频谱感知三大传统检测算法原理与MATLAB仿真实现

简介：这套资源面向无线通信与认知无线电方向的学习者，聚焦三种传统频谱感知算法的仿真实现与性能对比。压缩包内共三个脚本文件，分别对应能量检测、匹配滤波检测与循环平稳特征检测的独立代码，整体体积仅三KB，便于直接运行和修改参数。目前已有七百二十三人学习使用，适合正在研究频谱感知、需要快速搭建仿真实验环境的本科生或工程师。通过调节不同信噪比条件，可直观比较三者在误检率与漏检率上的差异：能量检测实现简单但低信噪比下性能受限，匹配滤波检测灵敏度高却依赖信号先验信息，循环平稳检测对周期性结构信号更稳健但计算开销较大。资源代码结构清晰，注释简明，可作为课程设计或学位论文验证的起点，也便于在现有框架上继续扩展与优化。

1. 频谱感知的仿真瓶颈：为什么传统检测算法仍值得重跑一遍

频谱感知是认知无线电最基础的环节，但真正能把仿真跑通的人比想象中少。很多人以为三大传统算法——能量检测、匹配滤波检测、循环平稳特征检测——只是翻翻公式就能出结果，实际用 MATLAB 一跑才发现：噪声功率怎么估计、检测门限怎么设、采样点数取多少、蒙特卡洛跑多少轮，每一处都在左右最后的性能曲线。这套资源把三种检测器的仿真实现和性能对比打包在一起，信号模型、检测器函数、曲线绘图脚本都是现成的。适合正在做课程设计、想复现算法对比、或者需要给课题凑一组可信仿真数据的从业者，直接改参数重跑，比自己从零搭省掉大量排错时间。

2. 三种传统检测算法：原理、假设与选型判断

先把三大检测器分开梳理一遍。后面所有 MATLAB 函数都是建立在公式和前提上的，仿真结果一旦不符合预期，回到原理层找原因是最快的路径。

2.1 能量检测：统计量构造与噪声不确定性的代价

能量检测的出发点很朴素：接收信号平方求和再取平均，在“只有噪声”和“信号加噪声”两种假设下会呈现可区分的差异。设接收序列为 x[n]，统计量写为

T = 1/N · Σ |x[n]|²

假设噪声是零均值高斯白噪声，功率为 σ²，那么纯噪声下 T 近似服从均值为 σ²、方差为 2σ⁴/N 的高斯分布；信号存在时，均值变为 σ² + P_signal。两者分布的间隔由信噪比决定，信噪比越低，两个分布重叠面积越大，检测错误就越多。

门限不是随便给的，它应该由目标虚警概率 Pfa 和噪声功率 σ² 推导出来。高斯近似下理论门限是

η = σ² · (1 + sqrt(2/N) · Φ⁻¹(1-Pfa))

写成 MATLAB 代码就这么几行：

% 理论门限推导，高斯近似下 pfa = 0.01; % 目标虚警概率 1% noisePow = 1; % 归一化噪声功率 normInv = -sqrt(2) * erfinv(1 - 2*pfa); % 标准正态分位数，等价于 norminv eta = noisePow * (1 + normInv * sqrt(2/N)); T = mean(abs(rx).^2); % 检测统计量：采样点能量求平均 D = T > eta; % 判决结果：1 判有信号，0 判无信号

注意normInv这行，我用erfinv代替了统计工具箱的norminv，在没有额外工具箱的机器上也能跑。N 是单次感知的采样点数，N 越大统计量方差越小，同信噪比下检测概率越高，但感知时间也拉长，这是能量检测的第一组权衡。

能量检测最被诟病的点是噪声不确定性。仿真里噪声功率是设定好的常数，但真实场景中噪声底每时每刻在变。实际做项目时，如果噪声估计值只差 1 dB，检测性能就会明显下滑。所以在对比算法时，能量检测适合当基线，不适合当最终方案。

2.2 匹配滤波检测：相干增益背后的先验条件

匹配滤波在已知发送波形的前提下是最优检测，接收机只需要把接收序列和已知波形副本做互相关：

T_mf = |Σ x[n] · s*[n]|² / σ²

这里 s[n] 是已知发送波形，σ² 是噪声功率。相关累积会把信号能量相干叠加，等效信噪比提升约 N 倍，所以匹配滤波在低信噪比下表现非常抢眼。

但代价同样明显：接收机必须知道信号的调制方式、脉冲成型、载波频率和相位。仿真里模板就是发送信号本身，所以一切顺利；真实场景中只要出现载波频偏或定时偏差，相关增益就会大幅跌落。

% 匹配滤波检测：与已知波形副本做相关累积 template = tx; % 无噪声发送信号波形副本 corrVal = sum(rx .* conj(template)); % 相关累积，N个采样点相加 T_mf = abs(corrVal).^2 / noisePow; % 归一化统计量 D_mf = T_mf > eta_mf; % eta_mf 同样由 Pfa 反推

这段代码的关键在template。必须保证它是纯信号的副本，不能混入当前这轮接收信号中的噪声分量。不少仿真翻车就是因为在构造模板时顺手把接收序列复制过去了，结果相当于把答案写进模板，检测概率当然虚高。

匹配滤波的门限理论分布是卡方分布，但 N 足够大时直接用高斯近似也够用。实际代码里我习惯先跑一段纯噪声，统计统计量的经验分布，再按分位数取门限，比直接套公式更可靠。

2.3 循环平稳特征检测：用循环频率做区分

循环平稳检测是我个人最喜欢的一个，因为它的物理含义清楚：通信信号经过调制、脉冲成型和编码之后，统计特征不是平稳的，而是呈现周期性。这种周期性会在循环频率（cyclic frequency）处产生谱相关峰值。噪声没有这种结构，所以在非零循环频率处理论上谱相关是零。

实际实现常用周期相关函数（Cyclic Autocorrelation Function, CAF），核心计算是

R_x^α(τ) = (1/N) · Σ x[n] · x*[n-τ] · e^{-j2παn/fs}

其中 α 是循环频率，τ 是延迟。对 BPSK 信号，峰值通常出现在 α = 2·fc 和 α = ±Rs 附近，所以不用全频段扫描，扫几个重点位置就行。

% 循环平稳特征检测：在候选循环频率上求周期相关函数 tau = round(fs / Rs); % 延迟取一个符号周期 alphaList = [2*fc, Rs, 2*fc+Rs]; % 扫描重点循环频率 for k = 1:length(alphaList) alpha = alphaList(k); R = rx(1:end-tau) .* conj(rx(1+tau:end)) ... .* exp(-1j*2*pi*alpha*(0:N-tau-1)' / fs); feat(k) = abs(mean(R)); % 取模平均得到特征值 end % 判决：峰值相对背景均值超过阈值则判有信号 D_cyc = max(feat) > 3 * mean(feat);

这里的循环频率列表是 BPSK 信号的关键位置。如果换成 QPSK 或 OFDM，谱相关峰的位置会变化，需要按调制方式调整alphaList。tau 取一个符号周期是经验做法，太小或太大都会削弱特征峰值。

判决阈值3 * mean(feat)是工程简化，严谨做法是先跑纯噪声统计特征值的分布，再按 Pfa 取分位数。这个检测器的优势是抗噪声不确定性，但计算量明显高于前两者，在长序列仿真里耗时很可观。

2.4 三种检测器怎么选：一张表看明白边界

放到一个具体场景里对比，假设主用户信号是 BPSK，采样率为 10 MHz，符号速率 1 Msps，目标虚警概率 1%，信噪比范围 -16 dB 到 4 dB。三种检测器在参数条件和适用场景上的边界大致如下。

选型时一个常见误区是认为循环平稳检测永远最好，但它对采样长度和计算资源的要求高，在实时的频谱感知场景里往往撑不住。反过来，能量检测虽然简单，做频率占用情况的粗筛非常实用。

这份资源里三个检测器都给了完整可跑的脚本，我建议先跑默认参数，把三条检测概率曲线叠在一张图上，再按上面表格的逻辑去理解曲线的差距，比单纯改参数要有用得多。

3. 频谱感知的 MATLAB 仿真：信号模型、检测器函数与蒙特卡洛框架

原理讲完，落到实现。这一章把仿真工程拆成三块，每一块都有可直接替换的代码，改参数就能得到自己的结论。

3.1 公共仿真框架：全局参数与信号源

一个完整的频谱感知仿真流程是：生成发送信号、叠加信道噪声、送入检测器、统计判决结果、蒙特卡洛循环上万次得到检测概率。先搭总框架：

%% 全局仿真参数区，改这里即可重跑一组实验 fs = 10e6; % 采样率 10 MHz fc = 200e3; % 基带等效载波频率 200 kHz Rs = 1e6; % 符号速率 1 Msps N = 4096; % 单次感知的采样点数 M = 500; % 蒙特卡洛重复次数 snrList = -16:2:4; % 信噪比扫描范围，单位 dB pfa = 0.01; % 目标虚警概率 rng(7); % 固定随机种子，保证结果可复现 %% 基带信号生成：BPSK + 矩形脉冲成型 numBits = floor(N * Rs / fs); tx_bits = 2 * randi([0 1], 1, numBits) - 1; % BPSK 符号，±1 up_tx = zeros(1, N); up_tx(1:round(fs/Rs):end) = tx_bits; % 零插值，等效矩形脉冲 tx = up_tx(1:N);

参数说明：fs/Rs是过采样倍数，这里是 10，即每个符号采 10 个点。矩形脉冲成型在数学上最简单，实际通信系统会用根升余弦脉冲成型来压缩带宽，如果换了脉冲成型，信号带宽和频谱特征会改变，循环平稳检测的峰值位置也要重新扫。为教学仿真考虑，矩形脉冲已经够用。

注意rng(7)这一行。固定随机种子是仿真可复现的前提，不固定的话每次跑出来的曲线都不完全一样，对比算法时很容易把随机波动误判成性能差异。

3.2 能量检测函数实现

能量检测器作为一个独立函数封装：

function [T, D] = energyDetect(x, eta) % x 输入接收采样序列 % eta 检测门限 % T 能量统计量 % D 判决结果，1 有信号，0 无信号 T = mean(abs(x).^2); D = T > eta; end

函数本身只有两行，真正的工作在调用之前——门限怎么算。门限的计算放在主脚本里，因为需要知道 N、pfa 和噪声功率这些上下文信息。我把理论门限推导放在主循环之前：

% 主脚本内，蒙特卡洛循环前的门限计算 normInv = -sqrt(2) * erfinv(1 - 2*pfa); eta = noisePow * (1 + normInv * sqrt(2/N));

这里noisePow由主脚本统一设置，整个仿真里的噪声功率都用它，保证三种检测器面对同样条件。

3.3 匹配滤波检测函数实现

function [T_mf, D_mf] = matchFilterDetect(x, template, noisePow, eta_mf) % x 接收采样序列 % template 已知发送波形副本，不含噪声 % noisePow 噪声功率 % eta_mf 匹配滤波门限 % T_mf 相关统计量 % D_mf 判决结果 corrVal = sum(x .* conj(template)); T_mf = abs(corrVal).^2 / noisePow; D_mf = T_mf > eta_mf; end

模板必须来自发送信号tx，而不是接收信号rx。我见过有人图省事直接拿rx当模板，结果相关值里混进了噪声能量，检测概率在高信噪比下接近 100% 还不觉得异常，直到换低信噪比才发现曲线下不来。这个问题在真实系统里不存在，但在仿真里稍不注意就会犯。匹配滤波的eta_mf沿用同一套 Pfa 反推逻辑，但统计量的分布不同，更严谨的做法是单独跑一段纯噪声来标定。

3.4 循环平稳特征检测函数实现

function [feat, D_cyc] = cyclostationaryDetect(x, alphaList, fs, tau) % x 接收采样序列 % alphaList 待扫描的循环频率集合 % fs 采样率 % tau 延迟采样点数 % feat 各循环频率对应的特征值 % D_cyc 判决结果 N = length(x); feat = zeros(size(alphaList)); for k = 1:length(alphaList) alpha = alphaList(k); R = x(1:end-tau) .* conj(x(1+tau:end)) ... .* exp(-1j*2*pi*alpha*(0:N-tau-1)' / fs); feat(k) = abs(mean(R)); end D_cyc = max(feat) > 3 * mean(feat); end

这个函数里最耗时的就是那个 for 循环。alphaList 越长，计算量越大，所以扫描点要精不要多。对 BPSK 信号，alphaList = [2*fc, Rs, 2*fc+Rs]已经能覆盖主要特征。tau 的取值影响特征值的强度，取round(fs/Rs)就是延迟一个符号周期，这是工程上比较稳妥的起点。

3.5 蒙特卡洛主循环：统计检测概率

蒙特卡洛循环是整个仿真的引擎，在每一个信噪比点上重复 M 次实验，统计检测到信号的次数，再除以 M 得到检测概率估计值。

% 预分配结果矩阵 Pd = zeros(length(snrList), 3); % 三列分别是能量、匹配滤波、循环平稳 for idx = 1:length(snrList) snr = snrList(idx); hits = zeros(1, 3); for trial = 1:M % 生成噪声 noise = sqrt(0.5) * (randn(1, N) + 1j * randn(1, N)); noisePow = mean(abs(noise).^2); % 按信噪比换算信号幅度 amp = sqrt(10^(snr/10) * noisePow); rx = amp * tx + noise; % 能量检测 [~, D1] = energyDetect(rx, eta); hits(1) = hits(1) + D1; % 匹配滤波检测 [~, D2] = matchFilterDetect(rx, tx, noisePow, eta_mf); hits(2) = hits(2) + D2; % 循环平稳特征检测 [~, D3] = cyclostationaryDetect(rx, alphaList, fs, tau); hits(3) = hits(3) + D3; end Pd(idx, :) = hits / M; end

注意noisePow是在循环内用mean(abs(noise).^2)实时算出来的。这样做比用理论值更贴近实际，因为有限长度的噪声样本功率会有波动，而这种波动正是噪声不确定性的一个来源。改用固定的理论功率值会让仿真结果偏乐观，和真实场景对不上。

M 的取值直接决定曲线平滑度。M=500 时单条曲线大概需要跑一两分钟，曲线还带一点抖动；M=2000 以上曲线平滑得多，但仿真时长按比例翻倍，适合最终出图时用，调参阶段没必要跑那么多。

4. 性能对比与参数灵敏度：从检测概率曲线到 ROC 的关键设置

检测器都跑通了，接下来是对比实验设计。这一阶段决定你的仿真结论是不是站得住脚。

4.1 对比维度与控制变量设置

三种检测器做对比，前提是控制变量。我一般固定以下条件：

有一个容易被忽视的点是噪声功率。如果三种检测器分别在各自的代码里定义了不同的噪声功率，那对比结果没有任何意义。我习惯把noisePow设置为全局变量，在蒙特卡洛循环内部实时计算，确保每轮实验三种检测器看到的是同一批噪声样本。

4.2 检测概率与信噪比曲线解读

跑出来的 Pd 曲线通常呈现 S 形：低信噪比时贴近虚警概率，高信噪比时趋近 1，拐点位置是性能差距的直观体现。匹配滤波曲线的拐点出现得最早，能量检测次之，循环平稳特征检测在低信噪比区域通常比能量检测更好，但计算耗时也明显增加。

曲线出现异常的时候先别急着怀疑检测器，先看信号生成本身。比如amp的计算是否正确，tx是否已经归一化。我想强调的是，性能对比的原则是“看趋势更看拐点”，不要盯着某一两个点过度解读，蒙特卡洛本身就是随机实验，有波动是正常的。

4.3 ROC 曲线与门限权衡

检测概率和虚警概率是成对出现的。固定信噪比，把门限从低到高扫一遍，就能得到一条 ROC 曲线。ROC 曲线越靠近左上角，代表检测器性能越好。这个指标比单点 Pd 更全面，因为它展示了在不同工作点下的能力边界。

代码实现上，就是把前面固定门限的单次判决，改成门限扫描加重复统计：

% ROC 曲线扫描示例：固定 SNR = -8 dB snrFixed = -8; ampFixed = sqrt(10^(snrFixed/10) * noisePow); thresholdList = linspace(0.5, 2.5, 50); % 对能量统计量归一化后的门限扫描 Pd_roc = zeros(size(thresholdList)); Pfa_roc = zeros(size(thresholdList)); for ti = 1:length(thresholdList) th = thresholdList(ti); % 有信号情况 hits1 = 0; % 纯噪声情况 hits0 = 0; for trial = 1:M noise = sqrt(0.5) * (randn(1, N) + 1j * randn(1, N)); rx_sig = ampFixed * tx + noise; rx_noise = noise; T_sig = mean(abs(rx_sig).^2); T_noise = mean(abs(rx_noise).^2); hits1 = hits1 + (T_sig > th); hits0 = hits0 + (T_noise > th); end Pd_roc(ti) = hits1 / M; Pfa_roc(ti) = hits0 / M; end % 绘图时用 plot(Pfa_roc, Pd_roc)

这段代码里的 thresholdList 需要多次实验来定范围。最稳的办法是先跑一次统计量分布，把纯噪声和有信号两种情况下统计量的取值范围打出来，再来选扫描区间。盲目扫描不但浪费计算时间，还可能在重叠区域画不出曲线的关键弧度。

4.4 参数灵敏度：采样点数和蒙特卡洛次数的影响

采样点数 N 是把双刃剑。N 越大，能量检测的统计量方差越小，门限越容易把噪声和信号分开；匹配滤波的相干积累增益也越大；循环平稳检测的特征值越稳定。但 N 同时意味着更长的感知时间和更高的计算负载，实际系统里 N 往往受限于感知时隙长度。

蒙特卡洛次数 M 影响的是统计精度。M 太小时，Pd 曲线毛刺很重，拐点位置不稳定；M 足够大之后，曲线基本稳定，再增加 M 收益开始递减。这是典型的投入产出取舍：跑 2000 次 M 能接受的等待时间，跑 5000 次就得考虑换台机器了。

5. 频谱感知仿真常见问题与排查：五个高发病例的处理记录

仿真跑多了会碰上各种奇怪的输出。这一章五个问题是我在调试中最常碰到的，每条按现象、原因、解决三段来写。

5.1 检测概率曲线平在地上，完全分不出来

现象是信号信噪比已经到 0 dB，能量检测和循环平稳检测的 Pd 仍然和 Pfa 重叠在一条线上。

原因往往是信号幅度没有按信噪比换算对。最常见的情况是amp计算错了，比如直接用sqrt(snr)而不是sqrt(10^(snr/10))，或者发送信号tx的功率没有归一化，导致实际注入的信噪比远低于设定值。另一个原因是噪声功率在循环内部被重复计算，但信号功率没有做同样处理，导致信噪比虚低。

解决方法是先加一组诊断代码：在蒙特卡洛循环里打印mean(abs(rx_sig).^2)和mean(abs(noise).^2)，直接核对实际信噪比与设定值是否一致。这个简单的检查能排除一大半问题。

5.2 能量检测门限怎么调都对不上目标虚警概率

现象是设了 Pfa=0.01，跑出来的虚警概率是 0.03 或者 0.005，总是偏离。

原因是理论门限公式基于高斯近似，N=256 以下或者信号分布偏差大时，近似误差就很明显；另外，如果采用复噪声，统计量的自由度和实噪声不同，公式里 sqrt(2/N) 需要修正。

解决思路是放弃纯理论门限，改用标定法：先单独跑一段较长纯噪声，统计量分布的经验分位数作为门限基准。这个做法在工程中更可靠，也更容易解释给评审听。

5.3 匹配滤波检测概率虚高

现象是低信噪比下匹配滤波的 Pd 已经接近 1，而能量检测还在 0.2 附近，差距大得不像话。

原因是模板泄露。模板template直接用了接收序列rx，或者模板虽然是tx，但在生成tx时没有固定随机种子，导致每轮蒙特卡洛的发送波形都不一致，却被当作“已知模板”。真实场景里接收机不知道当前这帧信号的具体内容，只能依赖事先约定的发送波形，模板必须与发送端保持一致。

解决方法是固定随机种子，并且模板只取tx，同时做一次相关性检查，确保sum(rx .* conj(template))中噪声项不参与模板构造。

5.4 循环平稳检测慢到难以忍受

现象是蒙特卡洛跑 100 次，循环平稳检测就耗了十几分钟，而另外两个检测器几秒就完成。

原因是两个：alphaList 太长导致 for 循环迭代过多，以及特征值计算里用到了非矢量化的 exp 运算。比如把 alphaList 展开成几百个循环频率点，每次都要做复数乘法和指数计算，性能自然撑不住。

解决方法是缩小扫描范围到三五个峰值点即可，同时将 exp 部分的索引计算改造成矢量形式。另外，tau的选择也影响耗时，tau太小导致有效样本长度几乎等于 N，运算量反而更大，取一个符号周期就合适了。

5.5 对比曲线不公平：三种检测器的实验条件不一样

现象是最终画出的三条曲线上，能量检测明显不如另外两个，但仔细观察发现它的采样点数、虚警概率或信噪比定义和其他两个不一致。

原因是参数被分散在各个脚本里，有人改了一个脚本却忘了改另一个。这是仿真项目中非常常见的管理问题，不一定与技术原理有关。

解决方法是把公共参数集中到一个参数文件或脚本顶部，比如用第一节的全局参数区，三种检测器调用同一组 N、Pfa、snrList、M。我当时用这种写法重构了整套框架，之后很少再发生对比条件不一致的问题。

6. 仿真结果可信度校准：三个验证手段和一个习惯

拿到一组仿真曲线，第一件事不是急着截图写报告，而是先验证结果能不能站住脚。

验证手段一：把仿真检测概率曲线和理论曲线叠在一起。能量检测在有明确信噪比时是有理论检测概率公式的，虽然近似，但趋势可以参考。如果仿真曲线和理论曲线的拐点位置相差超过 2 dB，基本可以认定参数设置有误，先回头查信噪比换算和门限推导。

验证手段二：换一套随机种子重跑一遍。固定随机种子只能保证可复现，不能证明结果不依赖某个随机序列。换两个不同的种子，看曲线抖动是否在接受范围内。如果两条曲线的拐点漂移超过 1 dB，就把蒙特卡洛次数 M 加大再跑。

验证手段三：打印关键中间量，拒绝把仿真当黑匣子。每次蒙特卡洛循环内抽取几轮，打印实际噪声功率、信号功率、门限值和统计量，人工核对一下是否在合理区间。这个习惯帮我排掉过大量隐蔽问题。

说句实际的，我早期做频谱感知仿真时吃过亏：有一次拿到的匹配滤波结果无限完美，检测概率在任何信噪比下都是 1，我把结果做成图放进报告，直到导师看了一眼问模板是不是包含噪声了，我才意识到自己犯了数据泄漏。从那以后我每次拿到频谱感知类仿真，都会强制执行一套计算法校验：先跑纯噪声拿到虚警率，再跑强信号拿到收敛曲线，最后核对实际信噪比与设定值，三条不逐条通过不画最终图。这个流程虽然啰嗦，但帮我少踩了无数坑。希望帮到你。

本文还有配套的精品资源，点击获取