σ2(N+2NQ−1(Pf))th={{\sigma }^{2}}\left( N+\sqrt{2N}{{Q}^{-1}}\left( {{P}_{f}} \right) \right)th=σ2(N+2NQ−1(Pf))
同样,在H1{{H}_{1}}H1的假设条件下,可以利用归一化的方法得到,检验统计量DDD也服从高斯分布,那么检测概率可以表示为
Pd=P(D>th∣H1)=Q(th−N(σ2+σs2)2N(σ2+σs2)2){{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)Pd=P(D>th∣H1)=Q⎝⎛2N(σ2+σs2)2th−N(σ2+σs2)⎠⎞
将门限ththth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Pf{{P}_{f}}Pf和检测概率Pd{{P}_{d}}Pd之间的关系.
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 = 1:3SNR(i) = power(10,SNR_db(i)/10);
endfor i=1:length(Pf)for m=1:3s_awgn = 0;for kk = 1:Mct = ((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endendPd_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');
参考文献
[1]H. Urkowitz, “Energy detection of unknown deterministic signals,” in Proceedings of the IEEE, vol. 55, no. 4, pp. 523-531, April 1967, doi: 10.1109/PROC.1967.5573.
[2]潘建国,翟旭平.基于能量检测的频谱感知方法[J].上海大学学报(自然科学版),2009,15(01):54-59.
认知无线电----能量检测法原理介绍及MATLAB实现相关推荐
- 双边滤波(Bilateral filter)原理介绍及matlab程序实现
双边滤波 1.原理介绍 双边滤波由C. Tomasi在1998年提出,是一种经典的非线性空间滤波方法.在滤波器稀疏的制定上,双边滤波同时考虑到了输出像素与邻域内其它像素的欧氏距离和取值的差异,即:同时 ...
- 基于广义线性组合的Capon波束形成原理介绍及MATLAB实现
原理介绍 在小快拍的情况下,采样协方差矩阵R^x{{\mathbf{\hat{R}}}_{x}}R^x和理想协方差矩阵之间有较大的差距.为了能够提高采样协方差矩阵估计的准确性,研究学者提出了一种基于 ...
- 最差性能最优波束形成算法原理介绍及MATLAB实现
原理介绍 标准的Capon波束形成是最小化阵列输出功率,并且对期望信号无失真接收来达到最大化输出信干噪比的目的.但是当真实导向矢量未知且存在一个不确定集中时,为了对真实导向矢量设置无失真响应约束,最差 ...
- 图像处理:TDLMS算法原理介绍及MATLAB实现
一.TDLMS介绍 1.1 算法原理 二维最小均方(two-dimensional least mean square, TDLMS)滤波算法由最小均方误差(least mean square err ...
- 最陡梯度下降算法和LMS算法原理介绍及MATLAB实现
维纳滤波 介绍这两种算法之前先来简单介绍下维纳滤波的问题 x(n)x\left( n \right)x(n)和y(n)y\left( n \right)y(n)是零均值的平稳离散信号,并且已知它们的二 ...
- matlab 逻辑回归实现,逻辑回归原理介绍及Matlab实现
一.逻辑回归基本概念 1. 什么是逻辑回归 逻辑回归就是这样的一个过程:面对一个回归或者分类问题,建立代价函数,然后通过优化方法迭代求解出最优的模型参数,然后测试验证我们这个求解的模型的好坏. Log ...
- 基于蜻蜓优化算法的认知无线电网络的服务质量研究附Matlab代码
✅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.
- 逻辑回归原理介绍及Matlab实现
一.逻辑回归基本概念 1. 什么是逻辑回归 逻辑回归就是这样的一个过程:面对一个回归或者分类问题,建立代价函数,然后通过优化方法迭代求解出最优的模型参数,然后测试验证我们这个求解的模型的好坏. Log ...
- m认知无线电信号检测算法matlab仿真,能量检测,循环平稳检测以及自相关检测
目录 1.算法概述 2.仿真效果预览 3.MATLAB部分代码预览 4.完整MATLAB程序 1.算法概述 频谱感测是认知无线电的一项关键技术.我们将频谱感知作为一个分类问题,提出一种基于深度学习分类 ...
- Matlab 离散小波变换函数 dwt2() 原理介绍与实验
文章目录 一.小波变换的原理 1.1 小波变换简介 1.2 CWT和DWT的原理 二.傅里叶变换与DWT的比较 三.Matlab实现图像的二维小波变换 3.1 dwt2()函数介绍 3.2 dwt2( ...
最新文章
- ffmpeg linux安装_ffmpeg命令中文手册
- “Java跌落向下,Python奋斗向前”,程序员:看哭了...
- 软考系统架构师笔记-综合知识重点(一)
- Python sys模块的使用
- [网络流24题]孤岛营救问题
- “编程能力差,90%输在了这点上!”阿里巴巴工程师:其实都是瞎努力!
- 炸了!这届ICLR论文被指太“渣”?Goodfellow围追堵截要说法
- 2017 Multi-University Training Contest - Team 4:1003. Counting Divisors(积性函数)
- Samba安装详细步骤
- Dotnet运行之控制台
- 51单片机入门——DS18B20
- 【转载】最全的计算广告资料,广告算法工程师入门
- python中tmp什么意思_python中tmp
- python排列3彩票统计
- var、let和const
- 1367:查找二叉树(tree_a)
- nutch java_Nutch:用Java调用,而不是命令行?
- pandas使用.astype()修改数据类型
- 无闻go编程基础笔记
- Deadlock found when trying to get lock(死锁)问题解决