第十三章 生物医学信号处理3.pptVIP

* 第三节 多次观察 对于多次观察，判决公式与上一节单次观察的判决公式基本相同，只须用多维概率密度函数代替公式中的一维概率密度函数，或者以观察矢量X=[x1,x2,…,xn]代替观察值x。 （1）最小失误概率准则和极大后验概率准则： * （2）贝叶斯准则为： （3）似然比准则为： 上述式子中 p(X|H1)=p1(x1,x2,…,xn)， p(X|H0)=p0(x1,x2,…,xn)，均为多维联合概率密度函数，由它们找到的阈值也是多维的，运算非常繁琐，应用也不方便。 * 为简化，提出如下解决方案： 一、建立映射关系，把多维观察矢量映射成一维的检验统计量。 但是这样的映射关系的统计量未必能找到，即使找到，其概率密度函数往往比较复杂。 二、假如各次观察xi互相独立且同分布，此时，由于各观察值相互独立，因此 p(X|H0)=p0(x1) p0(x2) .…. p0(xn)= p(X|H1)=p1(x1) p0(x2) .…. p0(xn)= * 将它们代入判决公式 取对数，则有： xi的对数似然比。 * 例4：设所含信号s是恒定值A，噪声n是高斯型随机变量N(0, )。 H1: x=A+n ; H0: x=n 进行N次观察得到观察值x1,x2,…,xN，应该如何进行判断？ 提示：N次观察判据公式为： 也就是： 即： * 多次观察比单次观察具有的优势是：观察次数越大，错误概率越小。 说明：如果各x都是高斯信号，检验统计量x均值也是高斯信号，但x均值的方差减小，x均值的似然函数图像变尖变窄，因此PF、PM都将减小，故PE也减小。所以，N越大，PE越小。 为了保证各次观察相互独立，采样间隔至少要等于1/(2B)（B为带宽）。所以，N越大，所需观察时间就会越长。也就是说检测性能的改进要以观察时间的加长为代价。 * 第四节 多元检测 信号或者图像的模式识别，疾病的统计诊断等，常常需要从多个假设中作出选择，即多元检测问题。 §4.1 离散型随机变量 有M个假设，N个观察值构成观察矢量X=[x1,x2,…,xN]，先验知识为 先验概率：P(H1),P(H2),…,P(HM)。 条件先验概率：p(X|H1), p(X|H2),…, p(X|HM)。 * 那么，后验概率是： 对于不同的假设，上式分母都相同，故极大后验概率准则为：比较上式分子，即分别计算 取其值最大的一个假设作为判决。 当X中各元素相互独立时，下式成立： * 举例讨论多元检测贝叶斯准则。 先列出不同判决的代价函数表为： §4.2 连续型随机变量 判决 真实情况 H1 H2 ……… HM H1 C11 C12 …….. C1M H2 C21 C22 …….. C2M …….. …… ……. ……… …….. HM CM1 CM2 …….. CMM * 令 为后验概率，即观察x属于Hi的概率。那么，选择Hj作为判决付出的平均代价为： 由贝叶斯公式，用先验概率表示后验概率，则平均代价应为： 上式中对于各个判决分母都相同，令 取 最小值对应的假设Hj作为判决。 这就是多元检测的贝叶斯准则。 * 例5：四个假设H1,H2,H3,H4为 H1：x=s1，s1是高斯变量N(1, ) H2：x=s2，s2是高斯变量N(2, ) H3：x=s3，s3是高斯变量N(3, ) H4：x=s4，s4是高斯变量N(4, ) 假如i=j时，cij=0，i≠j时，cij=1，且 P(H1)=P(H2)=P(H3)=P(H4)。 分别讨论单次观察和多次观察情况下的判决准则。 * 单次观察高斯变量 的概率密度曲线 多次观察高斯变量 的概率密度曲线 * function []=multidetect() x=(-1:0.1:5); px1=(1/sqrt(2*pi))*exp((-(x-1).*(x-1))/2); px11=(1/(sqrt(2*pi)*0.7))*exp((-(x-1).*(x-1)))/(2*(0.7.*0.7)); px2=(1/sqrt(2*pi))*exp((-(x-2).*(x-2))/2); px22=(1/(sqrt(2*pi)*0.7))*exp((-(x-2).*(x-2)))/(2*(0.7.*0.7)); px3=(1/sqrt(2*pi))*exp((-(x-