现代信号分析讲.pptVIP

47 第二章 信号检测的基本概念 本章主要内容 －－噪声中的信号检测问题 信号检测基本任务： 从含噪声的观察值中判断信号是否存在 判断中需要： 先在假设条件下对含噪声观察值进行统计处理 服从某种规定的判决准则 用于判决的准则可以多种多样，但基本工具为：利用数理统计的假设检测方法 1 、假设检测 假设检测的基本思想: 对含噪声的观察值，基于某些先验概率知识 根据某种判决准则，在假设H0，H1，…，HM-1中作出观察值到底属于何种假设的判断 信号检测问题的分类: 从假设数目看 二元检测(假设数目只有两个：“有”或“无”) 多元检测 从判断依据的观察数目看 单次观察(只对一项特征作一次观察) 多次观察(多次观察，或对多项特征进行观察) 从描述先验知识的参数看 简单假设检验(描述先验知识的参数已知) 复合假设检验(描述先验知识的参数未知) 被检测的信号还可以分为: 确定信号(信号可以完全已知，也可以参数未知) 随机信号(概率分布可以已知，也可以含有未确定因素) 2、各种检测准则 考虑到一个二元检测的问题： 假设观察值x是信号s=A和噪声n的叠加，则存在两种情况为： H0假设：观察值x中不存在信号s，即：x=n H1假设：观察值x中存在信号s ，即：x= s+n 当已知统计知识： 先验概率 P(H0)、P(H1) 噪声的概率密度函数 p(n) 则对于单次观察值x=x1，如何判别此时出现的是情况H0，还是情况H1？ 极大后验准则可以表示为： 根据贝叶斯公式，后验概率可以写成: 根据先验概率关系式：P(H1)＝1－P(H0) 解： 解： 解： 解：下图给出条件概率密度函数的示意图 3、多次观察 上一节讨论了二元检测中的单次观察问题 多次观察问题的两种情况： 为使判决更可靠，有时需要作多次的观察 对多项特征进行观察后作出判决 多次观察结果或多项特征构成一个观察矢量 检测问题变为：如何根据观察矢量进行判决 单次观察中的x变成了观察矢量X： X＝[x1 x2 … xN] 单次观察中的条件概率密度函数变为多维的联合条件概率密度函数 上节中得到的单次观察时二元检测的公式在多次观察时基本不变，只是将一维的条件概率密度函数替换为多维的联合条件概率密度函数 解：根据题意，有 解：根据题意，有 4、多元检测 以上讨论了二元检测的问题 多元检测问题：在信号和图像的模式识别中，有时需要根据观察值，从多个假设中作出选择 多元检测可以是单次观察问题，也可以是多次观察问题 不失一般性，研究对观察矢量X＝[x1 x2 … xN]，如何从M个假设中选择合适的一个的问题 解：设难、一般和容易为：H1、H2、H3，优、良、中、差用x1、x2、x3、x4表示，做对、做错记为xi1、xi2(i=1，2，3，4) 此时观察矢量X可以表示为：X＝[x11 x21 x32 x42] 对于难题，优、良同学做对的条件概率为： P(x11|H1)=0.70，P(x21|H1)=0.60 中、差同学做错的条件概率为： P(x32|H1)=1-0.45=0.55，P(x42|H1)=1-0.30=0.70 ? 一道难题被优、良同学做对，中、差同学做错的条件概率为： P(X|H1)＝P(x11|H1) P(x21|H1) P(x32|H1) P(x42|H1)＝0.1617 同样得到对于一般题目和容易题目，条件概率分别为： P(X|H2)＝P(x11|H2) P(x21|H2) P(x32|H2) P(x42|H2) ＝0.90×0.80×0.30×0.40＝0.0864 P(X|H3)＝P(x11|H3) P(x21|H3) P(x32|H3) P(x42|H3) ＝0.95×0.90×0.20×0.25＝0.04275 进一步计算后验概率的大小，得： P(X|H1) P(H1)＝0.1617×0.2=0.03234 P(X|H2) P(H2)＝0.0864×0.6=0.05184 P(X|H3) P(H3)＝0.04275×0.2=0.00855 由于P(X|H2) P(H2)最大，所以可以将这道题目判为