目录
1.算法概述
2.仿真效果预览
3.MATLAB部分代码预览
4.完整MATLAB程序
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
Pd01 = zeros(1,length(SNR));%自适应双阈值
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
4.完整MATLAB程序
matlab源码说明_我爱C编程的博客-CSDN博客
V