第三讲_经典检测和估计理论讲述.pptVIP

2.2 简单二元假设检验 假定观测空间对应一组N个观测值： 。可以用矢量r表示： 由例题可推出接收机工作特性的一般性质 性质1：所有连续似然比检验的接收机工作特性都是向上凸的。如果不是，则随机化检验应当比检验更好，这与似然比检验为最佳的结论相矛盾。 性质2：所有连续似然比检验的接收机工作曲线均位于PD=PF之上。这条线正好是性质1的特殊情况，因为点（ PD=0，PF=0 ）和（ PD=1，PF=1 ）包含在所有接受机工作特性曲线之中。 性质3：接收机工作特性曲线在某一特定点处的斜率等于门限值 由于该门限值 可以得到该店的PD和PF值。 性质4：当贝叶斯风险最大值在P1轴的（0,1）区间内时，极大绩效检验的工作点是直线。 2.3 M元检测 1、Bayes准则：为了得到贝叶斯检验没我们将每一个作用过程的代价表示为 ，第一个下标表示选择第i个假设，第二个下标表示第j个假设为真，我们把观测空间中选择Hi的空域表示为Zi，切其先验概率为Pi。 推广到M元，风险（平均代价）： 把观测空间划分为M个互不重叠的子空间 划分选择 ， 使 最小 （M=3） 可以证明使得 最小的准则等效为下面的判决规则 许树声，“信号检测与估计”，P70 判决时根据R 计算每个 ，哪一个最小就判决哪一个 成立 根据R判决Hi为真的条件代价为 (1) 因此判决规则（1）的意义是：在给定的R 的条件下，哪个假设 带来的代价最小就判决那个假设 成立 例题推导 如果 ，可导出判决条件： 2、最大后验概率准则（最小总错误概率准则）： 由于此时 2.4 估计理论 估计的概念：在时间域( , )内对信号参数 进行观测，得到观测值{ , t }的情况下，要求按一定的准则构造一个观测数据的函数 作为 的估计， 称作被估计量或真值， 称作估计量， 称作观测量。 估计准则 估计问题：根据对受噪声污染信号的观测来估计参量、 随机过程或系统特性的一种数学方法。 估计问题的模型由四个部分组成： 参数空间、从参数空间到观测空间的概率映射、观测空间、估计规则。模型如下图所示： 2.4.1、随机参数的Bayes估计（把代价因子变为代价函数） 定义估计误差： 代价函数 ：由于估计产生误差所产生的代价 平方误差代价 绝对误差代价 均匀代价 风险 a：待估计的随机参数（单参数） A：随机参数a的可能取值 ：后验概率 1、平方误差代价函数： 求 使 最小，可令 得 ＝0 得最小平方误差代价的Bayes估计： 是a的可能取值A关于R的后验概率的平均值 对 求导，并令其为0， 是对后验概率 的中值估计 2、绝对误差代价函数： 3、均匀代价函数： 可以看出， 应选在 最大值时，满足： MAP方程： 估计为 称最大后验概率估计 三种估计等效条件： 单峰对称，代价 对称非降 例： 估计被噪声污染的，随机参数a a是高斯型： n 进行n次观测： 若采用最小方差估计，算出后验概率密度： 已知 代入后验概率密度公式，得： 考虑到 是对任意R下，a的条件概率密度 整理得 为高斯分布，则最小方差估计 为其条件均值： 讨论： 噪声小，参数不确定性大， 测量值可信 信号较确定，噪声很大， 测量值无用 充分统计量 计算条件均值困难，只有高斯假设下有解析解 Gauss下三种代价得出 一样 ① ② ③ ④ ⑤ 2.4.2、实参数估计 a非随机，P(A)不存在，Bayes方法不能用 可以修正一下Bayes方法，去掉对A的平均，再考虑使用平方误差准则： 使 最小，得： ，由于A是未知的待估参数，必须用其它方法找出 与测量值R的关系 极大似然估计：ML(Maximum Likelihood Estimation) 回到MAP最大后验概率估计： 对A取导数： 由于没有先验概率可利用，只取第一项： 这样，就得到ML方程： 所得到的估计值 称极大似然估计 所以ML估计相当于先验知识趋于0时的MAP估计，用于：①非随机参数；②均匀分布；③不知道先验分布的情况。 即选这样一个