认知无线电信号检测的三种野路子：从能量检测到机器学习

认知无线电玩到一定程度，大家基本都会遇到同一个问题：教科书上那些频谱感知算法，跑仿真是一回事，拿到真实无线电环境里跑通是另一回事。

这些年前前后后折腾了不少认知无线电和信号检测方向的软硬件项目。所谓认知无线电，说穿了就是让无线设备先感知周围频谱环境，再决定用什么频段、多大功率、什么调制方式去通信，这个“先感知”的动作，核心就是信号检测。你得先知道某个频段里有没有信号、是什么信号，才能谈后面的接入决策和功率控制。

这篇文章不打算聊那些正统的教科书路线，我分享三种实际用过的野路子玩法。它们不一定在学术上最优雅，但胜在能落地、成本低、见效快。尤其适合正在做认知无线电方向课程设计、想快速搭原理样机验证想法，或者单纯对无线信号检测感兴趣、手里正好有一块软件无线电设备的读者。

1. 认知无线电信号检测先搞清楚在玩什么

1.1 为什么信号检测是认知无线电的第一关

认知无线电的完整闭环通常包含频谱感知、频谱分析、频谱决策和频谱切换四个环节。频谱感知是第一步，也是最关键的一步。如果感知环节判断错了，后面所有决策都会跟着错。比如某段频段明明被主用户占着，感知模块没检测出来，认知节点一头扎进去发射信号，轻则干扰现有通信，重则引发安全事故。这就是为什么信号检测在认知无线电里被当成核心问题来研究。

从信号处理角度看，信号检测本质上是一个二元假设检验问题：接收机拿到一段IQ数据，需要判断其中是否包含目标信号。然而实际环境远比教科书模型复杂，噪声功率会随温度和器件状态漂移，信道存在多径衰落和阴影效应，背景里可能还有其他制式的干扰信号。这些因素叠加在一起，让简单的能量检测经常失灵。我在实际测试中也发现，同样的检测算法在实验室屏蔽环境下表现良好，一到开阔场地或城市环境，性能可能掉一大截。

1.2 教科书路线和野路子的区别

传统的教科书路线大致分几类：匹配滤波检测、能量检测、循环平稳特征检测。匹配滤波理论上最优，但需要知道目标信号的完整先验信息，包括调制方式、脉冲形状、载波频率和符号速率，这在认知无线电里通常不现实；能量检测最简单，不需要先验信息，但受噪声不确定度影响很大；循环平稳特征检测抗噪声能力强，能区分信号类型，但计算复杂度较高。

我总结的三种野路子，其实是在这些经典方法基础上做了工程化改造：

• 野路子一：用低成本的电视棒接收机做能量检测，侧重校准和自适应门限，让土方法变得能用。
• 野路子二：用循环平稳特征检测去识别特定制式的信号，解决“知道有信号但不知道是什么信号”的问题。
• 野路子三：把频谱图当作图像，用机器学习做信号识别，再把多个节点组合起来做协同感知。

这三种方法各自对应不同的应用场景和资源约束，下面逐个拆解。

2. 野路子一：用电视棒做能量检测，最便宜的门槛

2.1 原理：能量检测为什么“土但好用”

能量检测的思路非常简单：对接收到的IQ信号，计算一段时间的平均功率，然后跟一个预设门限比较。如果平均功率超过门限，就判定频段被占用；否则判定为空闲。

用公式表达就是：

code复制T = (1/N) * Σ|x[n]|²

其中 x[n] 是采样点，N 是采样点数，T 是估计的信号能量。

判定规则：T > λ 判为有信号，T < λ 判为无信号。

这个方法的吸引力在于实现门槛极低，不需要任何信号先验信息，只要有一个宽带接收机和一块能算均方根的处理器就行。我最早做实验时，用的是一根几十块钱的电视棒，加上一台普通笔记本，半小时就搭出了一个能工作的检测器。信号检测算法里，没有任何一种方法能比能量检测更快上手。

但它的短板也很明显。能量检测无法区分信号和干扰，只要有能量抬高，它就会报警；而且它很容易受“噪声不确定度”的影响——噪声功率不是常数，会随温度、自动增益控制档位、天线指向发生变化。门限设高了会漏报弱信号，设低了会虚警频发。实际用能量检测，重点不在算法本身，而在门限校准和噪声跟踪。

2.2 实操：用电视棒加Python搭一个检测器

我常用的组合是RTL-SDR电视棒加Python的pyrtlsdr库，整体成本在100元以内。硬件连接好之后，第一步是确认采样率和中心频率的配置。以下是我在调频广播频段做实测时用过的一段代码：

python复制import numpy as np
from rtlsdr import RtlSdr

sdr = RtlSdr()
sdr.sample_rate = 2.048e6   # 采样率，单位Hz
sdr.center_freq = 98.5e6    # 中心频率，FM广播频段
sdr.gain = 'auto'           # 自动增益，先跑通再说

# 读一段IQ数据
samples = sdr.read_samples(256 * 1024)

# 估计信号能量，换算成dB
power = np.mean(np.abs(samples) ** 2)
power_dB = 10 * np.log10(power)

print(f"Signal power: {power_dB:.2f} dB")

# 这里先留一个简化门限，实际上需要用空闲频段校准
threshold_dB = -60.0
is_busy = power_dB > threshold_dB
print("Channel busy" if is_busy else "Channel idle")

sdr.close()

代码本身很简单，但几个参数值得留意。采样率选择2.048 MHz是惯例，这个数值跟FFT点数搭配能获得整齐的频率分辨率，还能覆盖约1 MHz的有效带宽，兼顾计算量和时间分辨率。增益设置成auto是为了快速跑通，但真正做门限校准时，我会把增益固定下来，否则噪声底一直在变，门限没法稳定。

2.3 门限设置的坑：噪声不确定度

如果直接用统计信号检测理论来算门限，通常会得到一个类似下面的公式：

code复制λ = σ² * (Q⁻¹(Pfa) / √N + 1)

其中 σ² 是噪声功率，Pfa 是目标虚警概率，Q⁻¹ 是高斯Q函数的反函数，N 是采样点数。

理论看起来很严谨，但实际用的时候会发现：σ²根本不在你手里，它随接收机增益和温度变化。我曾连续测量同一个空闲频段的噪声功率，早中晚三个时间点相差超过4 dB。如果按早上测的σ²设门限，晚上虚警率会高得没法看。

我在工程里常用的做法是“校准加余量”策略。具体分三步：

1. 先把接收机固定在某频段，确认该频段当前没有已知信号。
2. 连续采集200组噪声数据，记录噪声功率均值μ和标准差σ。
3. 初始门限设为μ + 3σ，同时根据现场环境再留3到5 dB的余量。

这种做法不追求理论最优，但胜在稳定。注意观察会发现，噪声底还跟天线朝向、周围电子设备开关状态有关。所以如果检测器会长时间运行，最好每隔一段时间自动做一次噪声底校准，而不是一次性设好就不管。

2.4 实测心得：什么时候能量检测会翻车

能量检测的翻车场景，我总结下来有三种。第一种是弱信号被噪声淹没，信号的功率比噪声低，平均功率几乎没变化，检测器直接漏报；第二种是宽带扩频信号，信号能量摊得很薄，单位频带内功率密度低，能量检测很难发现；第三种是强干扰导致的虚假占用，附近的电台、电机火花甚至开关电源产生的电磁干扰，都会让检测器误以为频段被占用了。

单靠能量检测解决不了这些问题，我会用下面的方式处理。

如果怀疑是弱信号场景，把平均时间拉长、增大采样点数，借助时间换信噪比，能稍微缓解但无法根治。如果只是想监听某个特定频段是否空闲，能量检测的性价比是最高的。由于认知无线电应用更关心“这个频段能不能用”，很多时候判断有没有能量，就够用了。

3. 野路子二：循环平稳特征检测，从噪声里“捞”信号

3.1 原理：信号为什么会有“指纹”

要解决能量检测在低信噪比下失效的问题，就得用信号本身更本质的特征。大多数无线通信信号，因为用了正弦载波、脉冲成型、符号速率和周期性帧结构，统计特性并不是平稳的，而是随时间周期性变化的。这种周期性会体现在信号的谱相关函数上，在特定的循环频率处形成峰值。这个规律就是循环平稳特性。

噪声是平稳白噪声，理论上没有任何循环频率特征。所以循环平稳特征检测相当于给信号做“指纹识别”：即使信号功率比噪声低好几倍，只要循环频率处的特征峰还在，照样能把信号从噪声里捞出来。这是它最吸引我的地方。

实际工程里最常利用的特征包括：OFDM符号的循环前缀、单载波信号的符号速率、调频信号的导频音、以及TDMA信号里的突发周期。

3.2 实操：谱相关函数计算与检测流程

循环平稳检测的核心是计算谱相关函数。教科书定义如下：

code复制Sx^α(f) = ∫ R_x^α(τ) * e^(-j2πfτ) dτ

其中α是循环频率，R_x^α(τ)是循环自相关函数。直接按公式算复杂度很高，工程上我一般用FFT累积平均法，也就是常说的FAM算法。大致流程是把长数据分段，对每段加窗做FFT，再用时域平滑来估计循环谱密度。

下面是我用Python写的一个简化版本，用来提取指定循环频率处的特征幅度：

python复制import numpy as np
from scipy.fft import fftshift

def cyclic_spectrum_amplitude(x, Fs, alpha, f_target, Np=1024, L=4):
    # x: 输入IQ数据
    # Fs: 采样率
    # alpha: 候选循环频率
    # f_target: 目标谱频率
    # Np: 每段FFT点数
    # L: 平滑窗长度
    n_segments = len(x) // Np
    acc = 0
    for i in range(n_segments - L):
        seg = x[i * Np : (i + 1) * Np] * np.hamming(Np)
        X = np.fft.fft(seg, Np)
        # 频率轴映射
        freqs = np.fft.fftfreq(Np, 1/Fs)
        idx_f = np.argmin(np.abs(freqs - f_target))
        # 谱相关近似计算
        X_shifted = np.fft.fft(seg * np.exp(2j * np.pi * alpha * np.arange(Np) / Fs), Np)
        acc += X[idx_f] * np.conj(X_shifted[idx_f])
    return np.abs(acc) / (n_segments - L)

这段代码核心的步骤是：对每段数据加窗、做FFT、然后把原始谱和频移谱做相关累加。频率偏移量就是循环频率α带来的。具体实现上还需要根据调制方式来设置f_target和α，如果是检测FM广播信号里的导频音，α通常选载波频偏和导频频率的组合。

检测流程上，我不只计算单个循环频率点，而是在候选循环频率附近扫一小段范围，看峰值是否明显高于周围噪声底。这样可以避免因接收机本振频偏导致的特征峰位置漂移。

3.3 参数选择与复杂度控制

循环平稳检测最大的问题是计算量。直接计算二维谱相关函数，复杂度是O(N²)，数据量稍大就卡顿。FAM算法能把复杂度降下来，但参数选得不好照样慢。我常用的参数配置如下：

• 分帧长度Np：1024或2048点，太长会增加计算量，太短会让循环频率分辨率变差。
• 平滑窗长度L：一般取4到8，用于估计方差。
• 目标循环频率范围：先根据信号类型估计一个区间，只扫描这个区间，不要全频段扫。

用树莓派或普通笔记本跑，Np=1024、L=4时，处理1秒的采样数据大约需要几秒到十几秒，实时性差一些。如果对实时性有要求，我会改用C语言在嵌入式平台上实现FAM算法，同时把目标循环频率缩小到几十个点，这样能在几十毫秒内完成一次检测。

3.4 常见坑：采样偏差和循环频率漂移

循环平稳检测虽然抗噪声能力强，但对频率精准度比较敏感。接收机本振频偏、采样时钟偏差、多普勒频移这几种情况，都会导致循环频率特征峰移动到意想不到的位置。

我在检测调频广播导频音时遇到过类似问题，理论计算循环频率应该在57 kHz，但实际采集数据后发现峰值位置偏了几百赫兹。排查后发现是电视棒的晶振精度不够，本振频率偏差约40 ppm。解决办法一个是用高精度晶振的接收机，另一个更简单的做法是在检测时扫描候选循环频率附近的一段区间，比如以理论值为中心扫描±2 kHz，虽然增加了计算量，但可靠性大幅提升。

另外要注意，如果信号经过了严重的多径信道，循环平稳特征可能会被削弱。信道越复杂，特征峰越难辨认，这也是循环平稳检测需要和信道估计配合的原因。

4. 野路子三：机器学习判信号，让频谱感知“长眼睛”

4.1 原理：把信号检测变成图像分类

第三种玩法是在频谱感知里引入机器学习，特别是把信号检测问题转成图像分类问题。核心思路很直接：接收机采集IQ数据后，先画出频谱瀑布图或时频谱图，然后用一个卷积神经网络去判别，这个频谱图里到底有没有信号，以及是什么类型的信号。

这个思路妙在不需要手动设计信号特征。传统的循环平稳检测需要知道循环频率、带宽等先验信息，而CNN可以直接从频谱图里学习出判决特征。只要训练数据覆盖了不同信噪比、不同信道条件，模型在实测环境中的表现往往比人工特征方案更稳定。

我个人的体会是，这一招特别适合做“多类信号分类”的场景。比如一个节点要同时识别Wi-Fi、蓝牙、LTE和数字对讲机信号，用传统方法要分别设计特征检测器，工作量大得惊人；而用机器学习方法，只需要准备好带标签的频谱图数据集，训练一个网络就能搞定。

4.2 实操：生成频谱图数据集并训练CNN

数据是机器学习方法的前提，第一步先把IQ数据转换成频谱图。我通常用matplotlib的specgram函数快速出图，但更推荐用短时傅里叶变换自行保存为数值矩阵，避免图片压缩带来的信息损失。

python复制import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import spectrogram

def iq_to_spectrogram(iq_samples, Fs, nperseg=256):
    f, t, Sxx = spectrogram(iq_samples, Fs, nperseg=nperseg, noverlap=nperseg//2)
    # 转成dB刻度，并做归一化
    Sxx_dB = 10 * np.log10(Sxx + 1e-12)
    Sxx_norm = (Sxx_dB - Sxx_dB.mean()) / (Sxx_dB.std() + 1e-8)
    return Sxx_norm

准备好频谱图之后，我给每张图打标签，例如0表示空频段、1表示FM信号、2表示数字调制信号。数据集的构造原则是尽量覆盖不同信噪比、不同信号时长和不同频偏情况，模型才不会过拟合到某一特定条件。

训练部分我用PyTorch搭一个很小的CNN：

python复制import torch
import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self, num_classes=3):
        super().__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(1, 16, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(16, 32, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.fc = nn.Linear(32 * 16 * 16, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)
        return self.fc(x)

这个网络非常简单，参数量不大，训练速度也很快。我在普通笔记本上训练几千张频谱图，几分钟就能收敛。注意训练数据要按场景分组，不要把同一段信号切出来的频谱图同时分布在训练集和测试集里，否则会高估准确率，这个坑很容易踩。更合理的做法是按“采集时间片”划分，不同时间片的数据分属不同集合，这样测出来的泛化能力才真实。

4.3 分布式协同感知：多个节点凑一桌

单节点感知再强，也有物理极限。无线信道里的阴影衰落和隐藏终端问题，会让一个节点完全看不到某个正在占用频谱的信号。解决这个问题的思路是分布式协同感知：多个感知节点分布在空间不同位置，把各自的检测结果汇总到融合中心，由融合中心综合判断整个区域内的频谱占用情况。

最简单的融合策略是OR规则：任何一个节点报告“频段忙”，融合中心就判为忙。这个策略能大幅降低漏检概率，代价是虚警概率也会变高，不过对于“保证不干扰主用户”的场景来说，宁可虚警多一点也不要漏检。更精细的融合规则会结合各节点的信噪比做加权。

我用两个电视棒分别在相隔几十米的两个房间同时采集，用OR规则融合后，漏检率比单节点明显下降。原因很简单：某个节点处在阴影区没看到信号，另一个节点可能能看到，协同判断正好补上了这个盲区。

4.4 实操心得：哪些场景适合这些野路子

三种方法各有各的适用面，我把对比列在下面，方便直接做选型参考：

我做认知无线电实验时，经常是联合使用这三种方法。先用能量检测做全网频段扫描，快速排除大量空闲频段；对能量检测结果存疑的频段，用循环平稳检测确认是否存在特定制式的信号；如果要做长期自动监测，再上CNN模型持续分类。

5. 常见问题与排查技巧实录

5.1 快速排查表

这段时间被问到最多的问题，我整理成了一张排查表，遇到同类问题可以直接对号入座：

5.2 我的几个实践体会

排查表之外，有几条经验是踩了多次坑之后总结出来的。

第一，永远保存原始IQ数据。做信号检测实验时，我习惯先保存一份完整的IQ原始数据，再去做后续处理。原始数据是可回放的，调试算法时能反复使用，不用重新采集。如果只存处理后的能量值或检测结果，算法调参时数据不够用，就只能重新安排采集了。实验记录里的IQ文件既是代码调试的素材，也是算法复现的凭证，千万别删。

第二，接收机的增益参数最好固定下来。自动增益控制在通信接收里很常用，但在信号检测实验里，自动增益会让噪声底和目标信号功率同时变化，门限校准就失去了依据。我通常在开始采集之前就把增益设成固定值，再根据噪声底实测结果来校准门限。这样即使换一个环境，也能预测行为变化。

第三，仿真和实采差距大是正常的。在仿真里，信道是理想的加性高斯白噪声，能量检测可以精确控制虚警概率；到了实际环境，多径、阴影、电磁干扰、接收机非线性全部叠上来。所以我的习惯是：仿真结果只作为初步验证，最终判断还是以真实环境采集的数据为准。做认知无线电信号检测，一定要尽快把算法搬到软件无线电平台上跑一跑。真要说哪种玩法最好，我反而觉得没有标准答案。我自己做项目时，会先判断场景：如果只想知道某段频谱是否被占用，能量检测加自适应门限就够了；如果要从干扰中辨认出特定制式信号，循环平稳检测更靠谱；如果是做长期频谱监测并且需要自动识别多种信号，机器学习那套虽然要攒数据，但后劲最足。

最后再分享一个小习惯：无论用哪种玩法，我都会把原始IQ数据完整保存一份。算法可以改，门限可以调，唯独原始数据丢了就再也找不回来。有了数据，你随时能重新评估一种新算法；没有数据，一切只能从头再来。希望这些野路子能帮你少走点弯路，在认知无线电实验里少一点坑，多一点能跑通的东西。