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
标签:Cognitive,阈值,3GPP,家庭网络,Per,length,Num,SNR,signal From: https://www.cnblogs.com/51matlab/p/17016482.html