基于BP神经网络的认知无线电频谱检测预测与分配系统

资 源 简 介

本项目旨在利用MATLAB平台，构建基于BP（Back Propagation）神经网络的认知无线电（Cognitive Radio, CR）仿真系统，主要解决频谱资源稀缺与利用率低下的问题。功能涵盖频谱感知检测、频谱状态预测以及频谱资源动态分配三个核心环节。首先，在频谱检测阶段，系统提取接收信号的能量特征或循环平稳特征作为输入，利用训练好的BP神经网络分类器智能识别主用户（Primary User）信号是否存在，即使在低信噪比环境下也能保持较高的检测概率和较低的虚警概率。其次，在频谱预测阶段，利用BP神经网络强大的非线性映射和时间序列拟合能力，通过学习历史信道占用数据（历史流量模型），预测下一时刻或未来一段时间内的信道空闲状态，从而帮助次级用户提前规划接入策略。最后，基于检测和预测的综合结果，系统将执行频谱分配算法，将识别出的“空穴”频谱智能分配给有需求的次级用户，优化信道选择，确保在不干扰主用户通信的前提下最大化系统整体的频谱利用率和通信吞吐量。

详 情 说 明

基于BP神经网络的认知无线电频谱检测与预测及分配系统

项目简介

本项目是一个基于MATLAB开发的认知无线电（Cognitive Radio, CR）仿真系统。该系统利用BP（Back Propagation）神经网络解决频谱资源稀缺问题，实现了从物理层信号感知到链路层资源分配的完整闭环。项目模拟了多信道、多次级用户（SU）在低信噪比环境下的频谱竞争场景，通过智能学习主用户（PU）的行为模式，最大化系统的频谱利用率和通信吞吐量。

功能特性

• 信道环境仿真：基于马尔科夫链模拟主用户占用行为，支持多信道BPSK信号生成与AWGN信道模拟。
• 智能频谱感知：利用BP神经网络对接收信号的能量特征进行分类，实现低信噪比下的高精度状态识别（空闲/占用）。
• 时序频谱预测：构建时间序列BP预测模型，根据历史感知数据预测未来的信道状态，挖掘频谱空穴。
• 动态频谱分配：基于贪婪算法和信道增益优先策略，在避免干扰主用户的前提下，将空闲频谱动态分配给次级用户。
• 可视化评估：自动生成ROC曲线、训练收敛曲线、时序预测对比图、分配矩阵热力图及系统吞吐量曲线。

系统要求

• MATLAB R2016b及以上版本
• Deep Learning Toolbox (原 Neural Network Toolbox)
• Signal Processing Toolbox (推荐，用于基础信号处理)

使用方法

直接运行 main.m 函数即可启动仿真。程序将自动执行以下流程：初始化 -> 数据生成 -> 感知训练 -> 预测训练 -> 资源分配 -> 绘图统计。

代码实现逻辑与算法细节

本项目的所有核心逻辑均集成在 main.m 文件中，具体实现步骤如下：

1. 系统参数初始化与环境构建

程序首先配置仿真环境，设定信道数量（4个）、次级用户数量（3个）、总仿真时隙（2000个）以及低信噪比环境参数（-10dB）。设置随机种子以确保实验结果的可复现性。

2. 主用户信号建模与特征提取

• 状态模拟：使用两状态马尔科夫链（0-空闲，1-占用）生成每个信道的真实占用状态序列，通过状态转移概率矩阵控制空闲与忙碌的切换动态。
• 信号生成：对于占用状态的信道，生成BPSK调制信号；对于空闲信道，仅生成高斯白噪声。
• 能量检测：模拟能量检测法，在每个时隙内采集N个采样点（N=100），计算信号的归一化能量统计量。这是神经网络的原始输入特征。

3. 基于BP神经网络的频谱感知

系统构建了一个用于分类的BP神经网络，目的是在已知能量特征的情况下判断信道状态。

• 数据预处理：将能量特征和真实状态重构为训练向量，并使用 mapminmax 进行[0, 1]归一化处理。
• 网络结构：使用 patternnet 或 feedforwardnet，包含一个隐含层（10个神经元）。
• 训练算法：采用 Levenberg-Marquardt (trainlm) 算法，以均方误差（MSE）为目标函数进行监督学习。
• 性能评估：训练完成后，程序会在测试集上遍历不同的判决门限（0到1），计算检测概率（Pd）和虚警概率（Pf），并在后续绘图中生成ROC曲线。最终输出使用0.5作为硬判决阈值。

4. 基于BP神经网络的频谱状态预测

系统构建了一个用于时间序列预测的BP神经网络，目的是根据历史感知结果预测下一时刻的状态。

• 滑动窗口构造：定义窗口大小（win_size=5），将前t-win到t-1时刻的感知结果作为输入，第t时刻的状态作为输出，构建监督学习数据集。
• 网络结构：采用双隐层结构（第一层15个神经元，第二层5个神经元），输出层使用 logsig 激活函数将结果限制在0到1之间。
• 训练算法：采用量化共轭梯度法 (trainscg)，更适合此类模式拟合任务。
• 多信道推广：虽然演示代码基于特定信道数据进行训练，但训练好的模型参数被推广应用于所有信道，根据各信道自身的历史数据独立预测其未来状态。

5. 动态频谱分配策略

系统实现了一个基于贪婪算法的资源分配器。

• 可用性判断：仅针对预测结果为“空闲”的信道进行分配。
• 信道增益矩阵：模拟瑞利衰落，随机生成不同SU在不同信道上的信道增益。
• 分配逻辑：按照SU的优先级（索引顺序），每个SU选择其增益最大的可用空闲信道。一旦信道被占用，后续SU不可再选（避免同频干扰）。
• 吞吐量计算：利用香农公式计算系统总吞吐量。计算时会核对“真实状态”：如果预测为空闲分配了信道，但真实状态为占用（预测错误），则视为冲突，该次传输无效（吞吐量受损）；只有预测与真实均为0时，才计入有效吞吐量。

6. 结果可视化

程序最后会生成四个图表窗口：

1. 感知性能图：展示BP分类网络的训练MSE收敛曲线，以及反映检测性能的ROC曲线。
2. 预测性能图：通过Stem图局部对比真实状态与神经网络预测状态，直观展示预测准确性。
3. 分配矩阵图：使用热力图展示仿真最后阶段各信道被分配给哪个次级用户的情况。
4. 系统吞吐量图：绘制随时间变化的系统总吞吐量曲线，并标注平均吞吐量。

控制台最后将输出统计信息，包括全网预测准确率以及当前的SNR和用户配置。