当前位置：首页 > news >正文

模拟几种数据融合协作频谱感知技术在认知无线电应用中性能研究（Matlab代码实现）

news 2026/5/23 0:42:06

💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：
👉👉👉本文完整资源下载

💥1 概述

几种数据融合协作频谱感知技术在认知无线电中的性能研究

摘要

随着无线通信业务规模持续扩张，频谱资源供需矛盾日益突出，传统静态频谱分配模式下大量授权频谱存在闲置浪费问题。认知无线电技术凭借动态频谱感知与接入能力，可高效挖掘空闲频谱，提升频谱利用效率，而频谱感知作为认知无线电的核心环节，其检测性能直接决定通信系统稳定性与可靠性。单节点频谱感知易受阴影衰落、多径效应、噪声干扰等因素影响，检测精度较低，协作频谱感知通过多次级用户协同采集感知数据，结合数据融合技术弱化信道干扰带来的负面影响，显著提升主用户信号检测能力。本文围绕认知无线电应用场景，选取典型数据融合类协作频谱感知技术，在均匀噪声与非均匀噪声两种环境下，从信噪比、用户数量、信道特性、采样点数等维度，开展多技术性能对比研究，分析不同技术在复杂通信环境中的优势与短板，为认知无线电频谱感知方案选型与参数优化提供理论支撑。

关键词：认知无线电；协作频谱感知；数据融合；检测概率；虚警概率；非均匀噪声

1 绪论

1.1 研究背景与意义

当前移动通信、物联网、无线局域网等无线应用快速普及，频谱资源成为稀缺核心资源。固定频谱分配机制中，授权频段长期存在时间、空间维度的空闲状态，频谱利用率普遍偏低。认知无线电技术允许次级用户在不干扰主用户正常通信的前提下，动态检测并接入空闲授权频谱，是解决频谱资源短缺的关键技术。

频谱感知是认知无线电实现频谱动态复用的前提，主要任务为实时判断授权频段内主用户是否存在，次级用户据此决定是否接入信道。单次级用户进行频谱感知时，易受信道衰落、环境噪声、隐蔽终端问题制约，检测稳定性较差。协作频谱感知利用空间分集特性，通过多个分布式次级用户独立完成本地感知，再将感知结果上传至融合中心，由融合中心采用对应数据融合策略整合多节点信息，有效规避单节点感知缺陷，提升整体检测性能。

实际通信环境中，噪声并非均匀分布，不同次级用户所处位置、环境不同，面临的噪声功率、衰落程度存在差异，非均匀噪声会大幅降低传统协作感知技术性能。因此，研究不同数据融合协作频谱感知技术在均匀与非均匀噪声下的性能表现，分析系统参数对检测效果的影响，对认知无线电系统优化设计、提升复杂环境下频谱感知可靠性具有重要现实意义。

1.2 国内外研究现状

国外针对协作频谱感知数据融合技术起步较早，先后提出硬融合、软融合、加权融合等多种数据融合策略，分析了信噪比、采样数等参数对检测概率的影响，同时针对非均匀噪声场景，优化了融合权重分配方式，提升感知鲁棒性。国内研究多聚焦于算法改进、复杂信道适配、低时延感知优化等方向，针对莱斯衰落信道、非均匀噪声环境，对比了不同融合技术的适用场景，但多技术多参数下的系统性性能对比研究仍有待完善。现有研究大多未全面覆盖主用户数量、次级用户规模、信道莱斯因子、噪声分布特性等关键变量，对实际工程场景的适配性分析不足。

1.3 主要研究内容与结构安排

本文主要研究多种典型数据融合协作频谱感知技术在认知无线电中的性能，在均匀噪声与非均匀噪声条件下，分析信噪比、次级用户数量、采样点数、信道衰落特性、噪声波动程度等参数变化对检测概率、虚警概率的影响，对比不同融合技术的优缺点与适用场景。全文结构安排如下：第一部分为绪论，阐述研究背景、现状及研究内容；第二部分介绍认知无线电与协作频谱感知基本理论；第三部分说明仿真系统模型与仿真参数设计；第四部分开展多技术性能仿真分析，探究参数对感知性能的影响；第五部分为总结与展望。

2 认知无线电与协作频谱感知基础理论

2.1 认知无线电基本原理

认知无线电核心具备感知、分析、决策、重构四大能力，通过持续感知周围无线环境，获取频谱占用状态、信道质量、干扰情况等信息，智能调整发射功率、调制方式、工作频段等参数，实现频谱的动态共享。频谱感知环节需要精准区分主用户信号与环境噪声，避免次级用户接入正在使用的授权频段，同时最大化挖掘空闲频谱，是保障主用户通信安全、提升次级用户传输效率的关键。

2.2 协作频谱感知与数据融合技术

协作频谱感知架构包含分布式次级用户与融合中心，工作流程分为本地感知、数据传输、数据融合、结果决策四个阶段。各次级用户独立采集主用户频段信号，完成本地信号检测后，将感知数据或检测结果发送至融合中心，融合中心采用数据融合算法整合全部节点信息，最终判定主用户是否存在。

数据融合技术分为硬融合与软融合两类。硬融合仅传输次级用户本地二元决策结果，传输数据量小、系统开销低，包含投票融合、与融合、或融合等策略；软融合传输次级用户完整感知统计量，数据信息完整，检测性能更优，但传输开销更大，包含等增益融合、加权融合、最大似然融合等方式。实际应用中需根据系统带宽、时延、检测精度需求选择适配的融合技术。

2.3 性能评价指标

频谱感知性能主要通过虚警概率与检测概率评价。虚警概率指主用户不存在时，系统错误判定主用户存在的概率，虚警概率过高会导致次级用户错失空闲频谱；检测概率指主用户存在时，系统正确检测出主用户的概率，检测概率越高，对主用户的干扰风险越低。本文在固定虚警概率条件下，以检测概率作为核心性能指标，检测概率越高，代表对应融合技术性能越优异。

3 仿真系统模型与参数设置

3.1 系统模型构建

本文搭建认知无线电协作频谱感知仿真模型，包含主用户发射机、多个次级用户接收机、融合中心三部分。主用户可发送高斯信号或 QPSK 调制信号，次级用户分布在不同空间位置，主用户与次级用户之间为莱斯衰落信道，通过莱斯因子表征信道多径衰落程度。次级用户所处环境分为均匀噪声与非均匀噪声，非均匀噪声下不同次级用户噪声方差、噪声功率存在差异，接收信号波动程度不同。

次级用户独立采集指定长度的信号样本，计算本地检测统计量，将数据上传至融合中心，融合中心分别采用多种典型数据融合技术完成信息整合，在蒙特卡洛多次重复实验基础上，统计不同参数条件下的检测概率，实现多技术性能对比。

3.2 关键仿真参数设计

仿真过程中可调控的核心系统参数包含：主用户发射机数量、次级用户接收机数量、次级用户平均信噪比、蒙特卡洛仿真次数、单节点信号采样点数、主用户信号类型、QPSK 符号长度、噪声方差与噪声功率、接收信号波动系数、莱斯信道因子均值与标准差等。

为全面探究参数影响，仿真时固定虚警概率阈值，依次改变信噪比、次级用户数量、采样点数、莱斯因子、噪声均匀性等变量，对比不同数据融合技术的检测概率变化趋势。蒙特卡洛仿真保证实验结果的统计稳定性，采样点数决定次级用户本地感知精度，信噪比反映主用户信号强弱，莱斯因子表征信道衰落剧烈程度，噪声相关参数区分均匀与非均匀噪声环境。

3.3 典型数据融合技术选取

本文选取硬融合、软融合、加权融合等多种主流数据融合协作频谱感知技术开展仿真研究。硬融合类技术以本地决策结果为基础，计算简便、通信开销小；软融合类技术利用完整感知数据，信息利用率更高；加权融合根据次级用户信道质量、信噪比差异分配权重，适配非均匀噪声环境，性能更具鲁棒性。所有技术均可通过统一仿真框架实现，便于后续拓展更多新型融合算法。

4 仿真结果与性能分析

本文在均匀噪声、非均匀噪声两种场景下，分析各系统参数变化对不同数据融合技术检测概率的影响，探究各类技术的性能差异与适用条件。

4.1 信噪比对感知性能的影响

整体来看，随着次级用户平均信噪比提升，所有融合技术的检测概率均呈上升趋势。信噪比较低时，噪声干扰占主导，各类技术检测概率均偏低，性能差距较小；信噪比升高后，主用户信号辨识度提升，软融合、加权融合技术因充分利用多节点完整感知数据，检测概率提升幅度显著优于硬融合技术。

在非均匀噪声环境中，硬融合技术性能衰减明显，加权融合技术可通过调整不同次级用户权重，弱化噪声波动带来的干扰，抗噪声不均衡能力更强，整体性能优于传统软融合与硬融合技术。

4.2 次级用户数量对感知性能的影响

次级用户数量增加时，空间分集增益提升，各类技术检测概率均持续提高。次级用户数量较少时，节点信息有限，融合效果受限；随着用户数量增多，多节点信息互补，可有效抵消衰落与噪声影响。

硬融合技术受用户数量提升的增益效果有限，软融合与加权融合技术对用户数量变化更敏感，次级用户规模越大，多节点数据融合的优势越突出。但次级用户数量持续增加会带来通信开销上升，实际系统需兼顾感知性能与系统成本。

4.3 采样点数对感知性能的影响

单节点采样点数越多，次级用户本地感知精度越高，各类融合技术检测概率随之提升。采样点数较少时，本地感知数据量不足，统计误差较大，融合后整体检测效果较差；采样点数增大后，本地检测可靠性提升，融合中心可获取更精准的节点信息，检测概率显著改善。

软融合技术依赖大量采样数据提取统计特征，采样点数增加带来的性能提升最明显；硬融合技术仅利用二元决策，采样点数对其性能影响相对较小。

4.4 信道莱斯因子的影响

莱斯因子越大，信道直射路径越强，多径衰落影响越小，信号传输稳定性越高，所有融合技术检测概率均随之提升。莱斯因子较小时，信道衰落剧烈，信号波动大，非均匀噪声环境下硬融合技术性能下滑最为严重；加权融合技术可适配不同衰落程度的节点，在恶劣信道条件下仍能保持相对稳定的检测性能。

4.5 噪声均匀性的影响

均匀噪声环境下，各次级用户感知条件一致，软融合技术凭借完整数据优势，整体检测性能最优；非均匀噪声环境中，不同用户噪声功率差异较大，传统软融合易受高噪声节点干扰，加权融合通过差异化权重分配，屏蔽劣质节点影响，性能反超普通软融合技术，硬融合技术因决策简单，受噪声不均衡影响最大，检测性能下降幅度最显著。

4.6 不同技术综合性能对比

硬融合技术计算复杂度低、通信开销小，适合带宽有限、时延要求严格的场景，但抗衰落、抗非均匀噪声能力弱，检测性能整体偏低；普通软融合技术检测精度高，适合均匀噪声、理想信道条件，但在非均匀噪声环境中易受干扰，鲁棒性不足；加权融合技术综合性能最优，可适配均匀与非均匀噪声、强衰落等复杂场景，是实际认知无线电系统中优先选用的方案，仅存在一定的计算与通信开销。

5 总结与展望

5.1 研究总结

本文围绕认知无线电应用场景，对多种数据融合协作频谱感知技术开展性能仿真研究，搭建适配均匀与非均匀噪声、莱斯衰落信道的仿真模型，分析信噪比、次级用户数量、采样点数、信道特性、噪声分布等参数对检测概率的影响，得到核心结论：

信噪比、次级用户数量、采样点数提升，可有效提高所有融合技术的检测概率；信道衰落越剧烈、噪声非均匀性越强，感知性能整体下降。
均匀噪声环境中，软融合技术性能最优；非均匀噪声、强衰落环境下，加权融合技术鲁棒性最强，硬融合技术受干扰最明显。
硬融合适合低开销、简易部署场景，加权融合适配复杂实际通信环境，是综合性能最优的技术方案。

5.2 未来展望

本文仅研究了主流数据融合技术的基础性能，未来可进一步优化加权融合的权重分配算法，结合人工智能实现自适应权重调整；同时可拓展多主用户干扰、移动次级用户、宽带频谱感知等复杂场景，研究对应融合技术的优化方案，进一步提升认知无线电频谱感知在复杂动态环境中的可靠性与实用性。

📚2 运行结果

部分代码：

%% System parameters
s = 1; % Number of PU transmitters.
m = 5; % Number of SU receivers.
SNR = -11.5; % Average signal-to-noise ratio over all SUs, dB.
runs = 2000; % Number of events for computing the empirical CDFs.
n = 200; % Number of samples per SU.
T = n/10; % Number of samples per QPSK PU symbol (n/T must be integer).
Sigma2avg = 1; % Average noise power.
rhoP = 0.95; % Fraction of signal power variations about the mean.
meanK = 1.88; % Mean of Rice factor (dB) for variable K over the runs and SUs.
sdK = 4.13; % Standard deviation (dB) of K over the runs and SUs.
varK = 1; % If varK = 1, K is variable; if K = 0, K = meanK.
PUsignal = 0; % PU signal: "0" = iid Gaussian; "1" = niid (T>1) or iid (T=1) QPSK.
Pfa = 0.1; % Reference Pfa for threshold computation.

%% Enable only the set of parameter values to be varied:
% Parameter = [0,1,2,4,6,8,10]; % For varying meanK.
% Parameter = [2,4,6,8,10,12]; % For varying m.
% Parameter = [1,2,3,4,5,6]; % For varying s.
% Parameter = [10,50,100,200,400,600,800,1000]; % For varying n.
Parameter = [-20,-17.5,-15,-12.5,-10,-7.5,-5,-2.5,0]; % For varying SNR.
% Parameter = [0,0.2,0.4,0.6,0.8,0.95]; % For varying rhoP.

for loop = 1:length(Parameter)
% Set the variable on the left with the desired varying parameter.
SNR = Parameter(loop)

% Fraction of noise power variations about the mean (defaut: rhoN = 0.5*rhoP)
rhoN = 0.5*rhoP;
% Average received power
PRxavg = Sigma2avg*(10^(SNR/10));

%% Source powers
%(always the same and equal to PRxavg => channel power gain is unitary)
Ptx = ones(s,1)*PRxavg/s;

for i = 1:runs

%% PU signal (pxN):
if PUsignal==0 % Cplx iid Gaussian PU signal (pxN)
S = normrnd(0,1/sqrt(2),s,n) + 1j*normrnd(0,1/sqrt(2),s,n); S=(S'*diag(sqrt(Ptx)))';
else if PUsignal==1 % QPSK PU signal (pxN) with T samples per symbol
S = []; for symb = 1:n/T
S = [S (randi([0,1],s,1)*2-1)*ones(1,T)+1j*(randi([0,1],s,1)*2-1)*ones(1,T)];
end; S = (S'*diag(sqrt(Ptx/2)))';
end; end

%% Noise variances (Mx1) variable over all sensing rounds
Sigma2 = rand(m,1)*(2*rhoN)+(1-rhoN); Sigma2 = (Sigma2/mean(Sigma2))*Sigma2avg;

%% Received powers (Mx1) variable over all sensing rounds
PRx = rand(m,1)*(2*rhoP)+(1-rhoP); PRx = PRx/mean(PRx)*PRxavg;

%% Channel matrix (Mxp):
G = sqrt((PRx/PRxavg));
for row = 1:m
for col = 1:s
if varK == 1
K = 10^(randn(1,1)*sdK+meanK)/10; % Variable K
else
K = 10^(meanK/10); % Fixed K
end
H(row,col) = G(row)*(normrnd(sqrt(K/(2*(K+1))),sqrt((1-K/(K+1))/2),1,1) + 1j*normrnd(sqrt(K/(2*(K+1))),sqrt((1-K/(K+1))/2),1,1));
end
end

%% Gaussian noise matrices (MxN):
W0(m,n)=0; W1(m,n)=0;
for j = 1:m
W0(j,:) = normrnd(0,sqrt(Sigma2(j)/2),1,n) + 1j*normrnd(0,sqrt(Sigma2(j)/2),1,n);
W1(j,:) = normrnd(0,sqrt(Sigma2(j)/2),1,n) + 1j*normrnd(0,sqrt(Sigma2(j)/2),1,n);
end