1.算法概述
本系统所涉及到的几个主要模块，具体有如下几个模块：
A. Simulation Flow：仿真流程
B. Initialization：初始化
C. Mobility Model：移动模型
D. Traffic Model：流量模型
E. Propagation Model：信号传输模型
F. Multipath Model：多径模型
G. SINR Calculation：SINR值计算模型
H. Link Level Quality Estimation：链路级质量评价
I. Scheduling：系统调度
根据Path Loss Model: The path loss between a macro BS and a MS is characterized can be calculated as follows:
这里，R的值表示发送到接收的距离，单位为“米”，Low是表示户外墙壁的衰减，通常这个值为10dB或者20dB。
2.仿真效果预览
matlab2022a仿真
基于Femtocell的频谱感知算法的仿真
3.MATLAB部分代码预览
Pd02 = zeros(1,length(SNR));%自适应单阈值
Pd03 = zeros(1,length(SNR));%固定阈值
%虚警概率
Pf01 = zeros(1,length(SNR));%自适应双阈值
Pf02 = zeros(1,length(SNR));%自适应单阈值
Pf03 = zeros(1,length(SNR));%固定阈值
%漏检概率
Pm01 = zeros(1,length(SNR));%自适应双阈值
Pm02 = zeros(1,length(SNR));%自适应单阈值
Pm03 = zeros(1,length(SNR));%固定阈值
%通过蒙特卡洛仿真思想，对每组噪声情况的数据仿真多次
Stimes = 20;
%模拟实际中的频谱感知信号
Per_signal = func_Signal_gen();
Len_Per_sig = length(Per_signal);
%信号功率
signal_power = 6225.6;
%定义信号长度
Signal_Len = 2048;
%检测周期
Check_cycle = 40;
Scycle = 8;
%虚警概率
Pfa = 0.3;
for i = 1 : length(SNR)
index = index + 1;
%通过蒙特卡洛仿真
for m=1:1:Stimes
i
m
%模拟实际中的频谱感知信号
Per_signal = func_Signal_gen();
%产生噪声
noise = func_noise_gen(signal_power,SNR(i),Signal_Len);
%随机占用信道
%改变伪随机序列长度，随机改变主用户的占用情况
%在一般情况下，假设每个被占用的信道，所传送的是没有衰减的信号
%在考虑femto的时候，考虑femto和macro之间的衰落，每个被占用的信道的衰减也是不同的
%所以在被占用的信道之前乘以一个随机的衰减系数
for m1=1:Scycle
for n1=1:Scycle
if (scrambler(m1,n1)==1)
%伪随机码为1，占用信道；
Per_signal_noise(1,(Len_Per_sig*(n1-1)+1):Len_Per_sig*n1) =rand(1,1)*Per_signal + noise;
else
%伪随机码为0，未占用信道
Per_signal_noise(1,(Len_Per_sig*(n1-1)+1):Len_Per_sig*n1) = noise;
end
end
end
%检测出哪些信道被干扰范围之内的宏系统用户所应用，从而避开这些信道。
noise_under_check = noise(1,1:Signal_Len);
Per_signal_under_check = Per_signal(1,1:Signal_Len);
%下面开始检测是否收到干扰
%噪声检测
[Check_noise,threshold] = func_check(noise_under_check,Check_cycle);
Check_noise=abs(Check_noise);
%进行信号检测
for j=1:Scycle
%检测被干扰的信道是否被用户所用
Per_signal_under_check(1,1:Signal_Len)= Per_signal_noise(1,(Signal_Len*(j-1)+1):Signal_Len*j);
[check_signal,threshold]=func_check(Per_signal_under_check,Check_cycle);
check_signal_abs(j,m)=abs(check_signal);
end
%自适应门限计算
adap_thres(m) = Check_noise*sqrt(2*log10(1./Pfa));
%自适应双门限
adap_thres_double(m) = 0.2*Check_noise(1,:)/sqrt(2*log10(1./Pfa));
%固定门限
thresholds(m) = threshold;
end
%进行判决
[Num_Pd_01,Num_Pm_01,Num_Pf_01] = func_check_level(check_signal_abs,mean(adap_thres_double),scrambler); % 自适应双阈值的判决
[Num_Pd_02,Num_Pm_02,Num_Pf_02] = func_check_level(check_signal_abs,mean(adap_thres) ,scrambler); % 自适应单阈值的判决
[Num_Pd_03,Num_Pm_03,Num_Pf_03] = func_check_level(check_signal_abs,mean(thresholds) ,scrambler); % 固定阈值的判决
%判决统计
%检测概率
Pd01(index)=Num_Pd_01/(20); % 自适应双阈值
Pd02(index)=Num_Pd_02/(20); % 自适应单阈值
Pd03(index)=Num_Pd_03/(20); % 固定阈值
%漏检概率
Pm01(index)=Num_Pm_01/(20); % 自适应双阈值
Pm02(index)=Num_Pm_02/(20); % 自适应单阈值
Pm03(index)=Num_Pm_03/(20); % 固定阈值
%虚警概率
Pf01(index)=Num_Pf_01/(20); % 自适应双阈值
Pf02(index)=Num_Pf_02/(20); % 自适应单阈值
Pf03(index)=Num_Pf_03/(20); % 固定阈值
end
%检测概率
Pd11=sort(averge(Pd01,length(SNR)));
Pd12=sort(averge(Pd02,length(SNR)));
Pd13=sort(averge(Pd03,length(SNR)));
%虚警概率
Pf11=(sort(averge(Pf01,length(SNR))));
Pf12=(sort(averge(Pf02,length(SNR))));
Pf13=(sort(averge(Pf03,length(SNR))));
%漏检概率
Pm11=fliplr(sort(averge(Pm01,length(SNR))));
Pm12=fliplr(sort(averge(Pm02,length(SNR))));
Pm13=fliplr(sort(averge(Pm03,length(SNR))));
%正确的检测概率
figure;
plot(SNR,Pd11,'r-*',SNR,Pd12,'b-^',SNR,Pd13,'k-o')
legend('自适应双门限','自适应单门限','固定门限')
xlabel('SNR')
ylabel('Pd')
title('正确检测概率图');
grid on;
%虚警概率
figure;
plot(SNR,Pf11,'r-*',SNR,Pf12,'b-^',SNR,Pf13,'k-o')
legend('自适应双门限','自适应单门限','固定门限')
xlabel('SNR')
ylabel('Pf')
title('虚警概率图');
grid on
%漏检概率
figure;
plot(SNR,Pm11,'r-*',SNR,Pm12,'b-^',SNR,Pm13,'k-o')
legend('自适应双门限','自适应单门限','固定门限')
xlabel('SNR')
ylabel('Pm')
title('漏检概率图');
grid on
%ROC
figure;
plot(Pf11,Pd11,'r-*')
xlabel('Pf')
ylabel('Pd')
title('ROC');
grid on
01-42m