认知无线电双门限能量检测算法MATLAB仿真

资 源 简 介

本项目专注于认知无线电（Cognitive Radio）频谱感知技术中的能量检测算法，特别是针对双门限（Double Threshold）检测机制的仿真实现。在各主用户信号未知的场景下，能量检测是一种低复杂度的盲检测方法。传统的单门限检测容易受噪声不确定性影响，导致判决误差。本项目通过MATLAB构建仿真环境，实现了双门限检测策略：设定高、低两个判决门限，将检测区域划分为有信号（H1）、无信号（H0）以及不确定区域。当能量统计量位于两个门限之间时，系统不立即做出硬判决，从而提高了在低信噪比环境下的检测可靠性。代码详细模拟了信号生成、AWGN信道传输、能量统计计算及判决逻辑，通过蒙特卡洛仿真方法评估算法性能。该项目代码结构清晰，逻辑严谨，非常适合作为初学者理解频谱感知、信号检测理论以及学习MATLAB通信系统仿真的入门教程。

详 情 说 明

认知无线电系统双门限能量检测仿真

项目简介

本项目专注于认知无线电（Cognitive Radio）频谱感知技术中的能量检测算法，具体实现了双门限（Double Threshold）检测机制的仿真。在感知主用户信号（Primary User）时，传统的单门限检测往往在低信噪比环境下受噪声不确定性影响较大，导致误判。本项目通过MATLAB构建仿真环境，引入高、低两个判决门限，将能量统计空间划分为无信号（H0）、不确定区域（Uncertain）和有信号（H1）三个部分，从而提高检测的鲁棒性。

该仿真代码完整模拟了信号生成、AWGN信道传输、能量统计量计算、判决逻辑处理以及蒙特卡洛（Monte Carlo）性能评估全过程，并生成多维度的性能分析图表。

功能特性

• 双门限检测机制：实现了基于高（$P_{f_high}$）低（$P_{f_low}$）两个虚警概率目标的门限设定，支持“不确定区域”的统计分析。
• 蒙特卡洛仿真：通过大量迭代（默认5000次）精确评估不同信噪比（SNR）下的检测概率（$P_d$）和虚警概率（$P_f$）。
• 理论与仿真对比：代码中既包含了基于大样本高斯近似的理论门限计算，也包含了基于实际随机数生成的仿真统计。
• 多维度可视化：自动生成检测概率曲线、不确定概率直方图、ROC曲线以及综合概率分布图。
• 高斯信号模型：采用高斯随机信号模拟未知的主用户信号，符合能量检测作为盲检测算法的应用场景。

系统要求

• 软件环境：MATLAB R2016a 及以上版本（代码未依赖特殊工具箱，基础版本即可运行）。
• 硬件要求：标准PC配置即可，因涉及5000次蒙特卡洛迭代，运算可能需要几秒钟至一分钟。

使用方法

1. 下载本项目源代码。
2. 在MATLAB中打开脚本文件。
3. 直接运行由于主函数封装的脚本。
4. 程序将在命令窗口（Command Window）输出仿真进度、理论门限值以及各SNR节点下的统计结果。
5. 运行结束后，系统将自动弹出4张性能分析图表。

仿真实现细节剖析

本项目核心代码逻辑完全包含在主入口函数中，以下是对代码实际实现逻辑的详细分析：

1. 仿真参数初始化

代码首先定义了仿真的基础环境：

• 采样点数 (N)：设定为1000，模拟大样本环境。
• 蒙特卡洛次数 (M)：设定为5000，确保统计结果的平滑性。
• 信噪比 (SNR)：扫描范围从 -20dB 到 0dB。
• 目标虚警概率：

* 单门限标准：$P_f = 0.1$。 * 双门限标准：设置较宽松的低门限对应 $P_{f_low} = 0.15$，较严格的高门限对应 $P_{f_high} = 0.05$。

2. 理论门限计算

代码利用能量检测统计量在H0（仅噪声）假设下服从卡方分布（大样本近似为高斯分布）的特性，通过Q函数的反函数计算理论门限：

• 单门限 ($lambda_{single}$)：基于 $P_{f_target} = 0.1$ 计算。
• 低门限 ($lambda_{low}$)：基于 $P_{f_low} = 0.15$ 计算，门限值较低。
• 高门限 ($lambda_{high}$)：基于 $P_{f_high} = 0.05$ 计算，门限值较高。

计算结果会在控制台打印，用于验证理论数值的正确性。

3.核心蒙特卡洛循环

这是代码的主体部分，通过双重循环（外层SNR，内层迭代次数）模拟信号检测过程：

• 信号生成：

* 噪声：生成均值为0、方差为1的高斯白噪声。 * 主用户信号：生成高斯随机信号（模拟未知的PU信号），其功率由当前SNR决定。

• 接收模型：

* H1假设：接收信号 = 信号 + 噪声。 * H0假设：接收信号 = 纯噪声（用于验证虚警概率）。

• 能量计算：计算接收信号幅度的平方和，作为检验统计量。
• 判决逻辑：

* 单门限：若能量大于 $lambda_{single}$，判定为有信号。 * 双门限： * 若能量 > $lambda_{high}$：判定为 H1 (有信号)。 * 若能量 < $lambda_{low}$：判定为 H0 (无信号)。 * 若 $lambda_{low} leq$ 能量 $leq lambda_{high}$：判定为 不确定 (Uncertain)。

• 统计更新：分别记录各逻辑分支的触发次数。

4. 统计结果计算

在每次SNR迭代结束后，代码计算以下概率指标：

• 单门限检测概率 ($P_d$)：正确检测次数 / 总迭代次数。
• 双门限绝对检测概率：双门限算法明确判定为H1的次数 / 总迭代次数。
• 不确定概率 ($P_{uncertain}$)：落在双门限之间的次数 / 总迭代次数。

5. ROC 曲线生成

代码包含一个独立的部分用于生成ROC（接收机操作特性）曲线。为了保证曲线光滑且基于理论基准，此处未使用蒙特卡洛统计，而是直接使用了理论公式：

• 固定 SNR = -10dB。
• 利用Q函数计算在该SNR下，不同虚警概率（0到1）对应的理论检测概率。
• 假设H1条件下统计量服从均值为 $N(P+1)$、方差为 $2N(P+1)^2$ 的高斯分布。

结果可视化说明

仿真运行结束后，代码将通过 figure 指令绘制以下四张图表：

1. 检测性能对比图：

* 展示 $P_d$ 随 SNR 变化的曲线。 * 对比单门限检测与双门限检测（绝对检测率）的性能差异。通常双门限的绝对检测概率会略低于单门限，因为它剔除了不确定的样本。

1. 不确定区域概率分析：

* 使用柱状图展示在不同SNR下，系统落入“不确定区域”的概率。 * 图表上直接标注了具体的概率数值，便于观察在低SNR下不确定性的增加。

1. ROC 曲线：

* 展示在固定 SNR (-10dB) 下，检测概率 $P_d$ 与虚警概率 $P_f$ 的关系。 * 包含一条对角虚线作为随机猜测的参考基准。

1. 双门限性能综合分析：

* 在同一张图上绘制三条曲线：正确检测概率、漏检概率（包含H0判决）和不确定概率。 * 直观展示随着信噪比提升，不确定概率和漏检概率下降，检测概率上升的趋势。