简介：面向OFDM通信与认知无线电频谱感知研究的MATLAB仿真源码包，适用于高校无线通信课程设计、论文仿真及入门学习者。针对阴影和深度衰落下单节点感知结果不可靠的问题，代码覆盖循环平稳特征检测、能量检测以及协作频谱感知，可在Rayleigh衰落信道下对比硬判决（“与”“或”准则）与基于似然比检测（LRT）软判决的融合性能。压缩包内含6个文件，其中4个为.m脚本源码，2个为txt说明与信道数据文件，整体仅6KB，结构精简、易于读改复现。已有234人学习下载。读者可结合源码与说明，快速搭建OFDM信号频谱感知仿真环境，理解多节点协作判决如何提升检测可靠性，也可在此基础上扩展D-S证据理论融合算法，适用于课程设计与论文前期验证。
1. OFDM信号频谱感知为什么绕不开循环平稳检测与协作
做认知无线电和频谱监测的人，迟早会撞上同一个场景：主用户用的是OFDM信号，4G/5G/Wi-Fi基本都是这套体制，次用户要在很低的信噪比下判断这个频段“有人用还是没人用”。能量检测在这个场景里会翻车，因为OFDM时域波形和噪声长得太像，而且接收机噪声功率本身有不确定性，门限怎么调都调不准。循环平稳检测却能靠OFDM循环前缀带来的隐周期把它从噪声里挖出来。但单节点再准，也怕阴影衰落和隐藏终端，所以还要在融合端做协作频谱感知，把多个节点的判决结果汇总。再加上历史频谱数据（HistoricalSpectrum）当先验，能让判决门限和融合权重都变得更聪明。这篇文章就按这条链路，把OFDM信号生成、循环平稳检测、协作融合和历史频谱加权一次讲透。
2. 搭一个最小实验：生成OFDM信号并标定循环平稳特征
2.1 OFDM发送信号模型与循环前缀带来的隐周期
OFDM发射端做的事情并不复杂：把QPSK或QAM符号扔到N个子载波上，做一次IFFT得到时域符号，再把这个符号的最后L个采样点复制到开头，组成一个带循环前缀的完整符号。这个循环前缀看起来是冗余，但它恰好让OFDM信号不再是平稳随机过程，而是循环平稳过程：信号的自相关函数随时间呈现周期性。
周期就是OFDM符号周期T_sym = (N + L) / fs。因为循环前缀里的采样点和符号尾部完全一样，信号和它延迟L个采样点之后的副本之间存在强相关。相关峰在每个符号周期重复一次，这就是循环平稳检测的物理基础。白噪声没有这种结构，不管你延迟多少、积累多久，它都不会在某个循环频率处出现相关峰。这个“有峰”和“没峰”的对比，就是检测器设计的基本盘。
在工程上，我们通常用循环自相关函数（Cyclic Autocorrelation Function, CAF）来刻画这个特征。对接收信号x[t]，循环自相关的估计式为R_x^α[ν] = (1/N_obs) Σ x[t+ν] x*[t] e^{-j2παt}。当α = 1/T_sym时，这个统计量的幅度会被循环前缀放大得很明显；当α是其他值时，它趋近于零。下面直接写代码把这个过程跑通。
2.2 用Python生成OFDM信号并计算循环自相关切片
这里给出一个可以直接运行的最小实验：生成100个QPSK调制的OFDM符号，叠加上高斯白噪声，在信噪比5dB下计算循环自相关在α = 1/T_sym处的取值，并和邻近的非循环频率位置对比。
import numpy as np # OFDM 参数 N = 64 # 子载波数 L = 16 # 循环前缀长度 M = 100 # OFDM 符号数 snr_db = 5 # 接收信噪比 # 1) 生成 QPSK 频域符号，加 CP 合成时域 OFDM 信号 rng = np.random.default_rng(42) data = rng.integers(0, 4, size=(M, N)) sym = np.exp(1j * np.pi / 4 * (2 * data + 1)) # QPSK 星座点 ifft_out = np.fft.ifft(sym, axis=1) # 沿子载波维做 IFFT tx = np.hstack([ifft_out[:, -L:], ifft_out]) # 每个符号前拼接 CP tx = tx.reshape(-1) # 并串转换 # 2) 按目标信噪比加复高斯白噪声 sig_pow = np.mean(np.abs(tx) ** 2) noise_pow = sig_pow / (10 ** (snr_db / 10)) noise = rng.standard_normal(tx.size) + 1j * rng.standard_normal(tx.size) rx = tx + noise * np.sqrt(noise_pow / 2) # 3) 循环自相关估计：只看 alpha=1/T_sym、时延=-L 这条支路 fs = 1.0 # 归一化采样率 T_sym = N + L # 一个符号的采样点数 = 80 alpha = 1 / T_sym # 归一化循环频率 lag = -L # CP 对应的延迟采样点 N_obs = len(rx) mean_val = np.mean(rx[N_obs // 2:]) xx = rx[N_obs // 2:] - mean_val # 去直流，避免谱泄漏串扰 t = np.arange(abs(lag), N_obs // 2) R_target = np.mean( xx[t + lag] * np.conj(xx[t]) * np.exp(-2j * np.pi * alpha * t) ) R_contrast = np.mean( xx[t + lag] * np.conj(xx[t]) * np.exp(-2j * np.pi * (alpha + 0.02) * t) ) print(f"alpha=1/T_sym 处循环自相关幅度: {abs(R_target):.4f}") print(f"对照频率处循环自相关幅度: {abs(R_contrast):.4f}")这段代码的逻辑分三步：先生成OFDM基带信号；再按信噪比加噪；最后在指定的循环频率α = 1/T_sym处估计循环自相关。关键参数是子载波数N和循环前缀长度L，它们直接决定T_sym和循环频率的位置。N取64、L取16是常见配置，对应T_sym=80个采样点，循环频率α=0.0125（归一化）。
运行结果会看到目标位置幅度显著大于对照位置。如果信噪比降到0dB以下，单靠100个符号积累可能不够，可以增大M到200或400。这里把观测数据取后半段是为了规避瞬态，实际工程中信号持续存在就不需要这个裁剪。T_sym的计算务必与发射端一致，否则循环频率对不上，后面的检测统计量会直接衰减。
3. 单节点循环平稳检测器落地：从统计量到门限判决
3.1 检测统计量怎么构造、怎么归一化
上一章的循环自相关幅度本身可以作为检测统计量，但它有个问题：信号功率大小会影响数值范围，不同频段、不同距离下没法用同一套门限。所以构造检测量时要做归一化，常见做法是除以接收信号平均功率的平方。这样得到的统计量本质上是谱相关在某个循环频率处的“强度占比”，和绝对功率无关，门限设一次就能到处用。
我一般会再多取一个对照频率：选一个肯定没有循环平稳特征的位置，比如α + 0.02，用同样算法估计出一个基底值。这个基底反映的是噪声和残余干扰的贡献。把目标频率的幅度和基底做比值，得到的信噪比增益比绝对门限稳定得多，尤其适合SNR不确定的场景。实际实现时，把两个频率的估计交替计算，同时还能发现频谱搬移问题——如果OFDM信号存在较大的载波频偏，目标峰会从1/T_sym处偏移到1/T_sym + Δf，这时对照频率反而可能比目标频率高，这就是要不要做频偏补偿的信号。
统计量的积累长度选多少，也要有个数。循环平稳检测靠的是多个符号周期重复相关，观测时间至少要覆盖50到100个OFDM符号。拿5G的典型参数看，子载波间隔30kHz时符号周期约33μs，100个符号就是3.3ms，这个积累时间对频谱感知完全够用。观测窗太短是这类检测器最常见的失败原因，后面避坑章节会专门说。
3.2 门限设计：Neyman-Pearson准则与蒙特卡洛校准
循环平稳检测的门限没法闭式求出，因为循环自相关估计的分布在小样本下不是理想高斯，工程上最靠谱的做法是蒙特卡洛校准。固定虚警概率目标值Pf_target，在纯噪声条件下反复跑检测器，统计出能刚刚好让虚警率达到目标的门限值。
下面这段代码演示纯噪声下的门限标定，以及有信号时的检测概率评估。
import numpy as np def cyclic_stat(signal, alpha, lag, fs=1.0): """计算归一化循环自相关统计量（简化版）""" N_obs = len(signal) mean_val = np.mean(signal[N_obs // 2:]) xx = signal[N_obs // 2:] - mean_val t = np.arange(abs(lag), N_obs // 2) R = np.mean( xx[t + lag] * np.conj(xx[t]) * np.exp(-2j * np.pi * alpha * t) ) P = np.mean(np.abs(xx) ** 2) # 平均功率 P = P if P > 1e-12 else 1e-12 return abs(R) ** 2 / P ** 2 # 功率归一化 # 参数 N, L, M, fs = 64, 16, 200, 1.0 T_sym = N + L alpha = 1 / T_sym lag = -L trials = 500 # 纯噪声下扫门限，统计虚警概率 noise_pow = 1.0 for thr in [0.01, 0.02, 0.05, 0.1]: fa = 0 for _ in range(trials): n = (np.random.standard_normal(M * T_sym) + 1j * np.random.standard_normal(M * T_sym)) n = n * np.sqrt(noise_pow / 2) if cyclic_stat(n, alpha, lag) > thr: fa += 1 print(f"门限 {thr:.2f} -> 虚警概率 {fa / trials:.3f}")运行后能看到门限从0.05降到0.02，虚警概率大致从几个百分比往下降。这里只演示了粗扫描，实际项目要把扫描步长加密到0.001量级，并且把trials加到几千次，门限曲线才平滑。噪声功率在这个验证里设为1.0是因为归一化统计量已经除掉了P，理论上输入噪声功率大小不影响统计量分布，但数值上建议保持和真实接收机一致，避免浮点精度带来的边角偏差。
得到满足Pf_target的门限后，再在同样的参数下注入OFDM信号，跑出对应的检测概率Pd。一次完整的参数标定流程是：先噪声标定门限，再信号标定Pd，最后上硬件收真实数据复验。不要在实验室只跑噪声就上线，会让现场虚警高到没法看。
3.3 三个必调参数
循环平稳检测器看似只有一个统计量，实际可调的东西不少。我梳理三个最关键的：
| 参数 | 作用 | 推荐起始值 |
|---|---|---|
| 观测符号数M | 决定积累增益，M越大峰越明显 | 100~300，最低不少于50 |
| 循环频率点α | 决定峰值是否对准CP周期 | k/T_sym，k=1优先级最高 |
| 频偏补偿 | 决定峰值是否脱落 | 用CP相关做粗估计，补偿后再检测 |
观测符号数M值得多说一句：它不是越大越好，因为实际频谱环境是时变的，主用户可能随时占用和释放，观测窗口拉太长会把“忽然有人来”的场景平滑掉。做实时监测时，我一般设一个200ms的滑动窗，按信号带宽折算成符号数，既保证积累增益，又不过分迟钝。
循环频率点从k=1开始试，如果CP很长，k=2、k=3也有分量，但幅度逐级衰减。工程上只取k=1，因为检测器要的就是最大信噪比增益，没有必要同时监测多个循环频率来增加计算量。载波频偏的补偿通常用一个单独的粗估计模块，利用CP相关估计出频偏Δf，然后对信号进行频移修正。这个坑在后面避坑章节展开，这里先记住：不做频偏补偿，检测性能在移动场景下会断崖式下跌。
4. 协作频谱感知融合决策：硬投票、软合并与HistoricalSpectrum加权
4.1 单节点判决为什么不可靠：阴影衰落与隐藏终端
单节点检测做得再精细，也躲不开无线环境里的两个老问题。第一个是阴影衰落：节点A可能在写字楼某层靠窗位置，信号路径被密集建筑遮挡，实际接收SNR比理想情况低10dB以上，单节点此时会漏检。第二个是隐藏终端：主用户发射机和次用户接收机之间隔着一座山或一堵厚墙，节点根本看不见信号，但它周围的协作节点可能看得清清楚楚。这两类问题靠提高单节点灵敏度不划算，正确做法是多布几个节点，把局部判决汇总起来做协作频谱感知。
协作感知的核心思路是：假设有K个节点，位置分散，每个节点独立做本地检测，得到本地判决d_k（0或1），融合中心再按规则汇聚成全局判决。这样做的好处不只是增加检测概率，更重要的是让虚警和漏检在空间上解耦——同一个主用户信号被多个独立衰落信道观测，集体同时出错的概率远低于单个节点出错。下面把两种主流融合方案都写出来对比。
4.2 硬合并：OR规则、AND规则与K/N规则
硬合并是最容易落地的方案：节点只上报0/1，融合中心再做逻辑运算。OR规则是任一节点判1则全局判1，检测概率高、漏检低，但虚警会随节点数线性上升。AND规则反过来，要求全部节点都判1才判1，虚警低但漏检率偏高。实用中K/N规则最平衡：设定阈值K，节点中至少有K个判1才判1，相当于在检测概率和虚警概率之间找一个折中点。
import numpy as np # 模拟 6 个协作节点的本地检测性能 n_nodes = 6 pd_ind = np.array([0.90, 0.95, 0.80, 0.70, 0.93, 0.88]) # 各节点检测概率 pf_ind = np.array([0.05, 0.08, 0.03, 0.06, 0.04, 0.07]) # 各节点虚警概率 rng = np.random.default_rng(3) trials = 10000 hit_or, hit_and, hit_k = 0, 0, 0 fa_or, fa_and, fa_k = 0, 0, 0 for _ in range(trials): # 主用户存在 dec = rng.random(n_nodes) < pd_ind hit_or += np.any(dec) hit_and += np.all(dec) hit_k += (np.sum(dec) >= 3) # 主用户不存在 dec = rng.random(n_nodes) < pf_ind fa_or += np.any(dec) fa_and += np.all(dec) fa_k += (np.sum(dec) >= 3) print(f"OR 规则: 检测概率 {hit_or/trials:.3f}, 虚警概率 {fa_or/trials:.3f}") print(f"AND 规则: 检测概率 {hit_and/trials:.3f}, 虚警概率 {fa_and/trials:.3f}") print(f"K=3 规则: 检测概率 {hit_k/trials:.3f}, 虚警概率 {fa_k/trials:.3f}")这段蒙特卡洛仿真把三种规则的差异量化得很直观。OR规则检测概率最高，但虚警概率被6个节点的虚警率抬到接近0.25；AND规则虚警概率非常低，可检测概率也掉到不足0.7；K=3规则把两者拉到中间。参数里K的取值建议是节点数的一半左右，实际场景如果每个节点虚警率控制得不错，K取ceil(n_nodes/3)能拿到更低虚警同时保住检测率。
硬合并不需要传输软信息，对回传带宽和融合中心算力要求都低，适合节点多但各节点间信道只有窄带控制链路的场景。缺点是节点本地门限一旦设置不当，坏节点会持续投出错误票，所以后面要引入历史频谱数据来给节点“打分”。
4.3 软合并与HistoricalSpectrum加权融合
如果节点之间回传带宽充裕，软合并能比硬合并多榨出几个dB的性能。节点把本地检测统计量Λ_k直接上报，融合中心计算加权和：Λ_fusion = Σ w_k Λ_k。这里的权重w_k就是做文章的地方——每个节点的可靠性不可能完全一样，有的节点长期处在强干扰区，有的节点天线朝向糟糕，如果它们和可靠节点一样权重，融合结果会被拉低。
权重的一种合理选择来自历史频谱数据（HistoricalSpectrum）：统计每个节点在过去一段时间的检测正确率，或者统计目标频段在过去一段时间的占用概率。思路是：历史上经常被漏检的节点，说明它所在位置阴影严重，给它降低权重；历史上频繁虚警的节点，说明它周围有伪装成信号的干扰源，同样降权。还有一种做法是把频段历史占用率当作先验，例如某个频段在每天上下班高峰占用率超过90%，融合门限就在那个时段自动收缩，让判决更敏感。
# 软合并 + HistoricalSpectrum 置信度加权 lam = np.array([2.1, 1.8, 2.6, 1.5, 2.2, 1.9]) # 各节点归一化统计量 hist_correct = np.array([0.92, 0.78, 0.95, 0.61, 0.88, 0.74]) # 历史正确率 w = hist_correct / hist_correct.sum() lam_fusion = np.dot(w, lam) # 门限来自噪声基底估计（上一章的蒙特卡洛标定值） thr = 1.0 print(f"加权融合统计量: {lam_fusion:.3f} -> 判决: {'占用' if lam_fusion > thr else '空闲'}")这段代码里权重直接用了历史正确率归一化。注意历史正确率要按时间窗口滑动更新，不能用全生命周期的累计值，因为节点可能被挪了位置，昨天的差节点今天换了天线可能变好节点。常见做法是维护一个长度为几百个检测周期的队列，每周期推入一次命中/未命中的二值结果，用过去N次的平均正确率作为当前置信度。历史数据还会被时间衰减因子平滑，越近的判决对权重影响越大，这个做法的好处读者跑起来就能感受到：某个节点突然受到强干扰而连续误判，它在融合权重里会很快被压下去，而不是拖累全局好几个小时。
5. OFDM循环平稳检测与协作感知的避坑清单
5.1 能量检测被噪声不确定性卡死，循环平稳检测也不是万能
现象：低信噪比下能量检测门限无论怎么调，虚警率都压不住，设备误报满天飞。原因：接收机噪声功率估计本身有误差，而且会随温度和增益档位漂移，能量检测存在SNR wall，信噪比低于某个值后检测器无论怎么加长积分都无法改善。解决：换循环平稳检测，它不是看能量，而是看OFDM循环前缀带来的周期性，噪声的不确定性对相关结构没有影响。但注意循环平稳检测要求信号确实具备循环平稳性，如果是单载波且无CP的体制，它退化得很厉害，所以项目初期就要确认目标信号是不是OFDM类，别把循环平稳检测当成万能药。
5.2 载波频偏让循环频率峰脱靶
现象：检测统计量比预期低得多，蒙特卡洛标定的门限在真实信号上完全不工作，把循环频率上下扫一遍后发现峰值出现在α = 1/T_sym + Δf的位置。原因：OFDM接收信号存在残余载波频偏，循环频率被整体搬移。解决：在检测统计之前加一个CP相关频偏估计器，粗估Δf后把信号乘以e^{-j2πΔft}搬回来；频偏不太大时也可以把检测器的循环频率点做成一个小搜索窗口，例如在1/T_sym附近扫描±1kHz，取最大输出作为统计量。后者实现简单，移动场景下推荐用。
5.3 观测窗口太短，积累增益没起来
现象：接收信号明明很强，但循环自相关幅值和噪声基底差不多，判决输出随机抖动。原因：观测符号数M太少，循环平稳特征还没积累出来。每个符号周期只有很小的周期相关叠加，几十个符号以内统计量方差很大。解决：把观测窗口拉长到至少50个OFDM符号，推荐100以上；同时检查接收采样率是否真的等于fs，如果采样率估算偏了，T_sym算错会导致循环频率严重偏差，这个和频偏问题要一起排查。
5.4 历史频谱数据的时效性陷阱
现象：某个频段在历史统计里长期显示“高占用”，但实际现场已经好几轮检测周期没人占用，自适应门限却一直偏向“占用”那一侧，虚警概率被抬高。原因：历史占用率用了长期累计统计，没有区分数据的时效性。解决：放弃全生命周期平均，改用滑动窗口或指数加权移动平均。窗口长度取一天内该频段业务周期的尺度，比如频谱监测系统通常设30分钟到1小时的滑动窗，这样早晚高峰的规律能保留，突发事件也能在十几分钟内反映到门限上。更激进的做法是加时间戳分时段建模，把同一频段按小时维度维护占用率曲线，这种精细历史频谱模型对室内基站类主用户特别好用。
5.5 蒙特卡洛标定门限时，仿真要覆盖干扰与噪声不确定性
现象：外场测试虚警率比实验室高数倍。原因：实验室标定门限时使用的“纯噪声”是高斯白噪声，现场真实底噪有窄带干扰、邻频泄漏和非高斯分量。解决：标定门限时，噪声输入里混入一部分模拟干扰（例如相邻信道的DVB-T或NR信号泄漏），并且在标定集合中把噪声功率在±3dB范围内扫描一遍。这样做出来的门限不是一个点，而是一个包络，实际判决门限取包络上限，虽然牺牲少量检测灵敏度，但能保证虚警不爆炸。
6. 进阶技巧：用历史占用率做自适应判决门限
固定门限的最大问题是它假设信道环境不变，但真实频谱监测场景里，目标频段的占用模式每天都在变化。占用率高的时段，主用户随时可能回来，门限应该更敏感；占用率低的时段，噪声波动更容易诱发虚警，门限应该更保守。把历史频谱占用率接进门限设计，是一个代价极低但收益明显的工程技巧。
做法很简单：用一个滑动窗口维护历史占用概率p_hist，然后让判定门限随p_hist线性漂移：thr_dyn = thr0 - β * (p_hist - 0.5)。当p_hist接近1时，门限向下偏移，判决更容易触发，避免在高占用时段漏检；当p_hist接近0时，门限向上抬，压制虚警。β的取值要靠现场数据调，我一般从0.1倍的thr0开始，观察一周的虚警率曲线再微调。
下面这段代码演示了滑动窗口历史更新和动态门限的计算过程。
from collections import deque import numpy as np # 假设检测周期为 10 分钟，保存最近 24 小时 = 144 个周期的历史 history = deque(maxlen=144) thr0 = 1.0 # 蒙特卡洛标定的基准门限 beta = 0.08 # 门限调节强度，初始从 0.1 倍 thr0 起调 # 模拟每个检测周期融合中心给出的软统计量 lam_stream = [0.9, 1.1, 0.8, 2.3, 2.8, 1.2, 0.7, 0.9, 1.5, 3.1] for lam in lam_stream: history.append(1 if lam > thr0 else 0) # 先用基准门限粗判占用 p_hist = np.mean(history) # 历史占用率 thr_dyn = thr0 - beta * (p_hist - 0.5) # 动态门限 final_decision = lam > thr_dyn print(f"统计量 {lam:.2f}, 历史占用率 {p_hist:.2f}, " f"动态门限 {thr_dyn:.2f}, 判决 {int(final_decision)}")这段代码的关键是历史队列的更新时机：先用偏保守的基准门限得到本次占用与否的粗标签，再把它推进历史窗口，最后才用更新后的动态门限做最终判决。粗标签偶尔出错并不可怕，因为滑动窗口的平均效应会平滑掉零星错误，真正要避免的是把“最终判决”直接写成“标签”，那样可能会导致一个自激循环。
这个技巧和协作融合里的历史权重形成互补：融合权重管的是节点信任度，动态门限管的是决策敏感度，两者都吃HistoricalSpectrum，但作用在不同环节。如果系统已经有可视化平台，我通常会同时画出p_hist曲线和thr_dyn曲线，当p_hist发生跳变时检查是业务规律还是节点判断错误，现场排障时比自己盲猜快得多。
我的习惯是先跑一段纯噪声数据把虚拟警率压下来，再灌入录制好的真实OFDM信号验证检测概率，最后才上在线自适应。这套流程虽然多花半天时间，但能避免很多上线后被业务侧“误报投诉”的尴尬。希望这些坑位和方法能帮你在自己的频谱感知项目里少走几步弯路。
本文还有配套的精品资源，点击获取
