信号检测也估计第四篇.pptVIP

检测、估计与调制理论Detection, Estimation, and Modulation Theory(4) 肖海林 hailinxiao@guet.edu.cn 随机参量信号的检测 “噪声中带有未知参数的信号检测问题” 如果发射信号是： 检测问题 随机参量信号的检测(续) 随机参量信号的检测(续) 两种方法： 可以用多元假设检验来解决随机参量信号的检测问题，即把随机参量的每个可能取值也看作是一个假设。这样就可以用多元假设检验的方法来判决信号的存在并确定随机参量，即同时检测信号和估计参量。 有时, 多元假设检验中M很大; 可能不关心估计参量, 仅关心信号存在否? 用复合假设检验 一个例子 条件概率密度函数： 一个例子(续) 一个例子(续) 条件概率密度函数： 复合假设检验 Bayes准则 代价函数 代价函数(续) 代价函数(续) 代价函数(续) 代价函数(续) 代价函数(续) 假定： 因此，使风险最小，就是选择D1使得上式的第3项中的被积函数为零。 因此 如果代价函数与随机参量无关，则： 一个例子(续) 一个例子(续) 条件概率密度函数： 一个例子(续) 一个例子(续) 小结 复合检验时的似然比是对所有可能参量取平均而求得。 性能 Neyman-Pearson准则 代价函数和先验概率未知 例： H1是复合假设 H0是简单假设 则虚警概率P(D1|H0)与随机参量无关 漏报概率 选择判决区域D0和D1，在P(D1|H0)给定得条件下，使 最小。 Neyman-Pearson准则(续) Neyman-Pearson准则(续) Neyman-Pearson准则(续) 经典估计理论(续) 经典估计理论(续) 经典估计理论(续) 非时变参量的估计 参量是随机变量 参量是未知的确定量 时变参量的估计（波形估计） 参数仅可能取有限个数值的特殊情况下,可用多元假设解决同时检测和估计问题. 经典估计方法 矩法 最大似然法 最小二乘估计 最佳线性估计 Bayes估计 Bayes估计 代价 先验概率 常用的代价函数 代价函数 Bayes估计是使代价最小的估计 均方误差代价函数下的估计_1 由于两重积分都是非负的，因此最小化Rms，就等效于最小化第一重积分。 均方误差代价函数下的估计_1 绝对值代价意义上的估计 绝对值代价意义上的估计 最大后验估计 选择使后验概率分布p(a|x)最大的a值作为其估计量。这就是最大后验估计。 最大后验估计 例 最大似然估计 例1，最大似然估计 正态分布母体的n个子样相互独立，则似然函数为： 估计量性能评估 估计值是否接近真实值？ 无偏性 有没有更好的估计？ 最小方差估计 这里，只讨论只有H1是复合假设检验问题而H0是简单假设的问题。 复合假设检验问题中，发送端的信号状态有很多（甚至无限个），信号取决于随机参量。因此信号空间的元素虽然有无限个，但是对于二元的问题而言，判决空间的元素仍然只有2个。 这里，只讨论只有H1是复合假设检验问题而H0是简单假设的问题。 复合假设检验问题中，发送端的信号状态有很多（甚至无限个），信号取决于随机参量。因此信号空间的元素虽然有无限个，但是对于二元的问题而言，判决空间的元素仍然只有2个。 这里，只讨论只有H1是复合假设检验问题而H0是简单假设的问题。 复合假设检验问题中，发送端的信号状态有很多（甚至无限个），信号取决于随机参量。因此信号空间的元素虽然有无限个，但是对于二元的问题而言，判决空间的元素仍然只有2个。 这里，只讨论只有H1是复合假设检验问题而H0是简单假设的问题。 复合假设检验问题中，发送端的信号状态有很多（甚至无限个），信号取决于随机参量。因此信号空间的元素虽然有无限个，但是对于二元的问题而言，判决空间的元素仍然只有2个。 这里，只讨论只有H1是复合假设检验问题而H0是简单假设的问题。 复合假设检验问题中，发送端的信号状态有很多（甚至无限个），信号取决于随机参量。因此信号空间的元素虽然有无限个，但是对于二元的问题而言，判决空间的元素仍然只有2个。 估计问题得模型： 参数空间：源的输出 概率映射：从参数空间到观察空间的映射 观察空间： 估计规则： 矩法不需知道分布情况，简单。 以向书P.29的例9讲述最大似然法。 工程中常用的最小二乘估计和最佳线性估计。 我们着重讲基于统计决策理论的Bayes估计。 讲述检测问题中的代价与估计问题中的差别。 检测中M个假设、M个判决，共M的平方个代价。 估计中参数和参数的估计都是模拟的、连续的。 第一个代价函数是常用的均方误差函数。 设计代价函数的有两个目标： 1.测量估计结果的满意程度。满意程度通常是一个主观感受。 2.选择的代价函数应该利于处理。 因此代价函数