【精选】数学讲义-信号检测-第7章

《【精选】数学讲义-信号检测-第7章》由会员分享，可在线阅读，更多相关《【精选】数学讲义-信号检测-第7章（17页珍藏版）》请在金锄头文库上搜索。

1、168第 7 章 序列检测与稳健性检测7.1 信号的序列检测前面讨论的信号检测问题，信号观测次数 是固定的。它包含两个含义：（1）必须N进行 次信号观测；（2） 次观测后必须作出 成立的判决。NNiH这种判决方式存在两个问题：（1）信号观测次数是否过多？若只须较少的信号观测便能准确判决，过多的观测次数是一种人力和物力的浪费，对于破坏性的信号观测与试验，过多的观测是不能接受的；（2）信号观测次数是否过少？若观测次数太少，所得到的观测信息不够充分，便降低了判决的准确性。实验表明，信号检测过程中的信号观测次数 与信噪比成反比关系。即：对于信噪比N较大的信号，只须较少的信号观测次数（ 较小） ，便能作

2、出合理准确的判决；对于信噪比较小的信号，必须较多的信号观测次数（ 较大） ，才能作出合理准确的判决。在实际问题中，信号的信噪比可能大，也可能小，且事先并不一定能准确的知道，所要在检测前确定一个合理的观测次数 是一件困难的事。序列信号检测可以避免上述矛盾。7.1.1 信号序列检测的基本概念序列检测在进行假设检验时，不预先规定观测次数 ，而是根据实际情况，采用边观N测边判决的方式来确定 。在获得第一个观测信号 时，就开始研究判决所能达到的指N1X标，若能满足指标，则作出判决，信号检测过程便告结束；否则，进行第二次观测，得到观测信号 ，然后利用两次的观测信息 和 进行判决，若判决达到性能指标，则检2

3、X12测过程结束，否则，继续第三次观测，依次进行，直到满足指标，检测过程结束。我们把这种检测称为信号的序列检测。为了说明清楚起见，本节仅限于讨论简单二元信号的序列检测。根据似然比检测原理，相应于 次信号观测，信号检测的检测器为：k10()()kpXHL其要素是似然比函数 及门限 。k与固定观测次数的检测不同点在于序列检测的门限，序列检测设上门限 和下门限1两个门限，当 时，判 成立；，当 时，判 成立；当0()kLX11H()kLX00H时，不作判决，增加观测次数，增加观测样本，按照类似的规则和门限做1()k处理，直到做出判决为止。那么按照上述序列检测的基本思想，它应是逐步进行的。当检测过程进

4、行到第 步时，k已经获得了 个观测信号（ ） ，这 个观测信号可以看作是 维观测空间k12,kX169中的一个点。根据信号检测所采用的准则，对观测空间 进行划分。在简单二元信号序R R列检测的情况下，观测空间 被分成三个互不相交的子空间 ， 和 ，如图 7.1.1 所R012示，其分界面由检测准则决定。图 7.1.1 序列检测的判决域如果信号观测矢量 落在 域，则判决假设 成立；如果12(,)TkkXX 0R0H落在 域，则判决假设 成立；如果 落在 域，则不作出判决，继续进行第kX1RH2次观测。7.1.2 两个门限 和 的计算方法瓦尔德序列检测01设计瓦尔德序列检测的关键问题是根据指定的虚

5、警概率 和漏警概率 ，来计算检FAPM验器的两个门限 和 。01在纽曼-皮尔逊准则下，下面研究检测门限 和 与错误判决概率 和 的关系。01FAP设 次观测信号所构成的 维随机观测矢量为 ,其似然比函数NN12(,)TNNXX为（7.1.1）10()()NpHLX为了计算似然比函数 ，需要对随机观测矢量 进行统计描述，即求 维联NXN合概率密度函数 和 。如果假定各次观测是相互独立的，则似然比函0()NpH1()Np数可以表示为R0判 H0成立R2判 H1成立R1继续观测1701100()()()NkNkpXHpXL（7.1.2）1100()()kNkpp也可以写成 （7.1.3）1()()L

6、XL根据虚警概率 和漏警概率 来计算 和 。记FAPM0, （7.1.4）FAP进行下列检验，若 （7.1.5）1()NLX则判决假设 成立；1H若（7.1.6）0()NL则判决假设 成立；0若（7.1.7）01()NLX则需要进行下一次观测，根据 再进行检验。对于给定的约束值 和 ，有10()NRpXHd（7.1.8）1 110()()(NNRRpXHLd（7.1.9） 式中， 代表 为真时判决 成立的正确判决概率，所以必满足（7.1.5）式，即11H1，将其带入（7.1.9）式，得()NLX101()NRpXHd（7.1.10）从而有不等式1711（7.1.11）类似的可以求得关于门限 的

7、不等式为01（7.1.12）因为序列检测的条件是，当似然比函数 时，判决假设 成立，而似然比检测1()NLX1H门限的理论值为 ，只有取 理论值的上限时，似然比检验时才能有足够的观测11次数，以满足性能要求指标。所以检测门限 的设计公式为1（7.1.13）采用类似的分析方法，可得检测门限 的设计公式为001（7.1.14）如果采用对数似然比检验，则（7.1.2）式变为1ln()l()ln()NNkkLXLX（7.1.15）对应的检测门限为 和 。0l17.1.3 序列检测的平均观测次数信号序列检测能确保信号检测的精度，但信号序列检测的最大优点是在给定的检测性能要求下，它所利用的平均观测次数最少

8、，即平均检测时间最短。下面证明这一结论。求序列检测的平均观测次数，也就是求在假设 为真和假设 为真的条件下作出判1H0决所需要的观测次数的平均值 和 ，其中 是终止观测的观测次数，是1()EN0()N一个随机变量。假设观测量 都是独立同分布的，即来自同一总体 ，则iXX11ln()l()ln()l()NNkkkLLXL172（7.1.16）式中， 可以认为是任意一次观测的似然比函数。这样有()LX1111ln()ln()ln()()NEHELXHELXNH（7.1.17）于是有（7.1.18）11l()()nNELX由 NP 准则，检测结束，当 为真时，有：1H0l()lNP1nLX当 为真时

9、，有：0H0l()lNPH1nLX信号序列检测到第 次观测时终止，检测结束，可认为 近似取 和 之一，ln()NLX1ln0即检测结束时，有： 01ln()lNPLHX或 0ln()l1NL1PH于是， 的条件均值为l()NX110ln()()lnlNEL（7.1.19）010l()l()lH（7.1.20）将式（7.1.19）代入式（7.1.18） ，则在假设 下，所需的平均观测次数是1173101()lnl()()ENHLX（7.1.21）类似地，在假设 为真的条件下，所需的平均观测次数是0100ln()l()ENHLX（7.1.22）这样，可求出总平均观测数为（7.1.22）10()pE

10、qNH其中 ， 分别是 和 发生的先验概率。1pPH0q瓦尔德（Wald）和沃尔福维茨（Wolfowitz ）已经证明，对于 和 已经确定，这FAPM种序列似然比检验的平均观测次数 和 最小。1()ENH0()序列检测由于出现了不做出判决的中间结果，是否会出现在 和 之间发生振1ln0荡无止境呢？结论是：肯定不会。若 ，需要进行下一次观测再作处理。我们知道，01ln()lnNLX落在 和 之间的概率总小于 1，即l()N0l()lNpr所以，在 次观测中，对数似然比 落在 和 之间的概率，即nnLX0ln1ln()kLX全部落在 和 之间的概率为(1,2)k 0l11()lnnpr因此，当 时

11、Nn01liml()l0NPLX这说明当 时， 落在 和 之间的概率等于零，即序列似然比检验是()n0n有终止的，或者说序列似然比检验以概率 1 结束。虽然序列似然比检验是有终止的，但人们在使用中宁愿规定一个观测次数的上限 。*N当观测次数达到 仍不能判决是，就转为固定观测次数的检验方法，强制作出假设 或*N 1H174者 成立的判决。这类序列似然比检验称为截断的序列似然比检验。0H例 7.1.1 在二元数字通信系统中，两个假设下的观测信号分别为0:,12,kX1k其中，观测噪声 ,各次观测统计独立，且观测是顺序进行的。试确定在()kN， 时的判决规则；并计算在每个假设下，观测次数 的平均0.

12、FAP0.M N值。解： 若进行到第 次观测，似然比为2/211 20/21()()exp()()expNkNNNkNXpXHL对数似然比为1ln()2NkLX两个检测门限分别为1l().970n=21因此似然比判决规则为若 ，则判决假设 成立；12.97NkX1H若 ，则判决假设 成立；1.1k0若 ，则需要再进行一次观测后，再进行检验。12.972.97NkX在假设 和假设 下，观测次数 的平均值分别为H0N175101()lnl()()ENHLX100ll() ()式中，111ln()()()22ELXHEEn00其中 是任意一次的观测噪声。于是有1()3.5ENH0上述结果表明，平均观

13、测 4 次就可以达到预期性能。7.2 稳健性检测7.2.1 概述对于信号统计检验的理论和方法，大致可以分成两种类型。一类是信号的参数检测，它要求准确掌握观测信号的概率分布特性。另一类是信号的非参数检测，它可以在完全不知道观测信号概率分布特性的情况下，根据检测单元样本数据和参考单元样本数据比较所得的结果设计信号检测器，实现信号的检测，所以又称为分布自由检测。非参数检测虽然适应性强，但针对性差，其检测性能一般低于参数检测性能，且要求信号观测次数 N较大。从工程实用性出发，本书不讲述非参数检测方法。从严格意义上讲，实际工程问题中最有可能遇到介于两类检测之间的情况，即部分掌握观测信号的统计特性，但又不

14、足以得到其确切的概率分布描述。例如，在某些雷达、通信系统中，信号模型 中噪声 的统计特性虽然基本上属于高斯型，(),()Xtst()t但并不完全一致，实测结果往往是其概率密度函数在均值附近与高斯分布一致，但在远离均值的“尾部”却与高斯分布差异较大，表现为一个衰减慢于高斯分布的“宽尾巴” 。这说明噪声主要由高斯型噪声组成，但也含有一小部分的其他类型的噪声。对于这种情况，参数检测与非参数检测方法都不适合，可采用稳健性（Robust）检测方法。稳健性指的是一种韧性，稳健性检测指的是检测器的性能对于噪声 统计特性变化()t的非敏感性，即：当信号的实际统计模型与假设的统计模型有较小的差异时，检测性能只受

15、到较小的影响，不会因为实际模型的变化使检测性能严重变差。当实际的统计模型与所假设的理论模型一致时，稳健性检测性能良好，但达不到某种准则下的最佳性能，所以稳健性检测不是最佳检测，这是为追求稳健性所付出的代价。另176外，当实际的统计模型与假定的理论模型存在较严重的偏离时，稳健性检测器仍有一定的检测能力，而不至于完全失效。7.2.2 混合模型与决策准则（1）混合模型描述在噪声和干扰比较复杂的情况下，观测信号的概率密度函数可能是多个密度函数的组合，其中起主导作用的那部分的概率密度函数通常是已知的。Huber 将这一问题概述为混合模型，它是由两个分布的线性组合构成，其中一个主分布函数已知（通常为高斯分布） ，另一个是所占比例为 的任意分布。Huber 混合模型用集合的形式表示为：(7.2.1) ():(1)(),01FqXpXhH