企业官网建设流程全解析

协作频谱感知这个方向，我在认知无线电的仿真项目里反复接触过，最头疼的永远不是"怎么判断主用户在不在"，而是噪声功率稍微变一变，传统能量检测就彻底失灵。这次分享的项目是一个挺有代表性的方案：用Pietra-Ricci指数检测器做集中式数据融合的协作频谱感知，全部用Matlab实现。它解决的核心问题是——在没有噪声功率先验、没有主用户信号波形先验的情况下，如何靠多个节点的数据融合把弱信号检测出来。

这个项目比较适合正在做频谱感知仿真、认知无线电课题，或者毕业设计选相关方向的同学。Pietra-Ricci（简称PR）指数本质上是一个衡量两个概率分布差异有多大的指标，把它搬进频谱感知里，就是通过比较"只有噪声时特征值分布长什么样"和"信号加噪声时特征值分布长什么样"来判断主用户是否存在。比起能量检测和匹配滤波，这类盲检测器不依赖噪声功率精确已知，实际信道环境下更抗造。下面我从设计思路、数学原理、Matlab实现到常见坑，完整拆一遍。

1. 项目整体设计与思路拆解

1.1 协作频谱感知为什么需要集中式数据融合

先说说为什么单节点频谱感知不够用。单个感知节点在真实环境里会遇到三个致命问题：阴影衰落把主用户信号压到噪声底以下、多径衰落造成深度谷点、还有隐藏终端问题——节点位置正好在覆盖盲区，主用户信号根本到不了它那里。这时候节点自己判断"信道空闲"，实际上是在跟主用户抢频段，干扰就产生了。

协作感知的思路很简单：多放几个节点在空间不同位置，各自感知后再把信息汇总，利用空间分集来对冲个别节点的糟糕信道条件。只要不是所有节点同时处于深度衰落，整体判决就有很大概率做对。

集中式数据融合是这里面最经典的一种架构：所有次用户（SU）把本地感知结果上传到一个融合中心（FC），由FC做最终判决。它跟分布式协作的区别在于，FC拥有全局信息，理论上能达到最优检测性能，算法设计、性能分析都更可控。代价是FC单点故障风险和回传链路开销，但这个代价在理论研究和性能基准验证阶段完全可以接受。我这次实现的就是这种"多节点采样-汇聚-中心判决"的链路。

1.2 为什么选Pietra-Ricci指数检测器而不是能量检测

能量检测为什么在工程里不好用？因为它需要知道噪声功率才能设定正确的判决门限。接收信号能量 = 信号能量 + 噪声能量，只有把门限设在噪声能量之上、信号能量之下，才能分得开。问题是噪声功率不是恒定的——温度变化、射频前端增益漂移、邻频干扰，都会让噪声功率在±1dB甚至更大范围内波动。门限设低了虚警爆炸，设高了漏检严重。

匹配滤波检测性能好，但它需要知道主用户信号的完整先验（波形、调制方式、定时），这在非合作的频谱感知场景里基本不现实。循环平稳检测不需要先验，但要积累大量样本，计算复杂度高，实时性差。

PR指数检测器走的是另一条路：把"信号检测"问题转成"分布一致性检验"问题。它不需要知道噪声功率的绝对值，也不需要信号波形，只需要一个理论参考——纯噪声环境下接收信号协方差矩阵特征值的分布。这个参考分布是可以用数学推导或者离线仿真精确摸清的。检测时把实测特征值分布和参考分布一比较，差异大就判H1，差异小就判H0。噪声功率的绝对大小不会改变特征值分布的形状（归一化之后），所以天然免疫噪声不确定性。

1.3 集中式数据融合下的PR检测整体处理链路

这套系统的完整信号流是这样的：

每个感知节点在感知时隙内采集一段复基带信号，本地做简单的预处理（去直流、归一化），然后把原始采样数据或者本地采样协方差矩阵上传给融合中心。融合中心拿到所有节点的数据后，拼接成一个全局数据矩阵，计算全局采样协方差矩阵，做特征值分解，再算特征值经验分布和理论噪声分布的PR距离。最后把这个距离跟预设门限比较，超过门限判"主用户存在"，否则判"信道空闲"。

2. Pietra-Ricci指数的数学原理与检测门限设计

2.1 PR指数的定义和直观理解

Pietra-Ricci指数是个度量两个概率分布之间差异的指标。给定两个累积分布函数F(x)和G(x)，PR距离定义为：

[ D_{PR}(F, G) = \frac{1}{2} \int_{-\infty}^{+\infty} |F(x) - G(x)| dx ]

乘1/2是为了让距离范围落在[0, 1]区间。两个分布完全重合时F=G，距离为0；完全分开时距离趋近1。它衡量的是两条CDF曲线之间"夹着的面积"。

这里要区分一下PR距离和KS统计量。KS统计量取的是两条CDF的最大垂直距离sup|F-G|，只关注"哪里差得最狠"；PR距离看的是"整体差了多少"。在频谱感知场景里，噪声不确定性带来的特征值分布变化往往是整体性的展宽和平移，而不是某一单点的陡变，所以PR距离对这类变化的敏感度更好，统计量更平滑、更抗单点异常特征值的干扰。

2.2 检测统计量怎么从数据里算出来

先说接收信号模型。H0假设下，第i个节点接收到的复基带信号是纯噪声：

[ x_i(n) = w_i(n), \quad w_i(n) \sim \mathcal{CN}(0, \sigma^2) ]

H1假设下是主用户信号加噪声：

[ x_i(n) = s_i(n) + w_i(n) ]

每个节点采集L个快拍。集中式融合这里有两种做法：一种是节点直接上报原始数据，FC把所有节点的数据竖着拼起来，得到一个(M·N)行、L列的矩阵X；另一种是每个节点本地先算协方差矩阵，FC把所有协方差矩阵平均。第一种更接近"数据级融合"，信息损失最小，我实现的就是这种。

FC拿到全局数据矩阵后，计算全局采样协方差矩阵：

[ R = \frac{1}{L} X X^H ]

对R做特征值分解，得到一组特征值λ1, λ2, ..., λp。然后把特征值按升序排列，再除以特征值均值做归一化：

[ \tilde{\lambda}i = \frac{\lambda_i}{\frac{1}{p}\sum{j=1}^p \lambda_j} ]

这个归一化是盲检测的关键。噪声功率σ²对每个特征值的影响近似是等比例的，归一化之后，纯噪声下的特征值分布形状就跟σ²无关了，只跟节点数、快拍数、协方差矩阵维度有关。

接下来构造经验CDF。把归一化后的特征值(\tilde{\lambda}_i)作为横轴，经验CDF的纵轴值取((i-0.5)/p)，就得到了实测特征值分布(\hat{F}(x))。

参考分布F0(x)怎么来？理论上有两种途径。一是用Marchenko-Pastur（MP）律，它给出白噪声协方差矩阵特征值的渐近分布；二是用离线仿真模板——在纯噪声假设下，用同一套节点数、快拍数参数跑大量蒙特卡洛，把特征值经验CDF存下来做模板。工程上我强烈推荐第二种，因为MP律是渐近结果，在小样本、维度不高时偏差不小，而仿真模板天然适配你的实际参数，谁用谁知道。

最后，检测统计量就是实测经验CDF和参考CDF之间的PR距离：

[ T = \frac{1}{2} \int |\hat{F}(x) - F_0(x)| dx ]

Matlab里用trapz做梯形积分就能算出来。

2.3 检测门限与虚警概率控制

PR统计量的分布没有闭合解析表达式，门限必须靠离线蒙特卡洛标定。做法是：在纯噪声假设下，按你的场景参数（节点数M、每节点快拍数L、协方差矩阵维度p）生成大量H0数据，每个样本算出一个PR统计量T。把这些T的分布累积起来，取它的(1-Pfa)分位数，就是你要的判决门限γ。

[ \gamma = F_T^{-1}(1 - P_{fa}) ]

比如要Pfa=0.1，就把纯噪声下所有T值排序，取第90百分位数。这个标定过程要注意两点：一是蒙特卡洛次数至少20000次起步，否则高分位数抖动很大；二是标定用的随机数流和后面性能仿真用的随机数流要分开，不然会引入乐观偏差。

门限γ只跟系统参数（M、L、p）有关，跟SNR无关，所以可以预先离线算好，线上检测时直接查表。实测下来，在节点数M=4、每节点快拍数L=1024的配置下，Pfa=0.1对应的门限大概在0.3到0.5这个量级，具体以你的离线标定结果为准。

3. Matlab仿真系统实现全流程

3.1 仿真场景与参数设置

先把仿真参数列清楚。主用户信号用复正弦或者QPSK调制信号都行，关键是信号要经过信道——我建议至少加一个频率平坦衰落信道，不然太"干净"了体现不出检测器的优势。

参考参数配置：

% 仿真参数配置 M = 4; % 协作节点数 N = 8; % 每个节点的接收天线数/协方差矩阵维度 L = 1024; % 每个节点采集的快拍数 SNR_dB = -15:2:5; % 信噪比扫描范围 Pfa_target = 0.1; % 目标虚警概率 num_mc = 5000; % 性能仿真的蒙特卡洛次数 num_th = 20000; % 门限标定的蒙特卡洛次数 rng(2024); % 固定随机种子，保证实验可复现

这里要解释一下N的选取。N是指参与特征值分解的协方差矩阵维度，在集中式融合里它等于所有节点数据堆叠后的总行数。如果每个节点是单天线，那N就等于节点数M乘以每节点输出信号的路数。N太小，特征值个数太少，经验CDF分不出精细形状；N太大，协方差矩阵估计需要的快拍数L也得跟着涨，否则矩阵不满秩。经验公式是L至少要是N的4到5倍，我一般取L=8N以上。

3.2 节点本地处理与融合中心判决

每个节点的任务是采集数据、简单预处理、上传。这里有个细节：节点上传的是I/Q复数据，不是能量值，这样才能在FC做数据级融合。数据量确实大，但这是性能上限的参考方案。

FC的处理分四步：

第一步，拼接数据矩阵。假设第i个节点上传的是一个N_sub×L的矩阵Y_i，FC把所有节点的数据垂直拼接，得到全局矩阵X，尺寸是(M·N_sub)×L。

第二步，计算全局采样协方差矩阵并做特征分解：

R = (X * X') / L; lambda = eig(R); lambda = sort(real(lambda), 'ascend');

注意eig对复矩阵可能返回复数特征值，实际上协方差矩阵是Hermitian半正定的，特征值一定是实数，取real是保险动作。

第三步，归一化特征值并计算经验CDF和PR统计量：

lambda = lambda / mean(lambda); p = length(lambda); Fhat = ((1:p)' - 0.5) / p; % 参考分布用离线模板，这里直接调用 F0_ref = reference_cdf(); % 长度为p的列向量，预先离线生成 T = 0.5 * trapz(lambda, abs(Fhat - F0_ref));

第四步，与门限比较：

if T > gamma_threshold decision = 1; % 判主用户存在 else decision = 0; % 判信道空闲 end

3.3 参考CDF模板的离线生成

这一步是整个检测器能不能work的关键，我单独拿出来讲。参考CDF模板必须在H0假设下生成，也就是严格纯噪声，不含任何信号分量。生成方法和线上流程一模一样，只是把特征值换成纯噪声下的特征值：

function F0 = generate_reference_cdf(M, N_sub, L, num_sim) p = M * N_sub; F0_accum = zeros(p, 1); for k = 1:num_sim X = (randn(p, L) + 1j * randn(p, L)) / sqrt(2); R = (X * X') / L; lambda = eig(R); lambda = sort(real(lambda), 'ascend'); lambda = lambda / mean(lambda); % 把每条H0样本的经验CDF值累加 F0_accum = F0_accum + ((1:p)' - 0.5) / p; end F0 = F0_accum / num_sim; % 同时把对应的横轴lambda也保存下来 end

这里有个实操细节：CDF模板的横轴是"归一化特征值"，但每次蒙特卡洛生成的特征值都不完全一样，不能直接对CDF值做平均，要先在公共横轴上做插值再平均。更简单的做法是只在特征值位置上计算PR距离，参考CDF用MP律的理论值，或者像我实际项目里那样，把纯噪声的特征值分布用核密度估计拟合成一条光滑曲线，线上检测时用这条曲线插值。总之目标是得到一条稳定的"纯噪声特征值CDF曲线"。

3.4 蒙特卡洛性能仿真主循环

门限标定好、参考CDF模板准备好之后，性能仿真就简单了：

Pd = zeros(length(SNR_dB), 1); Pfa_sim = zeros(1, 1); % 先跑H0，验证虚警是否落在目标值附近 for mc = 1:num_th X = generate_noise_only(M, N_sub, L); T = compute_pr_statistic(X); T_h0(mc) = T; end gamma = quantile(T_h0, 1 - Pfa_target); Pfa_sim = mean(T_h0 > gamma); fprintf('标定Pfa=%.4f, 实测Pfa=%.4f\n', Pfa_target, Pfa_sim); % 再跑H1，得到不同SNR下的检测概率 for idx = 1:length(SNR_dB) snr = SNR_dB(idx); det_count = 0; for mc = 1:num_mc X = generate_signal_plus_noise(M, N_sub, L, snr); T = compute_pr_statistic(X); if T > gamma det_count = det_count + 1; end end Pd(idx) = det_count / num_mc; end

画图部分用semilogy还是plot看个人偏好，我习惯画两条曲线：一条是Pd vs SNR（固定Pfa=0.1），另一条是ROC曲线（固定SNR，扫描门限）。ROC曲线扫描门限时要用同一批H0和H1的统计量，只改判决门限，不要重新生成数据。

4. 典型实验结果与性能分析

4.1 节点数对检测性能的影响

我在固定每节点快拍数L=1024、目标Pfa=0.1的条件下，分别跑了M=1、2、4、8四个配置。结果符合预期：单节点在SNR=-10dB左右检测概率就开始明显下滑，M=4时这个拐点能往左移3到5dB，M=8比M=4又提升1到2dB，但边际收益明显递减。

这个现象背后的道理是：协作节点数增加，协方差矩阵维度p变大，特征值个数变多，经验CDF的形状更稳定、噪声波动被平均掉，所以PR距离的H0分布更集中，同一门限下H1分布更容易分离。但超过一定数量后，新增节点提供的空间分集增益趋于饱和，反而因为需要的快拍数更多、回传开销更大，投入产出比下降。

实际工程里M=4到6是个比较划算的区间，这也是很多文献里爱用M=4的原因。

4.2 快拍数L对检测性能的影响

把M固定在4，L从256扫到4096，结果就是检测概率随L增大全面提升，尤其在低SNR区，提升幅度非常明显。-15dB SNR下，L=256时基本测不到，L=4096时检测概率能到0.7以上。

原因不复杂：快拍数决定协方差矩阵估计的准确度。L越大，采样协方差矩阵越接近真实协方差矩阵，特征值分布越稳定，经验CDF和参考CDF在H0下的偏差越小，统计量方差越小，检测器分辨率越高。这也是PR检测器的一个特性——它在低SNR下换取性能的方式就是堆样本，而且堆样本的效果比能量检测更显著，因为它利用的是特征值分布的集合效应，不只是能量总量。

4.3 与能量检测的对比：噪声不确定性场景

表格对比一下更直观：

这个表里的具体数值是某一组参数下的实测结果，换个参数绝对值会变，但趋势是稳定复现的：噪声功率精确已知时，能量检测略胜一筹；一旦噪声功率估计有偏差，能量检测性能暴跌，PR检测器几乎不受影响。这就是PR检测器存在的最大价值——在非理想信道环境下做稳健检测。

5. 常见问题与排查实录

5.1 特征值出现NaN或Inf

这个坑我踩过不止一次。根因基本是两个：一是数据没归一化，直接拿原始ADC采样值算协方差矩阵，动态范围一大就容易溢出；二是协方差矩阵不满秩——快拍数L小于协方差矩阵维度p，导致R是奇异的，特征值里出现0或负得很离谱的值。

解决方法是：先对每个节点的数据做均值去除和方差归一化，再上传；同时严格要求L ≥ 8p，在代码里加个断言：

assert(L >= 8 * p, '快拍数过少，协方差矩阵可能不满秩');

如果还是出现NaN，检查数据里有没有NaN源头，比如randn生成时没设种子导致复现异常，或者信道系数里不小心生成了Inf。

5.2 实测虚警概率和目标Pfa对不上

这是门限标定环节最常遇到的问题。我遇到过实测Pfa比目标Pfa翻倍的情况，排查后发现是参考CDF模板和线上检测用的参数不一致——标定门限时用的节点数是4，线上检测时实际节点数变成了6，统计量分布整体平移了，门限自然失效。

另一个原因是蒙特卡洛次数太少导致门限不精确。纯噪声下PR统计量的分布拖尾比较长，2000次蒙特卡洛去估0.01分位数，误差能有30%以上。解决办法：门限标定至少20000次，分位数越极端，次数要求越高。另外，检查一下你在标定门限和实际检测时，是不是都用了相同的特征值归一化步骤。特征值忘记除以均值，统计量会整体变大好几倍，门限直接作废。

5.3 融合方式到底选硬融合还是软融合

有些入门读者会问，为什么不直接用"多数表决"这种硬融合——每个节点本地判决，FC统计一下有几个判H1，超过一半就判占用。硬融合的好处是回传开销极小，只传1bit，但代价是损失了软信息。一个节点SNR很高，判得很有把握，跟一个节点SNR刚好在临界点、碰巧判对，在硬融合里权重一样，这显然不是最优。

本项目用的数据级融合（上传原始样本，FC构造全局协方差矩阵）是性能上限，但实现成本也最高。中间路线是软融合：每个节点上传自己的PR统计量，FC对统计量做加权合并。我给个建议排序：做理论基准研究用数据级融合，做工程仿真选软融合，做低功耗实现才考虑硬融合。

5.4 实操心得：验证检测器正确性的快速方法

最后分享一个我自己的调试套路。新写好的PR检测器，先别急着上蒙特卡洛，用三个快速测试验证正确性：

第一步，纯噪声下跑500次，统计T的均值，应该是一个很小的值（比如0.05以下），如果发现均值比门限还大，说明参考CDF模板或者归一化逻辑有bug。

第二步，高SNR（比如10dB）下跑100次，T均值应该明显大于门限，如果H1下的统计量反而比H0还小，检查特征值排序方向、CDF计算有没有搞反。

第三步，用同一批数据分别跑PR检测器和能量检测，在SNR中等（0dB）时两者的判决应该高度一致，只有噪声不确定场景下PR才表现出优势。

这三个测试通过了，再跑完整的蒙特卡洛曲线，基本不会出大问题。

我个人在实际项目里体会最深的一点是：PR检测器的优势不是靠"更高端的数学"赢来的，而是靠"换了一个更稳健的视角"赢来的。能量检测盯着能量的绝对大小，PR检测器盯着分布的形状差异，后者对环境的未知因素天然免疫。这个思路不止适用于频谱感知，任何"信号检测"问题——瞬态信号检测、异常检测、故障诊断——只要有相对干净的参考分布，都可以想想能不能用上PR距离这个工具。扩展方向上，加权软融合、跟深度特征结合做非高斯噪声下的检测，都是可以继续挖的方向。做仿真时把门限标定和性能评估分成两套独立流程，养成这个习惯，你的结果会可靠很多。