简介这份资源面向计算机、电子信息工程、数学等专业的大学生及科研入门者提供基于机器学习的认知无线电频谱感知完整MATLAB实现方案可用于课程设计、期末大作业与毕业设计。压缩包共22个文件、约14.78MB包含8个csv数据集、5个ipynb算法笔记、2个py脚本、2份pdf报告与2个md说明文档覆盖SVM、KNN、决策树等分类算法的训练与测试流程并附赠可直接运行的案例数据。资源采用参数化编程参数修改方便代码思路清晰、注释详尽便于读者理解频谱感知从数据加载、特征处理到模型评估的完整链路。目前已有52人学习适合希望快速复现实验、对比不同机器学习算法性能并完成论文或报告撰写的读者参考。1. 频谱感知为什么让机器学习模型在低信噪比下集体翻车认知无线电的核心诉求是让非授权用户在不干扰授权用户的前提下动态接入空闲频段而频谱感知就是这套机制的第一道闸门。传统做法靠能量检测门限一设死噪声功率一波动就误判低信噪比下几乎不可用。机器学习介入后思路变成把感知问题转成二分类或特征匹配问题用采样得到的协方差矩阵、循环谱、功率谱密度等作为特征训练分类器判断某频段是否被占用。这条路能绕开对精确噪声功率的依赖在-15dB甚至更低信噪比下仍有可用准确率。适合谁做通信工程、信号处理方向的学生做课程设计或毕设以及需要快速验证感知算法的工程师。标题里的“频谱感知机器学习认知无线电”三个词本质是一件事用数据驱动的方式替代固定门限让感知器在复杂电磁环境里活下来。下面按“特征怎么来、模型怎么选、代码怎么跑、坑在哪”的顺序拆开讲。2. 从采样到特征频谱感知的数据管线怎么搭2.1 信号模型与特征选择为什么协方差矩阵比原始IQ更稳频谱感知的输入通常是一段接收信号数学上写成 $y(n) h \cdot s(n) w(n)$其中 $s(n)$ 是授权用户信号$w(n)$ 是高斯白噪声$h$ 是信道增益。直接拿原始IQ采样点喂给分类器维度高、噪声敏感模型很难收敛。常见做法是提取统计特征最经典的是协方差矩阵的归一化特征。具体来说取 $L$ 个采样点构成向量计算样本协方差矩阵 $R \frac{1}{N}\sum y_i y_i^H$然后取对角线元素归一化后的比值、最大最小特征值之比MME、能量与特征值联合统计量。这些特征在信号存在和不存在时分布差异明显且对噪声功率不确定性有鲁棒性。另一个方向是循环谱特征。授权用户信号通常有循环平稳性噪声没有所以循环谱在循环频率非零处的值可以作为判别依据。但循环谱计算量大实时性差适合离线训练或对时延不敏感的场景。我一般会先用协方差类特征跑基线如果准确率不够再上循环谱或深度学习自动提取。特征提取的代码不复杂但维度对齐和归一化容易出错。下面是一个最小可用的协方差特征提取函数import numpy as np def extract_cov_features(iq_samples, L8, N1000): iq_samples: 复数采样序列长度 L*N L: 协方差矩阵维度平滑因子 N: 用于估计协方差的快拍数 返回: 特征向量 [能量比, MME, 特征值方差] # 截断到整数个快拍 total L * N iq iq_samples[:total].reshape(N, L) # 样本协方差矩阵 R (iq.conj().T iq) / N eigvals np.linalg.eigvalsh(R) eigvals np.sort(eigvals)[::-1] # 降序 # 特征1最大最小特征值比 mme eigvals[0] / (eigvals[-1] 1e-12) # 特征2能量比主特征值占总能量比例 energy_ratio eigvals[0] / (np.sum(eigvals) 1e-12) # 特征3特征值方差 eigvar np.var(eigvals) return np.array([mme, energy_ratio, eigvar])逻辑说明先按快拍数N和维度L重塑数据计算样本协方差矩阵再取特征值排序。MME对噪声功率不敏感能量比反映信号子空间占比特征值方差在信号存在时通常更大。参数L一般取8到16太小协方差估计不稳太大计算量上升且需要更多采样点。N取500到2000信噪比越低需要N越大。注意iq_samples必须是复数实信号要先做希尔伯特变换转解析信号。2.2 数据集构建正负样本怎么造才不翻车没有真实频谱采集设备时仿真生成是主流。正样本是授权用户信号加噪声负样本是纯噪声。信号类型可以选BPSK、QPSK、OFDM噪声用复高斯白噪声。关键参数是信噪比范围训练集要覆盖-20dB到0dB测试集单独设几个点看泛化。常见坑是训练集和测试集信噪比分布重叠太严重导致准确率虚高。我一般按信噪比分层采样每个SNR点生成相同数量的正负样本保证模型在每个噪声水平上都见过。生成数据的脚本如下import numpy as np def generate_bpsk(N, snr_db): 生成BPSK调制信号长度N bits np.random.randint(0, 2, N) symbols 2 * bits - 1 return symbols.astype(complex) def add_awgn(signal, snr_db): 按信噪比加复高斯白噪声 signal_power np.mean(np.abs(signal)**2) noise_power signal_power / (10**(snr_db/10)) noise np.sqrt(noise_power/2) * (np.random.randn(len(signal)) 1j*np.random.randn(len(signal))) return signal noise def build_dataset(num_per_snr200, snr_listNone, L8, N1000): if snr_list is None: snr_list np.arange(-20, 1, 2) X, y [], [] for snr in snr_list: for _ in range(num_per_snr): # 正样本信号噪声 sig generate_bpsk(L*N, snr) sig add_awgn(sig, snr) X.append(extract_cov_features(sig, L, N)) y.append(1) # 负样本纯噪声 noise add_awgn(np.zeros(L*N, dtypecomplex), snr) X.append(extract_cov_features(noise, L, N)) y.append(0) return np.array(X), np.array(y)逻辑说明正样本先产生BPSK符号再加噪声负样本直接对零信号加噪声保证噪声功率一致。参数num_per_snr控制每个信噪比点的样本数一般200到500。snr_list从-20到0步进2覆盖低信噪比区间。注意负样本不能用全零否则协方差矩阵奇异加噪声后才有数值稳定性。2.3 模型选型SVM、随机森林还是轻量CNN特征维度只有3到10维时SVM和随机森林足够。SVM用RBF核C和gamma用网格搜索在-15dB下准确率能到85%以上。随机森林更省事不用调核参数特征重要性还能反推哪个特征贡献大。如果特征维度高比如循环谱切片可以上CNN但要注意样本量和过拟合。我一般先用随机森林跑基线因为它对特征尺度不敏感训练快适合快速验证特征有效性。如果准确率不够再换SVM调核或者加特征。模型训练和评估的代码from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, classification_report X, y build_dataset(num_per_snr300) X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, stratifyy, random_state42) clf RandomForestClassifier(n_estimators100, max_depth10, random_state42) clf.fit(X_train, y_train) y_pred clf.predict(X_test) print(准确率:, accuracy_score(y_test, y_pred)) print(classification_report(y_test, y_pred))逻辑说明stratifyy保证训练测试集正负比例一致。n_estimators取100到200max_depth限制在10到15防止过拟合。如果准确率低于80%先检查特征提取是否对再考虑增加特征或换模型。注意不要用测试集调参否则报告的数字不可信。3. 避坑与排查频谱感知机器学习落地时最容易翻车的5个点3.1 现象训练准确率99%测试只有60%原因训练集和测试集信噪比分布不一致或者正负样本用了不同的噪声功率。常见错误是正样本加噪声时按信号功率算SNR负样本直接加固定功率噪声导致负样本噪声功率和正样本不匹配。解决统一用add_awgn函数负样本对零信号加噪声保证噪声功率计算方式一致。另外按信噪比分层划分训练测试集每个SNR点都出现在两边。3.2 现象模型在-10dB以上很好-15dB以下直接崩原因低信噪比下协方差矩阵特征值差异被噪声淹没MME趋近于1特征区分度下降。解决增加快拍数N从1000提到2000甚至4000或者换用循环谱特征循环平稳性在低信噪比下更鲁棒。另一个办法是引入多天线用空间分集提升等效信噪比。3.3 现象特征值计算出NaN或Inf原因协方差矩阵奇异通常是因为采样点太少或者信号全零。解决检查iq_samples长度是否足够L*N负样本是否加了噪声。在计算MME时分母加1e-12防止除零。如果还是有问题对协方差矩阵加对角加载即R R eps * np.eye(L)eps取1e-6。3.4 现象随机森林特征重要性显示能量比占90%以上原因能量比在信号存在时确实大但它对噪声功率波动敏感实际部署时噪声功率一变就失效。解决不要只看准确率要看特征在不同噪声功率下的稳定性。可以人为改变测试集噪声功率观察哪个特征先失效。MME和特征值方差通常比能量比更稳但需要更多快拍。3.5 现象换一个调制方式准确率掉20%原因训练集只用了BPSK模型学到了BPSK特有的协方差结构换QPSK或OFDM后特征分布偏移。解决训练集混合多种调制方式每种都覆盖低信噪比。如果目标场景调制方式未知优先用对调制不敏感的特征比如MME和特征值方差它们主要反映信号子空间维度对具体调制方式依赖较小。4. 把感知器推到-20dB进阶技巧与验证方法低信噪比是频谱感知的终极考场。前面协方差特征在-15dB左右是舒适区再往下走需要换思路。一个实用技巧是特征融合把协方差特征、循环谱切片、以及高阶累积量拼成一个长向量用随机森林或梯度提升树做分类。高阶累积量对高斯噪声天然免疫四阶累积量在低信噪比下仍有区分度。另一个方向是合作感知多个感知节点把特征送到融合中心用投票或软合并提升等效信噪比。单节点-20dB很难但5个节点合作后等效信噪比能提升7dB左右。验证方法上不要只看整体准确率。按信噪比画准确率曲线看曲线在哪个点跌破90%这个点就是感知器的实际工作下限。另外画ROC曲线看虚警概率固定为0.1时的检测概率。虚警概率在认知无线电里很关键虚警太高会浪费接入机会太低会干扰授权用户。我一般把虚警概率控制在0.05到0.1之间再去看检测概率。一个容易忽略的细节是特征归一化。随机森林不需要归一化但SVM和神经网络需要。如果换模型后准确率暴跌先检查是否忘了归一化。用StandardScaler在训练集上fit再transform测试集不要对全体数据一起fit否则测试集信息泄漏。最后说一个我踩过的坑仿真数据上准确率95%拿真实采集数据一跑只有70%。原因是仿真噪声是理想高斯白噪声真实环境有有色噪声、脉冲干扰、以及接收机非线性。如果条件允许在仿真数据里混入少量有色噪声或脉冲噪声做数据增强模型鲁棒性会好很多。没有真实数据时至少用不同噪声模型交叉验证别只信高斯白噪声下的数字。希望帮到你。本文还有配套的精品资源点击获取