1. 协作频谱感知的痛点为什么单节点能量检测在低信噪比下总掉链子做认知无线电相关工作的朋友应该都有同感频谱感知这个环节看起来简单实际上是最容易翻车的地方。单个节点拿一个能量检测器去判断频段是否被主用户占用信噪比稍低一点比如低于-10dB检测概率Pd立刻衰减得没法看。能量检测器的原理是对接收信号能量求平均然后跟噪声功率的门限比较看起来没什么问题但它有个致命的软肋——对噪声不确定性Noise Uncertainty极其敏感。实际环境中噪声功率不是恒定的温度变化、邻频干扰、射频前端增益漂移都会让噪声功率波动在低信噪比下这些波动直接让能量检测器的门限设定变成一件碰运气的事。这正是协作频谱感知存在的意义。多个次用户认知用户分布在空间的不同位置各自感知同一频段再把感知结果汇集到一个融合中心Fusion Center由融合中心综合所有信息做出最终判决。因为不同位置的衰落和阴影效应是独立的单个节点掉进深衰落坑里时其他节点大概率还能听到主用户信号空间分集带来的增益能在很大程度上抵消单点感知的不确定性问题。集中式数据融合是其中最常见的一种协作架构也是很多教材和论文默认的模型所有节点把感知数据直接上报给融合中心融合中心负责完成最终的统计判决。在传统的集中式协作方案里每个节点往往还是用能量检测器作为本地检测手段然后把本地判决结果或者能量值上报。这种做法实现起来确实简单但当信道环境复杂、欠采样或噪声未确切知道时能量检测的先天不足会直接污染上游融合结果。换句话说融合算法再先进也弥补不了本地检测统计量本身对噪声敏感这个基础短板。于是就有了另一个思路换一种更鲁棒的本地检测统计量让单个节点的输出本身就具备较强的抗噪声不确定性能力然后再接入集中式融合框架。Pietra-Ricci指数检测器Pietra-Ricci Index DetectorPRID就是在这方面比较有代表性的一种方案。我第一次接触PRID是在一个某高校实验室的仿真项目里。起初我也觉得它不过是个冷门的统计量把特征值换一种方式揉在一起而已但实际做完对比实验之后才发现这个检测器在低信噪比环境下确实比能量检测器稳得多。它的名字听着不明觉厉数学内核却不难实现的Matlab代码也就几十行。这篇文章我会把PRID从统计原理到集中式融合的仿真代码全过程捋一遍说清楚它为什么能抗噪声不确定性、在融合架构里该怎么用、以及我踩过的几个坑。2. Pietra-Ricci指数的统计学身份它凭什么能当检测统计量2.1 从分布差异度量到频谱感知的跨界引申Pietra-Ricci指数最早是经济学里用来刻画收入分配不平等程度的指标基于洛伦兹曲线Lorenz curve而来。洛伦兹曲线描述的是人口累计百分比和收入累计百分比之间的关系如果所有人都拿一样的收入曲线就是一条对角线收入分配越不平等曲线就向下弯得越厉害。Pietra指数衡量的是洛伦兹曲线偏离对角线的最远距离或者两个分布之间的某种差异度量本质上是一个分布差异性指标。把这一套搬到频谱感知里关键在于完成一次概念映射接收信号的样本协方差矩阵的特征值分布可以被看作是一种财富分配问题。在纯噪声假设H0假设下各通道接收到的噪声互不相关协方差矩阵的特征值理论上是比较接近的特征值累积分布大致贴着对角线走而存在主用户信号时信号能量会集中在少数几个特征值上特征值之间的差异显著增大累积分布曲线明显偏离对角线。于是信号检测就转化成了判断特征值分布是否偏离均匀基线的问题。这种思路和传统特征值类检测器比如最大最小特征值之比检测器M-ME属于同一个家族但PRID度量的方式不太一样它不是只盯住最大和最小特征值的比值而是把整个特征值谱的形状都纳入考量。这一点在分布式/集中式融合场景里是有实际意义的——当参与融合的节点数、天线数或样本数比较多时特征值谱携带的信息量更大用一个全局形状统计量往往比分拣单点特征值更稳定。2.2 PR指数的数学定义与检测统计量的构建这里我给一个我在仿真中实际采用的PR指数计算路径这也是文献里比较常见的构造方法。设某节点的接收信号向量为 (\mathbf{x}(n)[x_1(n), x_2(n), ..., x_M(n)]^T)其中 (M) 可以是该节点的天线数也可以是快拍采样点维度。在感知窗内有 (N_s) 个快拍样本协方差矩阵估计为[ \mathbf{R}x \frac{1}{N_s} \sum{n1}^{N_s} \mathbf{x}(n) \mathbf{x}^H(n) ]对 (\mathbf{R}_x) 做特征值分解得到特征值序列 (\lambda_1 \ge \lambda_2 \ge ... \ge \lambda_M)。将它们归一化得到 (\tilde{\lambda}i \lambda_i / \sum{j1}^{M} \lambda_j)再计算累计和[ F_k \sum_{i1}^{k} \tilde{\lambda}_i, \quad k 1, 2, ..., M ]这组 (F_k) 相当于特征值累积分布函数的一组观测点。如果所有特征值相等(F_k) 应该接近直线 (k/M)特征值越不均(F_k) 偏离直线越远。检测统计量取二者的差异程度常见的形式有两种[ T_{\text{PR-max}} \max_{1 \le k \le M} \left| F_k - \frac{k}{M} \right| ][ T_{\text{PR-area}} \frac{1}{M} \sum_{k1}^{M} \left| F_k - \frac{k}{M} \right| ]第一种对应最大偏离第二种对应平均偏离面积。从检测灵敏度角度讲面积型统计量利用的信息更充分在特征值谱拖尾较长时表现更稳定最大型统计量在某些特征值尖锐凸起场景下反应更快。具体选哪一种可以在仿真里根据目标信噪比区间来定我自己的经验是面积型在-12dB到-8dB区间更稳最大型在极端低信噪比低于-15dB时反而更容易出判决。2.3 为什么PRID比能量检测更抗噪声不确定性能量检测器的统计量可以写成 (T_{\text{ED}} \frac{1}{N_s} \sum |x(n)|^2)它与噪声功率 (\sigma_n^2) 直接相关。一旦噪声功率估计偏差 (\Delta \sigma_n^2) 存在判决门限 (\gamma) 就必须跟着歪而门限歪一点虚警概率Pfa和检测概率Pd就全面失衡。PRID的统计量是基于特征值归一化后的分布形状归一化这一步把噪声功率的绝对尺度消掉了。即使噪声功率整体漂移只要各特征值的相对比例关系变化不大统计量就不会发生系统性偏移。当然噪声不确定性不是单纯的功率缩放如果噪声本身有色化频谱不平坦协方差矩阵的特征值也会变得不规则PRID同样会受到一定影响这就是为什么后面要讨论多节点融合来补偿本地有色噪声残留问题。3. Matlab实现从信号模型到PRID核心函数的完整代码3.1 信号模型与仿真参数的初始化先说明一下我这套仿真对应的场景集中式融合架构下(N) 个次用户节点独立感知各自把PRID统计量软信息或本地判决硬信息上报给融合中心。主用户信号采用QPSK调制信道模型支持AWGN和瑞利平坦衰落两种模式。%% 仿真参数配置 clear; clc; close all; M 4; % 每节点采样通道数/特征值数 N 5; % 协作节点数 N_s 128; % 感知快拍数 snr_dB -14:2:-2; % 平均信噪比扫描范围 Pfa 0.01; % 目标虚警概率 mc_Num 2000; % 蒙特卡洛次数 % QPSK 主用户信号实际感知中主用户信号是未知的这里只是仿真源 nSym N_s 50; % 多产生一些滤掉暂态 data randi([0 3], nSym, 1); sig pskmod(data, 4, pi/4); sig sig(51:end); % 截取稳定部分有几个参数需要说说。(M) 在这里可以理解为每个感知节点的等效通道数如果节点是多天线的它就是天线数如果是单天线多次快拍分组也可以理解为子载波数。(N_s) 是协方差矩阵估计用的快拍数这个值直接决定特征值估计的稳定性太小了 (\mathbf{R}_x) 不收敛PRID统计量抖动很严重。瑞利信道下每个节点的信道系数在每次蒙特卡洛循环里独立生成以模拟节点间空间不相关性。3.2 核心PRID函数特征值分解与统计量计算这个函数是整个检测器的核心输入样本协方差矩阵输出对应的PRID统计量支持最大型和面积型两种模式。function T pid_pr_index(Rxx, mode) % 计算Pietra-Ricci指数检测统计量 % 输入: % Rxx - M x M 样本协方差矩阵 % mode - max 最大偏离型; area 面积型(默认) % 输出: % T - 检测统计量 if nargin 2 mode area; end M size(Rxx, 1); % 特征值分解取实部防止数值虚部干扰 lambda eig(Rxx); lambda real(lambda); lambda sort(lambda, descend); % 数值保护极小或负的特征值截断到0 lambda max(lambda, 0); % 归一化特征值使其和为1 lambda_norm lambda / (sum(lambda) eps); % 累积分布序列 F_k F cumsum(lambda_norm); % 均匀基线 base (1:M) / M; % 差异度量 if strcmp(mode, max) T max(abs(F - base)); else T mean(abs(F - base)); end end有两个细节我要单独提醒。第一eig()返回的特征值在理论上应该是实数因为协方差矩阵是Hermitian的但浮点运算可能引入极小的虚部real()截断是必要的第二某些极端信道条件下可能出现接近零甚至微小的负特征值虽然协方差矩阵半正定时不该出现但数值上还是建议做一次max(lambda, 0)的钳位否则归一化之后统计量会异常跳动。3.3 单节点感知与软/硬融合上报流程仿真主循环里每个节点在每一轮蒙特卡洛中生成自己的信道、信号和噪声计算本地PRID统计量。这里我同时保留了软融合和硬融合两套逻辑%% 预分配统计矩阵 T_matrix zeros(mc_Num, N); % 所有节点的软统计量 %% 蒙特卡洛主循环 for mc 1:mc_Num h_signal (randn(N,1) 1j*randn(N,1)) / sqrt(2); % Rayleigh信道 for n 1:N % 产生接收信号H1假设 noiseVar 10^(-snr_dB(snr_idx)/10); noise sqrt(noiseVar/2) * (randn(N_s, M) 1j*randn(N_s, M)); % 主用户信号通过信道到达节点n tx sig * h_signal(n); if signal_present X tx noise; else X noise; end % 样本协方差与PRID统计量 Rxx X * X / N_s; T_matrix(mc, n) pid_pr_index(Rxx, area); end % -------- 集中式软融合等增益合并 -------- T_fusion_soft(mc) mean(T_matrix(mc, :)); % -------- 集中式硬融合OR规则 -------- % 本地门限需要预先标定 local_decision T_matrix(mc, :) gamma_local; T_fusion_hard(mc) any(local_decision); end软融合里我用的最简单的等增益合并EGC也就是对N个节点的统计量直接平均。实际项目中可以给统计量赋予权重比如信道条件好的节点权重大一点但我建议先跑通等增益的基线再考虑加权否则问题定位会变得混乱。硬融合里OR规则的意思是只要有一个节点判为H1融合中心就判H1这能最大化检测概率但虚警概率也会被抬高具体取舍看应用场景。3.4 门限标定与检测/虚警概率统计门限标定是这套流程里最容易出错的一步。正确做法是在H0假设只有噪声下通过大量蒙特卡洛循环得到统计量的经验分布然后取分布的分位数作为门限。不能用理论公式硬算门限因为PRID统计量的解析分布很难推导。%% H0假设下标定门限 snr_idx 1; % 标定只在噪声场景进行 signal_present false; T_h0 zeros(mc_Num, N); for mc 1:mc_Num % 纯噪声场景生成方式和上面类似 for n 1:N noiseVar 10^(-snr_dB(1)/10); noise sqrt(noiseVar/2) * (randn(N_s, M) 1j*randn(N_s, M)); Rxx noise * noise / N_s; T_h0(mc, n) pid_pr_index(Rxx, area); end end gamma_local quantile(T_h0(:), 1 - Pfa);然后在H1假设下跑一遍统计判决结果signal_present true; for snr_idx 1:length(snr_dB) for mc 1:mc_Num % ... 同主循环生成含信号数据 ... % 软融合 det_soft(mc) mean(T_matrix(mc,:)) gamma_fusion_soft; % 硬融合 det_hard(mc) any(T_matrix(mc,:) gamma_local); end Pd_soft(snr_idx) sum(det_soft) / mc_Num; Pd_hard(snr_idx) sum(det_hard) / mc_Num; end软融合的门限gamma_fusion_soft也要在H0下标定而且是对融合后的均值统计量标定不是对单节点标定再平均。这两个门限标定场景必须一致否则虚警概率会偏离目标值这是一个非常隐蔽的陷阱。4. 实测性能拆解检测概率、虚警概率与ROC曲线4.1 单节点PRID在低信噪比下的表现先看单个节点的PRID统计量行为。设定 (M4)(N_s128)在纯噪声下统计量集中在0.04~0.08这个区间存在信号且信噪比为-10dB时统计量分布整体右移均值能到0.12~0.15左右重叠区域已经比较明显。这说明单节点PRID在-10dB条件下有一定区分度但单独使用仍然不够可靠。我把单节点PRID和单节点能量检测器放在同一条件下对比。能量检测器在噪声功率精确已知的理想假设下性能不错但一旦加入1dB的噪声不确定性检测概率优势明显下降。PRID由于归一化操作对噪声功率绝对尺度不敏感在噪声不确定场景下检测概率曲线更平缓。如果你经常做这个方向的实验一定见过那种理论曲线很漂亮、实测曲线凄惨的情况这里面很大一部分就是噪声不确定性造成的PRID恰好在这块有天然优势。4.2 协作者数量对融合判决的影响集中式融合的好处是多节点协同增益。按我跑的数据在-12dB条件下单节点检测概率只有0.5左右目标虚警0.013个节点等增益软融合之后能拉到0.72左右5个节点能到0.85以上。这个增益来自两方面一是平均本身降低了统计量方差二是独立衰落环境下多节点同时陷入深衰落的概率极低。三种融合规则的效果排序在我的仿真条件下是软融合等增益平均 硬融合OR规则 硬融合AND规则。软融合信息保留最多性能上界最高OR规则牺牲虚警换检测概率在和规则下虚警被压制但检测概率也同步下降。如果你的系统虚警预算比较宽裕OR规则是简单的硬判决方案里最划算的选择。4.3 与能量检测器的对比实验结果我把两种检测器放在同一套融合框架下做了完整对比。在-10dB、5节点软融合、目标Pfa0.01的条件下PRID融合方案的检测概率约0.94能量检测融合无噪声不确定性约0.90看起来差距不大但把噪声不确定性调整为1dB后能量检测融合跌到0.78左右PRID融合还能维持0.90以上。这正是PRID的核心价值所在——它不是在所有场景下碾压能量检测而是在噪声功率已知性比较差的实际场景里明显胜出。如果画ROC曲线特征更明显低虚警区间Pfa在0.001到0.01之间PRID融合的检测概率提升幅度远大于高虚警区间这说明它更适合对虚警代价敏感的频谱管理场景。而且我扫了不同快拍数64、128、256PRID在快拍数较少时的性能退化速度比能量检测慢这在实际感知窗资源受限时是个不小的优势。5. 代码实现中的高频陷阱与调试心得5.1 样本协方差矩阵的估计偏差这是我最开始犯的错误。(N_s) 太小会让特征值估计偏差严重尤其是最大和最小特征值一个被高估、一个被低估PRID统计量会系统性地偏大。仿真里如果发现H0下的统计量明显大于理论预期先别怀疑算法先增大 (N_s)。经验值是 (N_s \ge 5M) 起步想稳定的话 (N_s \ge 10M)。但代价是感知耗时变长主用户信号如果随时间快速变化过大的感知窗反而会导致统计量失真。这里有一个权衡需要根据目标场景做主用户信号的时变特性分析。5.2 特征值数值稳定性的处理每次蒙特卡洛循环都做特征值分解矩阵病态时会偶尔蹦出离谱的特征值。我在代码里加了钳位和排序去重但这还不够。有一次我发现H0下的统计量时不时飙到0.3以上查了很久才发现是randn生成了相关性极低的噪声矩阵数值上接近奇异特征值分解出问题。后来我在计算协方差之前对X做了标准化处理X X - mean(X); % 去直流 X X / std(X); % 归一化功率这样矩阵条件数会改善很多。需要注意的是标准化会影响绝对能量信息但PRID本来就只关心相对分布所以无伤大雅。5.3 融合统计量的分布偏移软融合之后融合统计量的分布比单节点统计量更集中方差变小如果直接拿单节点的门限去判融合门限虚警概率会比你预期低很多检测概率也会被白白压下去。这就是我前面强调的——软融合门限必须单独在融合后的统计量上标定。很多初学者直接在单节点门限上做平均最后得到的ROC曲线莫名其妙地缩在一起问题就出在这。5.4 蒙特卡洛次数与置信区间很多人跑仿真只跑500次循环曲线的波动特别大两个算法之间的性能差距看着明显但根本不能下结论。蒙特卡洛次数的选择要看目标Pfa和Pd的分辨率。如果你关心Pfa0.01附近的性能理论上至少需要 (1/Pfa \times 10) 次循环才能把虚警概率估计的变异系数控制到可接受水平也就是1000次起步。我日常跑2000次扫描点多的时候会加到5000次。本仿真的每个信噪比点都会把H1流程循环一遍H0门限标定只做一次整体量级不大没有必要过度压缩循环次数。5.5 仿真时间的优化思路PRID涉及特征值分解比能量检测慢很多这是它的一个现实短板。我在仿真里做了两个提速处理。第一用parfor替换主循环注意先标定门限再并行否则并行环境里二次调用quantile会出很多隐性问题。第二eig在对称矩阵上可以换svd或者用eigs只求前几个大特征值——PRID面积型统计量对较大特征值的尾部更敏感小特征值贡献不显著求前 (K) 个特征值就能覆盖大部分统计量信息耗时能降一半以上。6. 一些个人体会和接下来可以扩展的方向代码在写完之后我自己跑了好多组参数才逐步稳定。印象最深的一个教训是门限标定、信号生成、融合判决三个环节的噪声功率定义必须完全一致否则标定和实测互相背离。很多时候检测概率曲线上出现反常的凹陷不是算法有问题而是仿真链路里出现了随机数种子错位或者功率定义不一致。这个方案后续有几个很自然的扩展方向。一个是把每个节点的信道SNR信息引入融合权重替代现在的等增益平均理论上会有更好的检测性能另一个是考虑节点间相关性在实际部署中节点距离较近时信道并非完全独立融合性能会打折扣这时候可以引入相关矩阵修正。如果你的场景对通信开销敏感也可以考虑在本地做PRID判决后只上报一位软信息比如统计量量化成多级在带宽受限时兼顾性能与开销。这些我在自己的模拟项目里试过前两个效果确实有提升但文章篇幅有限以后有空再单独写一篇细说。 
长河君 · 2026/10/13 21:19:13 · 阅读 1.2k PRID检测器如何提升协作频谱感知抗噪声不确定性的Matlab实现
1. 协作频谱感知的痛点为什么单节点能量检测在低信噪比下总掉链子做认知无线电相关工作的朋友应该都有同感频谱感知这个环节看起来简单实际上是最容易翻车的地方。单个节点拿一个能量检测器去判断频段是否被主用户占用信噪比稍低一点比如低于-10dB检测概率Pd立刻衰减得没法看。能量检测器的原理是对接收信号能量求平均然后跟噪声功率的门限比较看起来没什么问题但它有个致命的软肋——对噪声不确定性Noise Uncertainty极其敏感。实际环境中噪声功率不是恒定的温度变化、邻频干扰、射频前端增益漂移都会让噪声功率波动在低信噪比下这些波动直接让能量检测器的门限设定变成一件碰运气的事。这正是协作频谱感知存在的意义。多个次用户认知用户分布在空间的不同位置各自感知同一频段再把感知结果汇集到一个融合中心Fusion Center由融合中心综合所有信息做出最终判决。因为不同位置的衰落和阴影效应是独立的单个节点掉进深衰落坑里时其他节点大概率还能听到主用户信号空间分集带来的增益能在很大程度上抵消单点感知的不确定性问题。集中式数据融合是其中最常见的一种协作架构也是很多教材和论文默认的模型所有节点把感知数据直接上报给融合中心融合中心负责完成最终的统计判决。在传统的集中式协作方案里每个节点往往还是用能量检测器作为本地检测手段然后把本地判决结果或者能量值上报。这种做法实现起来确实简单但当信道环境复杂、欠采样或噪声未确切知道时能量检测的先天不足会直接污染上游融合结果。换句话说融合算法再先进也弥补不了本地检测统计量本身对噪声敏感这个基础短板。于是就有了另一个思路换一种更鲁棒的本地检测统计量让单个节点的输出本身就具备较强的抗噪声不确定性能力然后再接入集中式融合框架。Pietra-Ricci指数检测器Pietra-Ricci Index DetectorPRID就是在这方面比较有代表性的一种方案。我第一次接触PRID是在一个某高校实验室的仿真项目里。起初我也觉得它不过是个冷门的统计量把特征值换一种方式揉在一起而已但实际做完对比实验之后才发现这个检测器在低信噪比环境下确实比能量检测器稳得多。它的名字听着不明觉厉数学内核却不难实现的Matlab代码也就几十行。这篇文章我会把PRID从统计原理到集中式融合的仿真代码全过程捋一遍说清楚它为什么能抗噪声不确定性、在融合架构里该怎么用、以及我踩过的几个坑。2. Pietra-Ricci指数的统计学身份它凭什么能当检测统计量2.1 从分布差异度量到频谱感知的跨界引申Pietra-Ricci指数最早是经济学里用来刻画收入分配不平等程度的指标基于洛伦兹曲线Lorenz curve而来。洛伦兹曲线描述的是人口累计百分比和收入累计百分比之间的关系如果所有人都拿一样的收入曲线就是一条对角线收入分配越不平等曲线就向下弯得越厉害。Pietra指数衡量的是洛伦兹曲线偏离对角线的最远距离或者两个分布之间的某种差异度量本质上是一个分布差异性指标。把这一套搬到频谱感知里关键在于完成一次概念映射接收信号的样本协方差矩阵的特征值分布可以被看作是一种财富分配问题。在纯噪声假设H0假设下各通道接收到的噪声互不相关协方差矩阵的特征值理论上是比较接近的特征值累积分布大致贴着对角线走而存在主用户信号时信号能量会集中在少数几个特征值上特征值之间的差异显著增大累积分布曲线明显偏离对角线。于是信号检测就转化成了判断特征值分布是否偏离均匀基线的问题。这种思路和传统特征值类检测器比如最大最小特征值之比检测器M-ME属于同一个家族但PRID度量的方式不太一样它不是只盯住最大和最小特征值的比值而是把整个特征值谱的形状都纳入考量。这一点在分布式/集中式融合场景里是有实际意义的——当参与融合的节点数、天线数或样本数比较多时特征值谱携带的信息量更大用一个全局形状统计量往往比分拣单点特征值更稳定。2.2 PR指数的数学定义与检测统计量的构建这里我给一个我在仿真中实际采用的PR指数计算路径这也是文献里比较常见的构造方法。设某节点的接收信号向量为 (\mathbf{x}(n)[x_1(n), x_2(n), ..., x_M(n)]^T)其中 (M) 可以是该节点的天线数也可以是快拍采样点维度。在感知窗内有 (N_s) 个快拍样本协方差矩阵估计为[ \mathbf{R}x \frac{1}{N_s} \sum{n1}^{N_s} \mathbf{x}(n) \mathbf{x}^H(n) ]对 (\mathbf{R}_x) 做特征值分解得到特征值序列 (\lambda_1 \ge \lambda_2 \ge ... \ge \lambda_M)。将它们归一化得到 (\tilde{\lambda}i \lambda_i / \sum{j1}^{M} \lambda_j)再计算累计和[ F_k \sum_{i1}^{k} \tilde{\lambda}_i, \quad k 1, 2, ..., M ]这组 (F_k) 相当于特征值累积分布函数的一组观测点。如果所有特征值相等(F_k) 应该接近直线 (k/M)特征值越不均(F_k) 偏离直线越远。检测统计量取二者的差异程度常见的形式有两种[ T_{\text{PR-max}} \max_{1 \le k \le M} \left| F_k - \frac{k}{M} \right| ][ T_{\text{PR-area}} \frac{1}{M} \sum_{k1}^{M} \left| F_k - \frac{k}{M} \right| ]第一种对应最大偏离第二种对应平均偏离面积。从检测灵敏度角度讲面积型统计量利用的信息更充分在特征值谱拖尾较长时表现更稳定最大型统计量在某些特征值尖锐凸起场景下反应更快。具体选哪一种可以在仿真里根据目标信噪比区间来定我自己的经验是面积型在-12dB到-8dB区间更稳最大型在极端低信噪比低于-15dB时反而更容易出判决。2.3 为什么PRID比能量检测更抗噪声不确定性能量检测器的统计量可以写成 (T_{\text{ED}} \frac{1}{N_s} \sum |x(n)|^2)它与噪声功率 (\sigma_n^2) 直接相关。一旦噪声功率估计偏差 (\Delta \sigma_n^2) 存在判决门限 (\gamma) 就必须跟着歪而门限歪一点虚警概率Pfa和检测概率Pd就全面失衡。PRID的统计量是基于特征值归一化后的分布形状归一化这一步把噪声功率的绝对尺度消掉了。即使噪声功率整体漂移只要各特征值的相对比例关系变化不大统计量就不会发生系统性偏移。当然噪声不确定性不是单纯的功率缩放如果噪声本身有色化频谱不平坦协方差矩阵的特征值也会变得不规则PRID同样会受到一定影响这就是为什么后面要讨论多节点融合来补偿本地有色噪声残留问题。3. Matlab实现从信号模型到PRID核心函数的完整代码3.1 信号模型与仿真参数的初始化先说明一下我这套仿真对应的场景集中式融合架构下(N) 个次用户节点独立感知各自把PRID统计量软信息或本地判决硬信息上报给融合中心。主用户信号采用QPSK调制信道模型支持AWGN和瑞利平坦衰落两种模式。%% 仿真参数配置 clear; clc; close all; M 4; % 每节点采样通道数/特征值数 N 5; % 协作节点数 N_s 128; % 感知快拍数 snr_dB -14:2:-2; % 平均信噪比扫描范围 Pfa 0.01; % 目标虚警概率 mc_Num 2000; % 蒙特卡洛次数 % QPSK 主用户信号实际感知中主用户信号是未知的这里只是仿真源 nSym N_s 50; % 多产生一些滤掉暂态 data randi([0 3], nSym, 1); sig pskmod(data, 4, pi/4); sig sig(51:end); % 截取稳定部分有几个参数需要说说。(M) 在这里可以理解为每个感知节点的等效通道数如果节点是多天线的它就是天线数如果是单天线多次快拍分组也可以理解为子载波数。(N_s) 是协方差矩阵估计用的快拍数这个值直接决定特征值估计的稳定性太小了 (\mathbf{R}_x) 不收敛PRID统计量抖动很严重。瑞利信道下每个节点的信道系数在每次蒙特卡洛循环里独立生成以模拟节点间空间不相关性。3.2 核心PRID函数特征值分解与统计量计算这个函数是整个检测器的核心输入样本协方差矩阵输出对应的PRID统计量支持最大型和面积型两种模式。function T pid_pr_index(Rxx, mode) % 计算Pietra-Ricci指数检测统计量 % 输入: % Rxx - M x M 样本协方差矩阵 % mode - max 最大偏离型; area 面积型(默认) % 输出: % T - 检测统计量 if nargin 2 mode area; end M size(Rxx, 1); % 特征值分解取实部防止数值虚部干扰 lambda eig(Rxx); lambda real(lambda); lambda sort(lambda, descend); % 数值保护极小或负的特征值截断到0 lambda max(lambda, 0); % 归一化特征值使其和为1 lambda_norm lambda / (sum(lambda) eps); % 累积分布序列 F_k F cumsum(lambda_norm); % 均匀基线 base (1:M) / M; % 差异度量 if strcmp(mode, max) T max(abs(F - base)); else T mean(abs(F - base)); end end有两个细节我要单独提醒。第一eig()返回的特征值在理论上应该是实数因为协方差矩阵是Hermitian的但浮点运算可能引入极小的虚部real()截断是必要的第二某些极端信道条件下可能出现接近零甚至微小的负特征值虽然协方差矩阵半正定时不该出现但数值上还是建议做一次max(lambda, 0)的钳位否则归一化之后统计量会异常跳动。3.3 单节点感知与软/硬融合上报流程仿真主循环里每个节点在每一轮蒙特卡洛中生成自己的信道、信号和噪声计算本地PRID统计量。这里我同时保留了软融合和硬融合两套逻辑%% 预分配统计矩阵 T_matrix zeros(mc_Num, N); % 所有节点的软统计量 %% 蒙特卡洛主循环 for mc 1:mc_Num h_signal (randn(N,1) 1j*randn(N,1)) / sqrt(2); % Rayleigh信道 for n 1:N % 产生接收信号H1假设 noiseVar 10^(-snr_dB(snr_idx)/10); noise sqrt(noiseVar/2) * (randn(N_s, M) 1j*randn(N_s, M)); % 主用户信号通过信道到达节点n tx sig * h_signal(n); if signal_present X tx noise; else X noise; end % 样本协方差与PRID统计量 Rxx X * X / N_s; T_matrix(mc, n) pid_pr_index(Rxx, area); end % -------- 集中式软融合等增益合并 -------- T_fusion_soft(mc) mean(T_matrix(mc, :)); % -------- 集中式硬融合OR规则 -------- % 本地门限需要预先标定 local_decision T_matrix(mc, :) gamma_local; T_fusion_hard(mc) any(local_decision); end软融合里我用的最简单的等增益合并EGC也就是对N个节点的统计量直接平均。实际项目中可以给统计量赋予权重比如信道条件好的节点权重大一点但我建议先跑通等增益的基线再考虑加权否则问题定位会变得混乱。硬融合里OR规则的意思是只要有一个节点判为H1融合中心就判H1这能最大化检测概率但虚警概率也会被抬高具体取舍看应用场景。3.4 门限标定与检测/虚警概率统计门限标定是这套流程里最容易出错的一步。正确做法是在H0假设只有噪声下通过大量蒙特卡洛循环得到统计量的经验分布然后取分布的分位数作为门限。不能用理论公式硬算门限因为PRID统计量的解析分布很难推导。%% H0假设下标定门限 snr_idx 1; % 标定只在噪声场景进行 signal_present false; T_h0 zeros(mc_Num, N); for mc 1:mc_Num % 纯噪声场景生成方式和上面类似 for n 1:N noiseVar 10^(-snr_dB(1)/10); noise sqrt(noiseVar/2) * (randn(N_s, M) 1j*randn(N_s, M)); Rxx noise * noise / N_s; T_h0(mc, n) pid_pr_index(Rxx, area); end end gamma_local quantile(T_h0(:), 1 - Pfa);然后在H1假设下跑一遍统计判决结果signal_present true; for snr_idx 1:length(snr_dB) for mc 1:mc_Num % ... 同主循环生成含信号数据 ... % 软融合 det_soft(mc) mean(T_matrix(mc,:)) gamma_fusion_soft; % 硬融合 det_hard(mc) any(T_matrix(mc,:) gamma_local); end Pd_soft(snr_idx) sum(det_soft) / mc_Num; Pd_hard(snr_idx) sum(det_hard) / mc_Num; end软融合的门限gamma_fusion_soft也要在H0下标定而且是对融合后的均值统计量标定不是对单节点标定再平均。这两个门限标定场景必须一致否则虚警概率会偏离目标值这是一个非常隐蔽的陷阱。4. 实测性能拆解检测概率、虚警概率与ROC曲线4.1 单节点PRID在低信噪比下的表现先看单个节点的PRID统计量行为。设定 (M4)(N_s128)在纯噪声下统计量集中在0.04~0.08这个区间存在信号且信噪比为-10dB时统计量分布整体右移均值能到0.12~0.15左右重叠区域已经比较明显。这说明单节点PRID在-10dB条件下有一定区分度但单独使用仍然不够可靠。我把单节点PRID和单节点能量检测器放在同一条件下对比。能量检测器在噪声功率精确已知的理想假设下性能不错但一旦加入1dB的噪声不确定性检测概率优势明显下降。PRID由于归一化操作对噪声功率绝对尺度不敏感在噪声不确定场景下检测概率曲线更平缓。如果你经常做这个方向的实验一定见过那种理论曲线很漂亮、实测曲线凄惨的情况这里面很大一部分就是噪声不确定性造成的PRID恰好在这块有天然优势。4.2 协作者数量对融合判决的影响集中式融合的好处是多节点协同增益。按我跑的数据在-12dB条件下单节点检测概率只有0.5左右目标虚警0.013个节点等增益软融合之后能拉到0.72左右5个节点能到0.85以上。这个增益来自两方面一是平均本身降低了统计量方差二是独立衰落环境下多节点同时陷入深衰落的概率极低。三种融合规则的效果排序在我的仿真条件下是软融合等增益平均 硬融合OR规则 硬融合AND规则。软融合信息保留最多性能上界最高OR规则牺牲虚警换检测概率在和规则下虚警被压制但检测概率也同步下降。如果你的系统虚警预算比较宽裕OR规则是简单的硬判决方案里最划算的选择。4.3 与能量检测器的对比实验结果我把两种检测器放在同一套融合框架下做了完整对比。在-10dB、5节点软融合、目标Pfa0.01的条件下PRID融合方案的检测概率约0.94能量检测融合无噪声不确定性约0.90看起来差距不大但把噪声不确定性调整为1dB后能量检测融合跌到0.78左右PRID融合还能维持0.90以上。这正是PRID的核心价值所在——它不是在所有场景下碾压能量检测而是在噪声功率已知性比较差的实际场景里明显胜出。如果画ROC曲线特征更明显低虚警区间Pfa在0.001到0.01之间PRID融合的检测概率提升幅度远大于高虚警区间这说明它更适合对虚警代价敏感的频谱管理场景。而且我扫了不同快拍数64、128、256PRID在快拍数较少时的性能退化速度比能量检测慢这在实际感知窗资源受限时是个不小的优势。5. 代码实现中的高频陷阱与调试心得5.1 样本协方差矩阵的估计偏差这是我最开始犯的错误。(N_s) 太小会让特征值估计偏差严重尤其是最大和最小特征值一个被高估、一个被低估PRID统计量会系统性地偏大。仿真里如果发现H0下的统计量明显大于理论预期先别怀疑算法先增大 (N_s)。经验值是 (N_s \ge 5M) 起步想稳定的话 (N_s \ge 10M)。但代价是感知耗时变长主用户信号如果随时间快速变化过大的感知窗反而会导致统计量失真。这里有一个权衡需要根据目标场景做主用户信号的时变特性分析。5.2 特征值数值稳定性的处理每次蒙特卡洛循环都做特征值分解矩阵病态时会偶尔蹦出离谱的特征值。我在代码里加了钳位和排序去重但这还不够。有一次我发现H0下的统计量时不时飙到0.3以上查了很久才发现是randn生成了相关性极低的噪声矩阵数值上接近奇异特征值分解出问题。后来我在计算协方差之前对X做了标准化处理X X - mean(X); % 去直流 X X / std(X); % 归一化功率这样矩阵条件数会改善很多。需要注意的是标准化会影响绝对能量信息但PRID本来就只关心相对分布所以无伤大雅。5.3 融合统计量的分布偏移软融合之后融合统计量的分布比单节点统计量更集中方差变小如果直接拿单节点的门限去判融合门限虚警概率会比你预期低很多检测概率也会被白白压下去。这就是我前面强调的——软融合门限必须单独在融合后的统计量上标定。很多初学者直接在单节点门限上做平均最后得到的ROC曲线莫名其妙地缩在一起问题就出在这。5.4 蒙特卡洛次数与置信区间很多人跑仿真只跑500次循环曲线的波动特别大两个算法之间的性能差距看着明显但根本不能下结论。蒙特卡洛次数的选择要看目标Pfa和Pd的分辨率。如果你关心Pfa0.01附近的性能理论上至少需要 (1/Pfa \times 10) 次循环才能把虚警概率估计的变异系数控制到可接受水平也就是1000次起步。我日常跑2000次扫描点多的时候会加到5000次。本仿真的每个信噪比点都会把H1流程循环一遍H0门限标定只做一次整体量级不大没有必要过度压缩循环次数。5.5 仿真时间的优化思路PRID涉及特征值分解比能量检测慢很多这是它的一个现实短板。我在仿真里做了两个提速处理。第一用parfor替换主循环注意先标定门限再并行否则并行环境里二次调用quantile会出很多隐性问题。第二eig在对称矩阵上可以换svd或者用eigs只求前几个大特征值——PRID面积型统计量对较大特征值的尾部更敏感小特征值贡献不显著求前 (K) 个特征值就能覆盖大部分统计量信息耗时能降一半以上。6. 一些个人体会和接下来可以扩展的方向代码在写完之后我自己跑了好多组参数才逐步稳定。印象最深的一个教训是门限标定、信号生成、融合判决三个环节的噪声功率定义必须完全一致否则标定和实测互相背离。很多时候检测概率曲线上出现反常的凹陷不是算法有问题而是仿真链路里出现了随机数种子错位或者功率定义不一致。这个方案后续有几个很自然的扩展方向。一个是把每个节点的信道SNR信息引入融合权重替代现在的等增益平均理论上会有更好的检测性能另一个是考虑节点间相关性在实际部署中节点距离较近时信道并非完全独立融合性能会打折扣这时候可以引入相关矩阵修正。如果你的场景对通信开销敏感也可以考虑在本地做PRID判决后只上报一位软信息比如统计量量化成多级在带宽受限时兼顾性能与开销。这些我在自己的模拟项目里试过前两个效果确实有提升但文章篇幅有限以后有空再单独写一篇细说。