信号估值检测3.pptVIP

检测、估计与调制理论Detection, Estimation, and Modulation Theory(3) 肖海林 hailinxiao@guet.edu.cn 复习 Neyman-Pearson准则 Bayes准则：需知先验概率和代价因子 ——引出问题： 如果先验概率和代价因子两者都不知道，如何建立一个适当的判决准则？？ 思路：设计接收机的两个重要指标是它的虚警概率PF和检测概率PD。通常，我们希望PF尽可能小而PD尽可能大。然而，这两者是相关的（常常是PF减小而PD也减小）。 因此，我们将问题改为： 在固定PF为一个较小值α的情况下，如何使PD取得最大值？ Neyman-Pearson准则 虚警与漏报 Neyman－Pearson准则 约束： Neyman-Pearson准则推导1 构建函数： Neyman-Pearson准则推导2 Neyman-Pearson准则 Neyman-Pearson准则推导3 接下来的问题就是要选择门限μ，使得 Neyman-Pearson准则例1 加性高斯噪声N(0, sigma2)中，对电压1伏或0伏的检测 要求，根据一次采样值x，在PF=0.1的条件下，做最佳检测。 Neyman-Pearson准则例1（续） Neyman-Pearson准则例1（续） 总结 以上各类准则，归根结底都是“似然比检验”。 贝叶斯(Bayes)判决 M元假设检验 M元假设检验(续) 在简单M元假设检验中，有M个输出，每个对应M个假设中的一个。 必须在M个假设中作出判断，选择其中一个作为判决，因此假设与判决的组合共有M2个。 Bayes准则对每种可能的组合赋予一个代价，并假定一些先验概率P (H1) ，P (H2) … P (HM) ，并对风险进行最小化。 Neyman-Pearson准则也可以如此类推。 Bayes准则（M元） 复习 复习 Bayes准则（M元） 对每个可能的判决、假设组合设定一个代价Cij，那么风险函数： M元Bayes检验的风险函数 M元Bayes检验的风险函数(续) M元Bayes检验的风险函数(续) M元Bayes检验的风险函数(续) 因为: M元Bayes检验的风险函数(续) M元Bayes检验的风险函数(续) M元Bayes检验的风险函数(续) 以M=3为例。有： M元Bayes检验的风险函数(续) 可定义似然比： M元Bayes检验的风险函数(续) 最小错误概率准则(续) C00=C11=C22=0, Cij=1, i != j 代入前面的公式，有： 最小错误概率准则(续) 最大似然准则 最大后验概率准则 用类似2元假设检验时的方法可以得到M元的最大后验概率准则 P (H0|X)、 Pr (H1|X)和Pr (H2|X) 例 H1：电压1 H2：电压2 H3：电压3 H4：电压4 加性高斯噪声N(0,sigma2) 代价Cij=1, i != j; Cii=0 先验概率均相等 n次采样 似然比 似然比 似然比 M元假设总是导致一个(最多) M-1维的判决空间。 最小错误概率准则 Cii=0, Cij=1, i != j 代入前面的公式，有： 风险函数与平均错误概率Pe相等，因此被叫做最小错误概率准则。 最小总错误概率有： 似然函数 在某些应用中，确定各类错误的代价和先验概率都比较困难，因此不能使用最大后验概率准则或极大极小化准则，而必须使用既不包含先验概率，也不估计代价的准则。 也即，在虚警概率不变的情况下，最大化PD或最小化PM的Neyman-Pearson准则。 由第一个公式知，如果PF＝alpha’，这时，最小化F，就最小化了PM。 由最后一个公式知，如果选择区域Z0，使得方括号中的量为负的观察空间中的点全在z0内，那么F取得最小值。 因此这也是个似然比检验的问题。 最后一个方程的解就是这个问题的解。 这部分内容来自L.Van Trees的《Detection, Estimation, and Modulation Theory》P.46。 前面3项表征了固定代价，而后面的积分部分表征了可变代价，即依赖于判决域Z0、Z1和Z2的可变代价。 显然，如果我们选择每个判决域Z0、Z1和Z2，使得该域内积分为最小，则该观察空间内的点判决为该假设。即设每个对应被积函数为 I0（R），I1（R），I2（R） 把这里定义的似然比代入到上两页的不等式中，就可以得到下一页的公式。 一些特别的M元Bayes检验。 上述值表明所有错误都有同等的重要性，并结合前面的公式，这就等效于最小化总错误概率。 * * 贝叶斯准则: 检测概率PD=1-PM 漏报概率 虚警概