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

本文涉及的产品
简介: 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

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的感知方法。我们归一化接收信号功率以克服噪声功率不确定性的影响。我们使用尽可能多的信号以及噪声数据来训练模型,以使训练后的网络模型能够适应未训练的新信号。我们还使用迁移学习策略来提高实际信号的性能。进行了广泛的实验以评估该方法的性能。

1.1能量检测

   能量检测法是一种非相干的检测手段,与频谱分析非常相似,也是通过判决来实现的。该方法依据感知器在信号有无两种假设情况下按接收信号功率大小的不同对信号进行检测。这种方法是一种对未知参数的确定性信号及其存在性检测的有效方法。由于能量检测对信号类型不作限制,因此不需要授权信号的先验信息。能量检测的主要思想是:将授权信号S(t)的功率在一个时间段(N个采样点)内取平均:

1.png

接着与预设门限进行比较,判定该频段是否存在授权信号。

1.2循环平稳检测

     现有算法基本都是利用时域法实现信号的循环谱检测[6]。因为对时域直接进行运算方法简单,所乘的旋转因子利用欧拉公式将实数域与复数域所得的结果分别存储即可。但是正弦和余弦函数的数值计算通常利用泰勒公式进行近似,因此计算的周期较长,系统比较复杂且实时性不高。为了提高信号检测的实时性,本文考虑频域计算的方法,利用离散傅里叶变换中时域乘以一个旋转因子就相当于在频域进行循环位移的性质,只需要将经过离散傅里叶变换后的序列进行循环位移,单用移位寄存器即可实现,相对于计算正弦和余弦函数简单得多。

1.3自相关检测

   依据自相关的定义,自相关的检验就是寻找能够判断随机误差项与其自身一阶或多阶滞后项是否相关的方法。这里仍然采用OLS估计模型所得到的残差e t e_{t}et作为随机干扰项的近似估计量,通过分析OLS所得到的残差与其自身滞后项的相关性来判断随机干扰项是否存在自相关性。

   能量检测方法,即将接收到的模拟信号变为数字信号后,通过FFT变换,然后再进行,在现有的通信系统中,通常为ASK、PSK、FSK、QAM等,它们都由数字基带脉冲对周期性载波的参数进行调制。采样频率fs =100Hz,,载频fc=30Hz,码率f0= fs/20。

2.仿真效果预览
matlab2022a仿真

2.png
3.png
4.png

3.MATLAB部分代码预览

sel = 1;%1:高斯信道;0:莱斯信道
SNR = 10;%信噪比
%生成bpsk调制信号
fs=100;
%采样频率
fc=30;
%载频
fo=fs/20;
%码率
L=4000;
%信号样本
t = (0:L-1)*1/fs;
xn=cos(8*pi*fc*t);%产生最为简单的BPSK信号      
if sel == 1
y = awgn(xn,SNR);%高斯信道
else
c  = [1,0.5,0.1];
y = filter(c,xn);  
end
% chan = rayleighchan(Ts,fd,tau,pdb)
% Ts  :采样时间,如果考虑基带信号,这个和接收机要处理的数据速率是一样的,要考虑过采样的影响
% fd  :就是Doppler频偏,以Hz为单位,与速率的换算关系为v×fc/c,fc是载频
figure(1)
subplot(121);plot(t,y);title('产生的BPSK信号');
%进行能量检测
NFFT = 2^nextpow2(L);
Y = fft(y,NFFT)/L;%第一步,进行FFT变换
f = fs/2*linspace(0,1,NFFT/2);
subplot(122);plot(f,2*abs(Y(1:NFFT/2)),'r-*');title('能量检测效果');
01-35m
相关实践学习
基于函数计算一键部署掌上游戏机
本场景介绍如何使用阿里云计算服务命令快速搭建一个掌上游戏机。
建立 Serverless 思维
本课程包括: Serverless 应用引擎的概念, 为开发者带来的实际价值, 以及让您了解常见的 Serverless 架构模式
相关文章
|
3天前
|
算法 计算机视觉
YOLOv3 的非极大值抑制(NMS)算法是如何工作的,它对最终检测结果有何影响?
YOLOv3 的非极大值抑制(NMS)算法是如何工作的,它对最终检测结果有何影响?
|
1天前
|
机器学习/深度学习 算法
m基于GA-GRU遗传优化门控循环单元网络的电力负荷数据预测算法matlab仿真
在MATLAB 2022a中,一个基于遗传算法优化的GRU网络展示显著优化效果。优化前后的电力负荷预测图表显示了改进的预测准确性和效率。GRU,作为RNN的一种形式,解决了长期依赖问题,而遗传算法用于优化其超参数,如学习率和隐藏层单元数。核心MATLAB程序执行超过30分钟,通过迭代和适应度评估寻找最佳超参数,最终构建优化的GRU模型进行负荷预测,结果显示预测误差和模型性能的提升。
13 4
|
1天前
|
机器学习/深度学习 算法 数据可视化
基于BP神经网络的16QAM解调算法matlab性能仿真
这是一个关于使用MATLAB2022a实现的16QAM解调算法的摘要。该算法基于BP神经网络,利用其非线性映射和学习能力从复数信号中估计16QAM符号,具有良好的抗噪性能。算法包括训练和测试两个阶段,通过反向传播调整网络参数以减小输出误差。核心程序涉及数据加载、可视化以及神经网络训练,评估指标为误码率(BER)和符号错误率(SER)。代码中还包含了星座图的绘制和训练曲线的展示。
|
3天前
|
机器学习/深度学习 算法
基于BP神经网络的QPSK解调算法matlab性能仿真
该文介绍了使用MATLAB2022a实现的QPSK信号BP神经网络解调算法。QPSK调制信号在复杂信道环境下受到干扰,BP网络能适应性地补偿失真,降低误码率。核心程序涉及数据分割、网络训练及性能评估,最终通过星座图和误码率曲线展示结果。
|
10天前
|
数据安全/隐私保护
地震波功率谱密度函数、功率谱密度曲线,反应谱转功率谱,matlab代码
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
10天前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
10天前
|
算法 调度
面向配电网韧性提升的移动储能预布局与动态调度策略(matlab代码)
面向配电网韧性提升的移动储能预布局与动态调度策略(matlab代码)
|
10天前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
|
10天前
|
运维 算法
基于改进遗传算法的配电网故障定位(matlab代码)
基于改进遗传算法的配电网故障定位(matlab代码)

热门文章

最新文章