%固定信噪比用此方法生成数据集
%信噪比为-19dB，采样点数为1000，协作用户数为5，检测概率与虚警概率之间的关系
clear
clc
%snrdb=-21;
snrdb=[-20,-19,-18,-17];
% SNR=(10).^(snrdb./10);
N_Simulation=11;%定义模拟的数量为11。
N_GradIterative=30;
% S=2;
N_Pulse=5;%协作用户数
fs=1500;%采样频率Hz
f=100;%信号频率Hz
Sigma=1; %噪声方差
ns=5000;
e=0;
for iteration=1:1:600
e=e+1;
e
% SNR=(10).^(snrdb./10);
%产生参考的噪声协方差矩阵
N_NoiseMatrices=30;
for i=1:N_NoiseMatrices
for j=1:N_Pulse
%[ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb);
[ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb(j));
a(:,j)=noise';
end
B(:,:,i)=cov(a);
end
%利用梯度下降算法计算噪声协方差阵的均值
dt=0.1; %迭代步长
Sum_Matrices=zeros(N_Pulse,N_Pulse); %定义矩阵的算术和
for i=1:N_NoiseMatrices %求和
Sum_Matrices=Sum_Matrices+B(:,:,i);
end
Mean_Matrices=Sum_Matrices/N_NoiseMatrices; %矩阵的算术均值
A=Mean_Matrices;
for k=1:N_GradIterative %迭代次数循环
Sum_Log_DistanceMatrices=zeros(N_Pulse,N_Pulse); %定义对数距离矩阵的和
for i=1:N_NoiseMatrices %参考单元数16
DistanceMatrices=A^(-0.5)*(B(:,:,i))*A^(-0.5); %两个矩阵的距离
Log_DistanceMatrices=logm(DistanceMatrices); %第i个距离矩阵的对数
Sum_Log_DistanceMatrices=Sum_Log_DistanceMatrices+Log_DistanceMatrices; %对数距离矩阵的和
end
Mean_Log_DistanceMatrices=Sum_Log_DistanceMatrices/N_NoiseMatrices; %对数距离矩阵的均值
A=A^0.5*expm(dt*Mean_Log_DistanceMatrices)*A^0.5; %迭代结束：噪声的距离特征
end
% As=sqrt(2*Sigma^2*SNR);
for m=1:N_Simulation
for j=1:N_Pulse
% [ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb);
[ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb(j));
ray(:,j)=noise';
b(:,j)= signal_noise';
end
sig_noi_cov=cov(b);
noi_cov=cov(ray);
%计算噪声和信号距离
sig_noi_noi_Distance=(A^-0.5)*sig_noi_cov*(A^-0.5);
sig_noi_E=eig(sig_noi_noi_Distance);
sig_noi_D=sqrt(1/2*sum(log(sig_noi_E).^2));
signal_noise_distance(m)=sig_noi_D;
%计算噪声和噪声距离
noi_noi_Distance=(A^-0.5)*noi_cov*(A^-0.5);
noi_E=eig(noi_noi_Distance);
noi_D=sqrt(1/2*sum(log(noi_E).^2));
noise_distance(m)=noi_D;
end%已知噪声和
% SU(1,1:500)=signal_noise(1:500);
% SU(1,501:1000)=noise(1:500);
% SU(2,1:500)=signal_noise(501:1000);
% SU(2,501:1000)=noise(501:1000);
SU(:,2*e-1)=(signal_noise_distance)';
SU(:,2*e)=(noise_distance)';
end
SU(11,:)=repmat([1;0],600,1)';
save SU17_21_CYS1500.mat;%信噪比在一个区间内，用此方法生成数据集
clc
clear all
tic
N_Simulation=11;%模拟的数据量为11
N_GradIterative=30;%定义梯度下降的迭代次数为30
N_Pulse=6;%次用户数
fs=1000;%采样频率Hz
f=100;%信号频率Hz
Sigma=1; %噪声方差
%ns=500;
e=0;%初始化为0，用于之后的循环计数
for snrdb=-20:0.01:-17.01
e=e+1;
e
%产生参考的噪声协方差矩阵
N_NoiseMatrices=30;%定义噪声矩阵的数量为30
for i=1:N_NoiseMatrices%对噪声矩阵进行遍历
for j=1:N_Pulse
[ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb);
a(:,j)=noise';%将噪声矩阵存储到a矩阵的第j列
end
B(:,:,i)=cov(a);%计算噪声协方差并将结果存到矩阵B的第i页
end
%利用梯度下降算法计算噪声协方差阵的均值
dt=0.1; %迭代步长
Sum_Matrices=zeros(N_Pulse,N_Pulse); %定义矩阵的算术和
for i=1:N_NoiseMatrices %求和
Sum_Matrices=Sum_Matrices+B(:,:,i);
end
Mean_Matrices=Sum_Matrices/N_NoiseMatrices; %矩阵的算术均值
A=Mean_Matrices;
for k=1:N_GradIterative %迭代次数循环
Sum_Log_DistanceMatrices=zeros(N_Pulse,N_Pulse); %定义对数距离矩阵的和
for i=1:N_NoiseMatrices %参考单元数16
DistanceMatrices=A^(-0.5)*(B(:,:,i))*A^(-0.5); %两个矩阵的距离
Log_DistanceMatrices=logm(DistanceMatrices); %第i个距离矩阵的对数
Sum_Log_DistanceMatrices=Sum_Log_DistanceMatrices+Log_DistanceMatrices; %对数距离矩阵的和
end
Mean_Log_DistanceMatrices=Sum_Log_DistanceMatrices/N_NoiseMatrices; %对数距离矩阵的均值
A=A^0.5*expm(dt*Mean_Log_DistanceMatrices)*A^0.5; %迭代结束：噪声的距离特征
end
% As=sqrt(2*Sigma^2*SNR);
for m=1:N_Simulation
for j=1:N_Pulse
[ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb);
ray(:,j)=noise';
b(:,j)= signal_noise';
end
sig_noi_cov=cov(b);
noi_cov=cov(ray);
%计算噪声和信号距离
sig_noi_noi_Distance=(A^-0.5)*sig_noi_cov*(A^-0.5);
sig_noi_E=eig(sig_noi_noi_Distance);
sig_noi_D=sqrt(sum(log(sig_noi_E).^2));
signal_noise_distance(m)=sig_noi_D;
%计算噪声和噪声距离
noi_noi_Distance=(A^-0.5)*noi_cov*(A^-0.5);
noi_E=eig(noi_noi_Distance);
noi_D=sqrt(sum(log(noi_E).^2));
noise_distance(m)=noi_D;
end%已知噪声和
% SU(1,1:500)=signal_noise(1:500);
% SU(1,501:1000)=noise(1:500);
% SU(2,1:500)=signal_noise(501:1000);
% SU(2,501:1000)=noise(501:1000);
SU(:,2*e-1)=(signal_noise_distance)';
SU(:,2*e)=(noise_distance)';
end
SU(11,:)=repmat([1;0],600,1)';
toc
disp(['运行时间',num2str(toc)]);
save SU_20_11;clc
clear
%%数据导入
%DATA=importdata('matlab19-13.mat');%matlab为数据格式假设样本个数200，特征个数为30，200*31，第31列表示分类标签，这里分为0-3共4类
load SU17_21_CYS1500.mat
DATA = SU;
data=DATA';
k=rand(1,1000); %生成样本个数的随机数，以200为例
[m,n]=sort(k); %若k为二维矩阵，则sort（k）表示对每列进行升序排序,m为移动后矩阵，n为移动顺序。
%上两步的操作是为了生成随机数，之后按比例随机挑选样本；
%输入输出数据
input=data(:,1:10);
output=data(:,11); %第101列为标签列
%随机抽取1000个样本为训练样本，200个样本为预测样本
input_train=input(n(1:800),:)'; %取打乱顺序后的前1000个数字，行为样本列为特征点
label_train=output(n(1:800),:)';%类似于标签
input_test=input(n(801:1000),:)';
label_test=output(n(801:1000),:)';
%输入数据归一化
[inputn,inputps]=mapminmax(input_train);
%% BP网络训练
% %初始化网络结构
% net=newff(inputn,label_train,10);
% net=newff(minmax(inputn),[10,7,1],{'tansig','tansig','purelin'},'trainlm');
% net=newff(minmax(inputn),[10,9,7,1],{'tansig','tansig','tansig','purelin'},'trainlm');
net=newff(minmax(inputn),[10,9,7,5,1],{'tansig','tansig','tansig','tansig','purelin'},'trainlm');%网络结构设置
% net=newff(minmax(inputn),[10,9,7,7,5,1],{'tansig','tansig','tansig','tansig','tansig','purelin'},'trainlm');
net.trainParam.epochs=1000;%网络迭代次数epochs为1000次
net.trainParam.lr=0.1;%学习速率lr为0. 1
net.trainParam.goal=0.0001;%期望误差goal为0.00000004
% net.trainParam.max_fail=100;
% net.divideFcn = '';
%% 网络训练
net=train(net,inputn,label_train);
%% BP网络预测
%预测数据归一化
tic
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
BPoutput=sim(net,inputn_test);
aa=mean(BPoutput);
%% 结果分析
%根据网络输出找出数据属于哪类
BPoutput(find(BPoutput<0.5))=0;
BPoutput(find(BPoutput>=0.5))=1;
toc
%% 结果分析
% figure(1)
% plot(BPoutput,'og')
% ylim([-0.5 1.5])
% legend('目标标签')
% title('BP网络预测类别分布','fontsize',12)
% %画出预测种类和实际种类的分类图
% figure(2)
% plot(BPoutput,'og')
% hold on
% plot(label_test,'r*');
% legend('目标标签','实际输出')
% title('BP网络预测分类与实际类别比对','fontsize',12)
% ylabel('类别标签','fontsize',12)
% xlabel('样本数目','fontsize',12)
% ylim([-0.5 1.5])
%预测正确率
rightnumber=0;
for i=1:size(label_test,2)%size(output_test,2)指output_test的列
if BPoutput(i)==label_test(i)
rightnumber=rightnumber+1;
end
end
rightratio=rightnumber/size(label_test,2)*100;
sprintf('测试准确率=%0.2f',rightratio)
%画ROC曲线
figure(3);
BPoutput1= mapminmax(BPoutput,0,1);
plot_roc(BPoutput1,label_test);
% plotroc(label_test,BPoutput);
grid onfunction auc = plot_roc( predict, ground_truth )
% INPUTS
% predict - 分类器对测试集的分类结果
% ground_truth - 测试集的正确标签,这里只考虑二分类，即0和1
% OUTPUTS
% auc - 返回ROC曲线的曲线下的面积
%初始点为（1.0, 1.0）
x = 1.0;
y = 1.0;
%计算出ground_truth中正样本的数目pos_num和负样本的数目neg_num
pos_num = sum(ground_truth==1);
neg_num = sum(ground_truth==0);
%根据该数目可以计算出沿x轴或者y轴的步长
x_step = 1.0/neg_num;
y_step = 1.0/pos_num;
%首先对predict中的分类器输出值按照从小到大排列
[predict,index] = sort(predict);
ground_truth = ground_truth(index);
%对predict中的每个样本分别判断他们是FP或者是TP
%遍历ground_truth的元素，
%若ground_truth[i]=1,则TP减少了1，往y轴方向下降y_step
%若ground_truth[i]=0,则FP减少了1，往x轴方向下降x_step
for i=1:length(ground_truth)
if ground_truth(i) == 1
y = y - y_step;
else
x = x - x_step;
end
X(i)=x;
Y(i)=y;
end
%画出图像
% c = polyfit(X, Y, 6); %进行拟合，c为2次拟合后的系数
% d = polyval(c, X, 1); %拟合后，每一个横坐标对应的值即为d
% plot(X,d,'*-','LineWidth',1.5,'MarkerSize',1.5);
% plot(X,Y,'*-','LineWidth',1.5,'MarkerSize',1.5);
%画出图像
X1=zeros(1,21);
Y1=zeros(1,21);
X1=X(1);
Y1=Y(1);
for n = 1:20
X1(n+1)=X(:,10*n);
Y1(n+1)=Y(:,10*n);
end
plot(X1,Y1,'*-','linewidth',1.5);
xlabel('Pf');
ylabel('Pd');
title('ROC曲线图');
axis([0 1 0 1])
% saveas(gcf, 'IGDNN_SNR21', 'fig')
%计算小矩形的面积,返回auc
auc = -trapz(X,Y);
end function [ signal_noise,noise ] = hunhexinghao(N_Pulse, snrdb )
Dn=1; %噪声方差N_Pulse
% fs=1000;%采样频率
% n=0:N-1;
% t=n/fs;
t= 0:0.05:15.9*pi;
SNR_in=10^(snrdb/10); %将db转化为十进制
Ap=sqrt(2*Dn*SNR_in);
% signal=cos(2*pi*10*t);
signal=cos(t)+cos(4*t+0.2*t.^2);
%signal=cos(2*pi*t)+2*cos((2*pi-4)*t);
noise=sqrt(Dn)*randn(size(t));
signal_noise=Ap*signal+noise;
end