第二章 检测理论
1.二元检测:
① 感兴趣的信号在观测样本中受噪声干扰,根据接收到的测量值样本判决信号的有无。 ② 感兴趣的信号只有两种可能的取值,根据观测样本判决是哪一个。 2.二元检测的数学模型:
感兴趣的信号s ,有两种可能状态:s0、s1。在接收信号的观测样本y 中受到噪声n 的污染,根据测量值y 作出判决:是否存在信号s ,或者处于哪个状态。即:
y(t)=si(t)+n(t) i=0,1
假设:H 0:对应s0状态或无信号,
H 1:对应s1状态或有信号。
检测:根据y 及某些先验知识,判断哪个假设成立。
3. 基本概念与术语
✧ 先验概率:不依赖于测量值或观测样本的条件下,某事件(假设)发生或 成立的概率。p(H 0),p(H 1)。 ✧ 后验概率:在已掌握观测样本或测量值y 的前提下,某事件(假设)发生或成立的概率。 p(H 0/y),p(H 1/y) 。
✧ 似然函数:在某假设H0或H1成立的条件下,观测样本y 出现的概率。 ✧ 似然比:
✧ 虚警概率 :无判定为有;
✧ 漏报概率 :有判定为无;
✧ (正确)检测概率 :有判定为有。
✧ 平均风险: 4.1 最大后验概率准则(MAP ) 在二元检测的情况下,有两种可能状态:s0、s1,
根据测量值y 作出判决:是否存在信号s ,或者处于哪个状态。即: y(t)=si(t)+n(t) i=0,1
假设:H 0:对应s0状态或无信号,
H 1:对应s1状态或有信号。
)
|()|()(01H y p H y p y L =f P m P d P )
(][)(][111110101010100000H P C P C P H P C P C P r ∙++∙+=
如果 成立,判定为H0成立;
否则 成立,判定为H1成立。
利用贝叶斯定理: 可以得到: 如果 成立,判定为H0成立; 如果 成立,判定为H1成立;
定义似然比为:
得到判决准则: 如果 成立,判定为H0成立; 如果 成立,判定为H1成立;
这就是最大后验准则。最佳门限值由先验概率决定。要求在先验概
率已知的条件下进行判决。
已知:先验概率、在各种假设条件下的概率分布/密度函数。
判决依据:观测信号样本。
判决准则:后验概率最大化。
数学描述:似然比是否超过门限。其中门限值为先验概率的比值。
即:以观测样本为依据,以似然比为检测统计量,以后验概率最大为衡量标准(准则),以先验概率比为检测门限。
4.2 最小错误概率准则
如果 成立,判定为H0成立;
否则 成立,判定为H1成立。sony cr33
可以得到: 如果 成立,判定为H0成立; 如果 成立,判定为H1成立;
定义似然比为:
得到判决准则: 如果 成立,判定为H0成立; 如果 成立,判定为H1成立;
结论与最大后验准则完全一致!
即:以观测样本为依据,以似然比为检测统计量,以错误概率最小为衡量标准(准则),以先验概率比为检测门限。
5.1 贝叶斯准则
贝叶斯准则就是以代价最小化为基准的检测判决准则。
平均代价: )|()|(10y H P y H P >)|()|(01y H P y H P >)
()|()()|(000H P H y p y p y H P =)
()|()()|(1100H P H y p H P H y p >)()|()()|(0011H P H y p H P H y p >)|(/)|()(01H y p H y p y L =)
(/)()(10H P H P th y L MAP =<)(/)()(10H P H P th y L MAP =≥)|()|(10y H P y H P >)|()|(01y H P y H P
>)
()|()()|(1100H P H y p H P H y p >)()|()()|(0011H P H y p H P H y p >)|(/)|()(01H y p H y p y L =)
(/)()(10H P H P th y L =<)(/)()(10H P H P th y L =≥)
/()()/()( )/()()/()(11111100110110000000H H P C H P H H P C H P H H P C H P H H P C H P C ++
+=
判决准则:
如果 成立,判定为H0成立; 如果 成立,判定为H1成立; 成立条件:
✓ 已知两种假设条件下的概率密度函数;
✓ 已知先验概率;
✓ 已知代价函数。
5.2贝叶斯准则与最大后验概率准则和最小错误概率准则之间的关系
雪白血红张正隆◆ 当 时,即当两种假设条件下错误判决与正确判决的风险之差为定值(二者相等)时,贝叶斯准则的判决门限仅取决于先验概率比值,此时贝叶斯准则蜕化为最大后验概率准则。此时代价因子在判决过程中不起作用。
◆ 当满足代价:C00=C11 =0, C10=C01=1条件时,即:正确判决无代价,错
误代价相同。贝叶斯准则蜕化为最小错误概率准则。
◆ 如果在判决过程中完全忽略代价、先验概率对判决结果的影响。直接把
判决门限取为1,贝叶斯准则蜕化为最大似然准则
贝叶斯准则的意义是在先验概率已知条件下,对于给定(预先设定)代价函数,平均代价最小的判决方式。
6. 极大极小化准则
当先验概率未知时,通过微分求极值,得到:
钢琴教师影评>摩信网
上式称为极大极小化方程,其中左侧代表H 0假设时的代价,右侧代表H1假设发生时代价,该方程就是的解就是使得两者代价平衡。
求解得出对应贝叶斯风险最大时的先验概率P(H 0)=x=x 0 。此时实际风险对于未知先验概率x 的斜率为0。即极大极小化解与两个条件风险相等的点相对应。在数值上等于在各种可能的先验概率中贝叶斯风险的最大值。
如果 成立,判定为H0成立;
如果 成立,判定为H1成立; ))(())(()(1101100100C C H P C C H P th y L B --=<)
)(())(()(1101100100C C H P C C H P th y L B --=≥11010010
C C C C -=-)]
(1[ )( )()](1[11011000x P C x P C x P C x P C m m f f -+=+-)
自应力混凝土)(1()()(1101000100C C x C C x th y L B ---=≥))(1()()(1101000100C C x C C x th y L B ---=<
极大极小化准则只需要预知风险系数,但不需要预先知道先验概率。
7. NP 准则
聂曼-皮尔逊(Neyman -Pearso n )准则:在虚警概率一定的条件下,使检测(发
现)概率最大的判决准则。
已知:观测样本的概率密度函数 定义似然比为: 判决准则:
如果 成立,判定为H0成立;
如果 成立,判定为H1成立;
门限由给定的虚警概率 决定。
即使在观测样本的概率密度函数 未知,仅 已知时也可以应用。仅需要关于噪声的概率分布情况,而不需要关于信号的任何先验信息。
检测准则及其必备条件
准则
必备条件
先验概率
代 价 贝叶斯
是 是 MAP
是 否 极大极小化
否 是 Neyman -Pearso n 否
否
8. 最大似然准则
最大似然准则:
判定为有信号; 判定为无信号。
即等价的似然比门限取值为1。
9. 序贯检测与延时判决
似然比检测准则:利用一个受噪声干扰的观测样本,计算似然比 ,然后与某
准则下的门限进行比较,作出判决。
输出:只有两种选择:有或无。
物理本质:在虚警和漏报这两种错误之间进行权衡。二者此消彼长,在临界区域
)
|(),|(01H y p H y p )
支护|(/)|()(01H y p H y p y L =NP th y L <)(NP th y L ≥)(α=f P )|(1H y p )
|(0H y p )|()|(01H y p H y p ≥)|()|(01H y p H y p <)(y L
(即信噪比比较低时)顾此则失彼。
存在的问题:随机问题用单个样本分析的结果而不是统计处理的结果进行抉
择,进而做决策。信息量严重匮乏,能力受限。
统计处理:序贯检测+延时判决
判决准则调整为:
其中 和 分别为上、下门限值。似然比高于上门限,判为有信号,低于下门限,判为无信号。
增加一个选择判断的出口,待定。 如果不能得出一个合理、可靠、低风险的结论,不妨暂缓。稍晚作出一个正确的判决总比过早地作出一个错误的判决风险要低得多。
延时判决当然不是消极的等待,而是要通过序贯的多次的测量获取更多的观测样本,为作出正确判决提供强有力的物理支撑。
10. 二元假设下的多样本检测
如果判决时所依据的观测样本有k 个,则数学上可通过定义如下的列向量来简化表示:
多样本条件下的条件概率即似然函数可表示为: 似然比为: 对应的判决是k 维空间的判决问题。其全空间可以划分为两个区域R 0和R1
。如果向量 位于区域 ,i=0或1,则判决为
。 多重测量样本:可以是时域、频域、空域中的同类样本,也可以是来自于不同测
量方式、不同类型的样本。
多样本数据的数学表达与物理意义:
其中u 可以是时间t 、频率f 、角度θ 或其它参数域符号。
下角标i =0,1,分别表示两种假设的信号状态;j 为k 个样本的序号。
α与β分别对应于待测信号在传播过程中的衰减与相移。 判决准则与门限:门限与单个样本时完全一样,差别仅在于似然比的计算是基
于k 维的联合条件概率密度比得到。 ⎪⎩⎪⎨⎧≤<<≥=c a c a th y L D th y L th th y L D y D )(,)(?,)(,)(0
1a th c th T k y y y y ],,,[21 =)
|,,,()(0210H y y y p y p k =)|,,,()(1211H y y y p y p k =)
()()(01y p y p y L =y i R i D k
j i u n u s e u y j ij j j ,,1,01,0),()()( ==+=-βα