信号检测与估计试题及答案
《信号检测与估计》第九章习题解答
T x 2 (t )dt −2 A
0
Tx(t
0
)sin
(ω
0
t
+θ
)dt
+
A
2
T 0
sin
2
(ω
0
t
+θ
)dt
⎟⎞ ⎠
由于 ∫0Tsin 2 (ω0t
+ θ )dt
=
1 2
∫0T(1 − cos 2(ω0t
+ θ ))dt
=
T 2
，得到
( ) ∫ ∫ f
x A,θ
−1
= Fe N0
T x 2 (t )dt 2 A
ω0
ω0
s(t
)
=
⎪ ⎨
A
⎪
⎪ ⎪⎩
A（1
+
cos
ω0t）
− 2mπ < t ≤ 2mπ
ω0 2mπ
<t
≤
(2ωm0 +1)π
ω0
ω0
试证明时延τ
的无偏估计量的方差为
σ
2 τˆ
≥
3 + 4m
(2E / N0 )ω02
。其中 E 为信号能量。
解：略
9.4 接收信号 x(t) = s(t) + n(t)，s(t)的到达有时延τ ，求时延τ 的无偏估计量τˆ 的最小方差。其中 n(t)
⎤ ⎥⎦
∫ ∫ ∫ ∫ [ ] = 4
N
2 0
T / 2 ∂s(t −τ )
−T / 2 ∂τ
T /2
E
−T / 2
n(t )n(u )
∂s(u −τ ) dudt
电子科技大学信号检测与估计2016期末考试
信号检测与估计试题答案三、（15分）现有两个假设00,11,:,1,2,,:,1,2,,j j j j j j H y u z j K H y u z j K=+==+=其中观测样本j y 为复信号，0,1,,j j u u 是复信号样本，j z 是均值为零、方差为2*z j j E z z σ⎡⎤=⎣⎦的复高斯白噪声，代价因子为001101100,1c c c c ====，先验概率010.5ππ==（1）试写出两假设下的似然函数()0p y 和()1p y ，其中12[,,,]T K y y y y =；（4分）（2）采用贝叶斯准则进行检测，给出信号检测的判决规则表达式；（6分） （3）在上题基础上，计算虚警概率。
（5分） 解：（1）观测样本j y 在假设0H 下的概率密度函数为()20,0221exp 1,2,,j jj z z y u p y j K πσσ⎧⎫-⎪⎪=-=⎨⎬⎪⎪⎩⎭……..（2分）由于样本间互相独立，则K 个观测样本的联合概率密度函数为()()()()()20010200,22111exp K K j j Kj z z p y p y p y p y y u σπσ=⎧⎫==--⎨⎬⎩⎭∑…….（1分）同理可得，在假设1H 下的似然函数为()()()()()21111211,22111exp K K j j Kj z z p y p y p y p y y u σπσ=⎧⎫==--⎨⎬⎩⎭∑…….（1分）（2）首先计算似然比：()()(){}{}1**011,0,22221102222exp Re Re K K j j j j j j z z z z p y L y y u y u p y εεσσσσ==⎧⎫==--+⎨⎬⎩⎭∑∑其中∑==K j j u 12,00||21ε，∑==K j j u 12,11||21ε。
……..（2分） 然后，计算贝叶斯准则似然比门限为()()010********B C C C C πτπ-==-………（2分）因此，根据{}{}1**011,0,22221102222exp Re Re 1K K j j j j j j z z z z D y u y u D εεσσσσ==≥⎧⎫--+⎨⎬<⎩⎭∑∑ 化简可得最后的判决表达式：(){}1*1,0,101Re Kj j j j D y u u D εε=≥--<∑ ……..（2分） （3）在假设0H 下，j y 是均值为0,j u 、方差为2z σ的复高斯随机变量，因此，统计决策量(){}*1,0,1Re Kj j j j y u u μ==-∑ 为高斯分布随机变量，其均值和方差分别为：{}002r E H με=- （1分）{}()()220101222z r z r Var H σμεεσεε=+-=+- （1分）其中，*0,1,Kj jr i uuJ ρρρ=+=∑ 定义为两信号的相关系数。
信号检测与估计试题——答案(不完整版)
一、概念：1. 匹配滤波器。
概念：所谓匹配滤波器是指输出判决时刻信噪比最大的最佳线性滤波器。
应用：在数字信号检测和雷达信号的检测中具有特别重要的意义。
在输出信噪比最大准则下设计一个线性滤波器是具有实际意义的。
2. 卡尔曼滤波工作原理及其基本公式(百度百科)首先，我们先要引入一个离散控制过程的系统。
该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：X(k)=A X(k-1)+B U(k)+W(k)再加上系统的测量值：Z(k)=H X(k)+V(k)上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。
A和B是系统参数，对于多模型系统，他们为矩阵。
Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。
W(k)和V(k)分别表示过程和测量的噪声。
他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。
下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。
首先我们要利用系统的过程模型，来预测下一状态的系统。
假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：X(k|k-1)=A X(k-1|k-1)+B U(k) (1)式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。
我们用P表示covariance：P(k|k-1)=A P(k-1|k-1) A’+Q (2)式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。
《信号检测与估计》第十章习题解答
《信号检测与估计》第十章习题解答10.1 设线性滤波器的输入信号为()()()t n t s t x +=，其中()[]0E =t s ，()[]0E =t n ，并且已知()ττ-e =S R ，()ττ-2e=N R ，()0=τsn R ，求因果连续维纳滤波器的传递函数。
解：连续维纳滤波器与离散维纳滤波器的形式是相同的，即()()()()+⎦⎤⎢⎣⎡−⋅⋅=s B s P s B s H xs w112opt σ 因此需要求解()t s 的复功率谱和()t x 的时间信号模型。
考虑到信号与噪声不相关，因此观测数据的功率谱就等于信号的复功率谱加上噪声的复功率谱。
对观测数据的复功率谱进行谱分解，就可以得到()t x 的时间信号模型。
()t s 的复功率谱为()()()20s -10s 1-s --121111e e e e s s s d d d s P S −=−++=+==∫∫∫∞−+∞++∞∞−τττττττ ()t n 的复功率谱为()2s -2-44e es d s P N −==∫+∞∞−τττ因此，观测数据的复功率谱为()()()()()()()()()s s s s ss ss s P s P s P N S X −+−++=−+−=+=2211-226441122 取12=w σ()()()()s s ss B +++=2126()()()()()()()()()s s s s s s s s B s P s B s P N xs +=−==1-2-262-2-1-2612--2令()()()s B s P s F xs -=，()τf 是()s F 的拉普拉斯反变换。
要求()τf 是因果的，可将s 平面右半平面的极点扔掉，()()()[]12e 61,e Re e21-s s +=−==∫τττπτs F s ds s F jf C给()τf 取因果，并做拉普拉斯变换，得到()s d s F +⋅+=⋅⋅+=∫∞++11126e e 1260s --τττ()()()()()()())()()122261112626211112opt +++=+×+×+++×=⎦⎤⎢⎣⎡−⋅⋅=+ss ss s s s B s P s B s H xs wσ10.2 设已知()()()n n n s n x +=，以及()()()z z z G S 4.014.0192.01−−=−，()1=z G N ，()0=z G sn ()n s 和()n n 不相关。
信号检测与估计答案1
信号检测与估计答案15-2 若观测方程为i i x s n =+()1,2,,i N =，其中信号()2~0,s s N σ，噪声()()2~0,1,2,,i n n N i N σ=独立同分布，且信号与噪声满足{}0i E sn =。
求s 的最大后验概率估计ˆMAP s。
解：依题意，以信号s 为条件的观测样本的概率密度函数为()()()2112221,,|exp 22N i i N Nnnx s f x x s σπσ=⎡⎤-⎢⎥⎢⎥=-⎢⎥⎢⎥⎣⎦∑信号s 的概率密度函数为()222ss f s σ⎛⎫=- ⎪⎝⎭则由上面两式可得()()()()()211222212221ln ,,|ln exp 221ln 22N i i N N nn Ni i N n n x s f x x s ss x s s σπσσπσ==⎧⎫⎡⎤⎧⎫-⎪⎪⎢⎥⎪⎪∂∂⎪⎪⎪⎪⎢⎥=-⎨⎨⎬⎬∂∂⎢⎥⎪⎪⎪⎪⎢⎥⎪⎪⎪⎪⎩⎭⎣⎦⎩⎭⎡⎤-⎢⎥∂⎢⎥=-∂⎢⎥⎢⎥⎣⎦∑∑()22222ln ln 22s s s s f s s s s s s⎧⎫⎡⎤⎛⎫∂∂⎪⎪=-⎥⎨⎬ ⎪∂∂⎥⎝⎭⎪⎪⎦⎩⎭⎡⎤∂=-⎢⎥∂⎢⎥⎣⎦=-σσσ最大后验概率准则为()ˆmax |MAP f θθθ=x ，即()ˆ|0MAPf θθθθ=∂⎡⎤=⎢⎥∂⎣⎦x ，又可表示为()()ˆln |ln 0MAPf f θθθθθθ=∂∂⎡⎤+=⎢⎥∂∂⎣⎦x ，将之前结果带入其中可得2221ˆNs MAP ii ns sx N σσσ==+∑ 。
5-4已知观测信号0()cos()()x t A t n t ωθ=++(0)t T ≤≤,式子中()n t 是零均值，功率谱为2N 的高斯白噪声，θ是在[0,2)π上均匀分布的随机变量，求A 的最大似然估计和估计量的均方误差。
解：0()cos()()x t A t n t ωθ=++()x t 的似然函数为：020002220000022000000()cos()()1(|,)exp [()cos()]1exp [()2()cos()cos ()]12exp [()()cos()2TTTTTT x t A t n t f x A F x t A t dt N F x t dt x t A t dt At dt N A A T F x t dt x t t dt N N N ωθθωθωθωθωθ=++⎧⎫=⋅--+⎨⎬⎩⎭⎧⎫=⋅--+++⎨⎬⎩⎭⎧⎫=⋅-++-⎨⎬⎩⎭⎰⎰⎰⎰⎰⎰因为1(),022f θθππ=≤≤ 所以202200000(|)(|,)()12exp{}exp [()()2Tf x A f x A f d A TAq F x t dt I N N N πθθθ=⎧⎫=⋅--⎨⎬⎩⎭⎰⎰ 其中22200002200000()sin ()cos 12ln (|)ln ()ln ()2T TT q x t tdt x t tdt A T Aqf x A F x t dt I N N N ωω⎡⎤⎡⎤=+⎢⎥⎢⎥⎣⎦⎣⎦=--+⎰⎰⎰令000ln (|)20()0f x A AT AqI A N A N ∂∂=⇒-++∂∂ （1）假设SNR,即02Aq N 足够大，则00022()Aq AqI N N ≈0022ˆ(1)0MLAT q q A N N T⇒-+=⇒=由2220000()sin ()cos T Tq x t tdt x t tdt ωω⎡⎤⎡⎤=+⎢⎥⎢⎥⎣⎦⎣⎦⎰⎰知22202221()exp(())()242T T TqA T qATf q q I σσσ=-+所以222323240001()2T T qq x x q T q E qf q dq AT e dq e AT x e dx AT σσσ=-+∞+∞+∞-⎛⎫−−−→ ⎪==←−−− ⎪⎝⎭⎰⎰⎰ 所以221ˆ()()2MLE A E q AT A T T ==⋅= （无偏估计） 200024ˆvar(),var()44T ML N T N T N q A T T σ====5-11. 假定已知信号112()cos cos 2...cos p s t a t a t a p t ωωω=+++212()sin sin 2...sin p s t b t b t b p tωωω=+++观测信号12()()()()x t s t s t n t =++，()n t 是均值为0、均方差为1的高斯白噪声。
信号检测与估计理论(复习题解)-精选文档
a ba 0 图 2. 1 (b)
ab y
2 b y x
2 2 y 4 x
第2章 信号检测与估计理论的基础知识 例题解答
例 2 . 3 设连续随机信号 x ( t ) a cos( t ), 其振幅 a 和频率 已知 相位 在 [ , ) 范围内均匀分布。分析 该信号的广义平稳 并求其自 差函数 。 解 ： 分析该信号是否满足广 义平稳的条件。 信号的均值 ( t ) E a cos( t ) a cos( t ) p ( ) d x
2 1 ( y b ) / 2 1 x p ( y ) exp 2 2 2 2 2 x x 1 2
2 1 y ( 2 b ) x exp 2 2 8 8 x x 1 2
二. 离散随机信号矢量
1. 概率密度函数描述 。 2. 统计平均量：均值矢量 , 协方差, 协方差矩阵。 3. 各分量之间的互不相关 性和相互统计独立性及 关系。 4. 高斯离散随机信号矢量 的概率密度函数及特 点： x ~ N ( μ , C ), 互不相关等价于相互统 计独立 , 独立同分布 x x
E ( x b ) b
y
2 y
2 2 22 E ( y b ) E ( x b b ) E ( x 0 ) a / 6
第2章 信号检测与估计理论的基础知识 例题解答
当 a b 2 a 时, p ( y ) 的函数曲线如图 2 . 1 (b)所示 。 p ( x) p( y ) 1/ a 1/ a
第 1章
信号检测与估计概论
《信号检测与估计》第十二章习题解答
《信号检测与估计》第十二章习题解答12.1 采用下式给出的有偏自相关函数的定义，并加窗，得到BT 谱估计器：()()()()()()⎪⎩⎪⎨⎧−−−−−=−+=+=∑∗1,,2,11ˆ1,,1,01ˆL L N N m m R N m m n x n x N m R X X ()⎪⎩⎪⎨⎧−≤=其它011N m m W N()()()()∑−−−=−⋅⋅=11e ˆˆN N m m j X N X m R m W G ωω证明该BT 估计器与周期图相同。
解：()()()()()()()()()()()()()()()()()211111111e 1e e 1e e 1e 1e ˆˆωωωωωωωωj N N m n m j nj N N m nj n m j N N m m j N N N m m j X N XX N m n x n x N m n x n x N m n x n x N m W m R m W G =⋅+⋅⋅=⋅⋅+=⋅⎥⎦⎤⎢⎣⎡+⋅=⋅⋅=∑∑∑∑∑∑∑−−−=+−−∗−−−=−+−∗−−−=−∗−−−=− 12.2 设自相关函数()3,2,1,0,==m m R m X ρ。
试用Levinson-Durbin 递推法求解AR （3）模型参量。
解： ()()ρ−=−=0111X X R R a 110=a()()221121101ρσ−=⋅−=X R a ()()012211122=+−=σX X R a R a ρ−=⋅+=11221121a a a a ()2212222211ρσσ−=⋅−=a因此模型为一阶 ()()[]()012322222133=⋅+−=σX X X R a R a R a021332232=⋅+=a a a aρ−=⋅+=22332131a a a a()2222332311ρσσ−=⋅−=a 所以模型为()()()n w n x n x +−=1ρ12.3 设5=N 的数据记录为：10=x ，21=x ,32=x ,43=x ,54=x ，AR 模型的阶数3=p 试用Levinson-Durbin 递推法求模型参量。
《信号检测与估计》第四章习题解答
(3sinω0T
−
2sin3ω0T
)
则判决规则变为
H1
I
> <
β
H0
两种错误判决的概率分别为
+∞
∫ P(D1 | H0 ) = β f (I | H0 )dI
《信号检测与估计》习题解答
β
∫ P(D0 | H1) = −∞ f (I | H1)dI
平均错误概率 Pe 为
∫ ∫ Pe
= P(H0 )P(D1 | H0 ) + P(H1)P(D0
T 0
[x(t
)−
B
cos(ω2t
+φ
)]2
dt
《信号检测与估计》习题解答
( ) ( ) ( ) f xH0 =
1
∫ − 1
e N0
T 0
[x
(t
)−
s
0
(t
)]2
dt
=
2π σ k
1
∫ − 1
e N0
T 0
[x
(t
)−
A
cos
ω1t
−
B
cos(ω
2
t
+φ
)]2
dt
2π σ k
根据最小差错概率准则有
0 N0
T 2 s2(τ )dτ = 2a2T
0 N0
N0
输出信号
xo (T
)
=
T
∫0
h(t )x(T
−
t )dt
=
∫Ts(T 0
− t)x(T
−
t )dt
=
T
∫0
2 N0
s(τ
)x(τ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(1). 若 为常数，求 的最大似然估计。
ˆ 1 N ln xiБайду номын сангаасN i 1
(2). 判断 的最大似然估计是否是有效估计？ 因为
ˆ HX B ，其中 H C M N , B C M 1
(1). 用最小均方误差准则确定矩阵 H , B 。 （用 , x 的一阶和二阶统计量表 示。 ）
H cov( , x ) cov1 ( x , x ) B E ( ) cov( , x ) cov 1 ( x , x ) E ( x)
2 ) ，做 H1 判决，反之做 H 0 判决。 ln 2 3
2
4. 求解下列问题 (1). 什么是序贯检测？
A1 , D1 ( x) A0 , D0 other , more obervation
(2). 对二元检测 P D1 H 0 ， P D0 H1 若，推导瓦尔特序贯检测的门
1 (2). 若是线性调频信号， 即 s1 (t ) A1 cos(1t t 2 ) 0 t T , 2 / 1 T ， 2
是常数，再求 Pe 结果相同。
3. 设有两种假设分别为：
H 0 : P0 ( x)
x2 1 exp 2 2 2 1 x A, A 0 H1 : P 1 ( x) 2 A 0 x >A
(2). ˆ 是否无偏
是无偏估计。
7. 求解下列问题。 (1). 什么是卡尔曼滤波，写出卡尔曼滤波的状态方程，观测方程和滤波方程
S (k ) aS (k 1) W (k 1) X (k ) cS (k ) V (k ) ˆ (k ) a S ˆ (k ) b X (k ) S
1 2
x0
e
1 ( x 2)2 2
dx 1 ( x0 2)
(2). 若虚警概率 P D1 H1 P 1 ，用纽曼皮尔逊准则确定检测门限和漏检概率
P D0 H1 。(注：公式表明计算方法即可) 设：
1 ( x) 2
1 e dt , e f c ( x) 2
(ln p( x | )) ˆ ) ，所以是有效估计。 2 (
(3). 若 服从 ~ N (m, 2 ) ，求的最大后验估计。
ˆ
2 ln xi m
i 1
N
N 2 1
6. 设观测量为 x(t ) s(t , ) n(t ) ， [1 , 2 ,..., n ]T 是待估参数向量， m(t ) 为 测量噪声，现用 N 个相互独立的观测样本构成向量 x [ x1 , x2 ,..., xn ]T ，线性 估计表示为
0 1
接受信号为 x(t ) si (t ) n(t ), i 0,1 。 n(t ) 是均值为 0，功率谱密度为 N0/2 的高斯白噪声，设 P( H 0 ) P( H1 ) 1/ 2 (1). 求检测的平均错误概率 Pe
Pe erfc(
T ( A0 A1 ) 2 ) 4 N0
若
1 1 2 2 A
2 A2 ) ，做 H1 判决，反之做 H 0 判决。
当 A ln(
2
(2). 若 A 在[0,3]内均匀分布，且设
2 ，重新完成(1) 2
若 A 在[0,3]内均匀分布，
1 2 1 ，则有 ， 2 2 A 2
当 X ln(
(1). 若 A 为常数，利用最大似然判决准则确定判决区域 D0 和 D1 。 a) 若 x A, P 1 ( x) 0 判 H 0 为真。 b) 若 x A
P0 ( x)
1 1 1 ,若 ，则一定 P 1 ( x) P 0 ( x) 2 2 2 A
H1 判决为真
k k
(2). 确定卡尔曼滤波方程的准则是什么？写出准则的表达式。 小均方误差准则
2 ˆ (k ) Pk E[ ek ], ek S (k ) S
Pk P 0, k 0 ak bk
(3). 卡尔曼滤波方程与实际观测值和滤波误差有无关系？在滤波过程中如果 状态方程发生变化，会有什么结果？ 答：与实际观测和滤波器误差无关。若状态方程发生变化，则实际系统 和所用模型不符，滤波性能将变差。 8. 设有随机变量 X 的 2 个观测样本值 xk a nk , k 1, 2 ， a 是待估计量，且
信号检测与估计试题
1. 一次采样信号表示为 x s n ，信号两种假设：
H 0 : s 2 H1 : s 2
(1). 设代价因子 C00 C11 0, C10 1, C01 2 ， 用极大极小值准则确定检测门限 和检测概率 P D1 H1
P( D1 | H1 )
限值。 对, :
1
, 0
1
(3). 若 101 ， 102 计算瓦尔特序贯检测的门限值。 同（2） 。 1
1
0.99 0.01 9.9, 0 0.011 0.1 1 0.9
5. 设 X 服从对数正态分布，其概率密度函数为
r
x0
x
t2 2
e
x
t2 2
dt
1 P( D0 | H1 ) 2
e
1 ( x 2)2 2
dx ( x1 2)
2. 利用最大似然准则，设计接收机对下面的两种假设作出判决：
H 0 : s0 (t ) A0 cos(0t ) 0 t T , 2 / 0 T H1 : s1 (t ) A1 cos(1t ) 0 t T , 2 / 1 T
E[a] ,Var[a] 2 。 nk 是功率为 0，方差为 2 的白噪声。用线性最小误差
ˆ 。说明 a ˆ 是否是无偏估计。 估计 a
ˆ a
1 [ 2 ( x1 x2 ) 2 ] 为无偏估计。 2 2
2