第三章 非高斯白噪声中的信号检测(已校)
非高斯非平稳背景噪声中的信号检测方法

式中: W x i ( k ) 为接收信号的小波包系数 . 前面以W x i ( k ) 代 x ik , W s i ( k ) 代 s ik , 可得虚警
图 1 非平稳时间序列 n (k ) 的波形
概率为
PF =
对上述非平稳序列做小波包变换, 分解时采 用 Shannon 熵, 小波包由 d b20 小波生成, 分解 4 层 . 前 4 个子空间上的小波包系数波形如图 2 所 示 .
根据小波包变换的定义, 图 2b ) 对应着信号 的小波系数. 显然, 小波变换无法分离此信号的平 稳项与周期项. 而利用小波包变换可以得到位于 信号高频部分的小波包系数, 从图 2 中可以看出, 在第 1, 2, 4 子空间上的小波包系数主要为非平稳 项, 应予去除.
4 仿真实验及讨论
在通讯、 雷达和声纳系统中, 正弦波是一种常 用的信号波形 . 运用文中提出的检测算法对湮没 在非高斯非平稳背景噪声中的正弦信号进行检 测, 设待检测确知信号为 x ( t) = A co s ( 2Π 2 400 t) 式中: 非平稳项同例 1, 平稳项为自由度为 2 的 ς 2 分布噪声 . 采用的小波包同例 1, 分解 4 层, 虚警 概率为 0. 000 1, 信噪比定义为信号能量与噪声方 差之比 . 分析信号和噪声的小波包系数可知, 信号 的主要成分位于第 5 和 13 子空间, 而噪声周期项 主要位于第 4 和 8 子空间, 二者不重叠 . 故将第 5 和 13 子空间上的小波包系数作为分集检测法的 输入 . 令信号幅值由小到大变化, 运用M on te Ca r2 . lo 法得到不同信噪比下的检测概率如图 3 所示 图 3 中, 曲线 1 是背景噪声为平稳高斯分布 情 况 下 经 典 最 优 信 号 检 测 理 论 的 检 测 结 果,
非高斯混响背景下的信号检测的开题报告

非高斯混响背景下的信号检测的开题报告题目:非高斯混响背景下的信号检测一、研究背景和意义目前,在信号检测领域中,大多数研究都是基于高斯噪声环境下的。
但实际上,许多环境可能存在非高斯噪声,比如由于雷暴、闪电等天气原因造成的噪声,或是在医学影像处理中出现的噪声。
由于这些噪声不符合高斯分布的假设,所以普通的信号检测方法可能无法很好地应对这种情况。
因此,本研究旨在针对非高斯混响背景下的信号检测进行研究。
主要目标是开发出一种适用于非高斯噪声背景下的实际信号检测方法,提升信号检测的精度和鲁棒性,并在工程实践中推广应用。
二、研究内容和方法本研究的研究内容主要包括以下方面:1.非高斯噪声的统计特性分析首要任务是对非高斯噪声进行统计特性分析,从而深入了解其来源及其统计规律,并确定适用于该噪声背景下的信号检测算法。
2.信号检测理论与算法研究本研究将探索非高斯噪声背景下的信号检测理论和算法,包括最小加权方差检测、适应性滤波、蒙特卡罗方法等,从而找到适用于非高斯噪声背景下的信号检测理论和算法,并对算法的优缺点进行分析。
3.算法效果验证在得出适合该噪声背景下的信号检测算法后,我们将进行实验验证。
实验将包括虚拟信号和实际信号两部分。
在虚拟信号实验中,我们将模拟出真实噪声模型,用模拟的信号来验证算法的效果;在实际信号实验中,我们将收集一些现实数据来验证算法的可行性。
三、可行性分析本研究旨在对非高斯噪声背景下的信号检测方法进行研究,其研究结果可用于天气预报、医学影像分析等领域。
目前国内外对此方面的研究较少,本研究的成果对应急救援、工业自动化等领域有较大的实用价值。
四、预期成果及时间安排本研究的预期成果是开发出适用于非高斯噪声背景下的信号检测算法,并在实验中验证算法及其性能。
具体时间安排如下:第1-2个月:文献调研与分析,掌握非高斯噪声背景下的信号检测理论与算法第3-4个月:非高斯噪声的统计特性分析第5-6个月:信号检测算法设计与分析第7-8个月:算法效果验证实验方案设计第9-10个月:算法效果验证实验数据获取与处理第11-12个月:数据分析、结果总结、论文撰写与答辩五、经费预算本研究所需经费包括设备费、取样费、文献费、差旅费等,预计总费用为60万。
非高斯噪声中的信号检测

说明:非高斯噪声通 常具有较大的拖尾 拉普拉斯
-2
-1
0
1
2
3
4
5
1.非高斯噪声的性质
零均值PDF非高斯性描述:峰态(kurtosis)
E ( w [n]) 2 2 2 3 E ( w [n])
高斯PDF : 均匀PDF :
4
E (w [n]) 3 2 0
4 4
w[n] ~ U [ 32 , 32 ] 2 1.2
检测性能: PD Q[Q1 ( PF ) d 2 ]
2. 非高斯噪声中的确定性信号检测
p( w) w i ( A) dw p( w)
2
Fisher信息:
基于单个观测数据
例2: 拉普拉斯噪声中弱直流电平检验:
H 0 : z[n] w[n]
n 0,1,..., N 1
s[n]
n 0
N 1
H1 ' H0
非高斯噪声中确定性弱信号的NP检测器结构
2. 非高斯噪声中的确定性信号检测
pw ( z[n]) N 1 z[n] T (z ) s[n] pw ( z[n]) n 0
高斯分布时
1 T (z ) 2
1
0 1
p( w[n]) k
k 1 M 2 1 1 w [ n] exp 2 22 2 k k
权值因子:
k 1
M
k
1
2. 非高斯噪声中的确定性信号检测 例1: 非高斯噪声中直流电平检验:
H 0 : z[n] w[n]
h( y[n])
第三章 噪声中信号的检测

{
( xk − E { xk }) | H i = E {nk2 | H i } = Var {nk } = σ 2
2
}
( xk − sik )2
2σ 2
噪声
噪声n(t)是零均值,带宽为 ,谱密度为 σ2 N0/2的高斯带限白噪声。
N0 , sn (ω ) = 2 0,
极大似然准则
− ut ut
0.4
0.3
= −vT 1 e 2π
− v 2
2
0.1
−6
1.487×10
0 −5
P ( D0 | H1 ) = ∫
4
2
0 x
2
4 5
dv
2
∞ 1 − u2 P ( D1 | H 0 ) = ∫ e du = ∫ uT − vT 2π 所以P ( D1 | H 0 ) = P ( D0 | H1 )
T 0
二元确知信号的最佳检测系统
X x(t) s1(t) X s0(t) x(t) X s1(t)-s0(t)
∫
T
0
+ -
+
∫
T
0
β
∫
T
0
+ -
β
性能分析 I的密度函数 的密度函数
I是x(t)线性运算的结果,因此I是高斯随 机变量 x(t)
E ( I | H0 ) = E =E
T 0 0
{∫ s (t ) s (t ) dt} + ∫ E {n (t )}s (t ) dt − E {∫ s ( t ) dt} − ∫ E {n ( t )}s ( t ) dt
第三章_高斯白噪声中的信号检测

1 N 2 2 ln ( x ) 2 x s 2 x s ( s s k 0k k 1k 0k 1k ) 2 2 n k 1 考虑到: 2 N 00 N 0 (t ) n 2 2t 0
ln (x)
随机参量信号检测
信号的多脉冲检测 序贯检测
1.1、二元通信系统(1/16)
系统模型 在时间 0, T 内,发射信号为 s0 t 或 s1 t ,接
收信号为
H 0 : x(t ) s0 (t ) n(t ) H1 : x(t ) s1 (t ) n(t )
T T
, siN , nN
T
i 0,1
x si n 或 xk sik nk
k 0,1,
,N
n(t )是高斯分布 nk 高斯分布
xk也是高斯的,均值与sik 有关。
求出(x) 似然函数,可进行检测。
6/4/2014 6
1.1、二元通信系统(4/16)
故xk的pdf :
2 ( xk sik ) 1 p(xk|H i )= exp 2 2 n 2 n
6/4/2014
N 00 其中, 2
2 n
9
1.1、二元通信系统(7/16)
概念补充:
cov( x, y)
1).x,y不相关 相关系数 xy
H0
H1
6/4/2014
15
1.1、二元通信系统(13/16)
T 0
x(t )s1 (t )dt
T
0
N0 1 T 2 2 x(t )s0 (t )dt ln 0 s ( t ) s 1 0 (t ) dt (2.17) 0 2 2
信号检测与估计理论(3)第三章 克拉美-罗下限

exp ⎧⎨− ⎩
1
2σ 2
N
−1
(
x[
n]
−
s[n;θ
])2
⎫ ⎬
n=0
⎭
3.3 WGN中信号的CRLB
一阶偏导
∑ ∂ ln
p(x;θ ) ∂θ
=
1
σ2
N −1
( x[n] −
n=0
s[n;θ ])
∂s[n;θ ] ∂θ
二阶偏导 数学期望
∑ ∂2
ln p(x;θ ) ∂θ 2
=
1
σ2
N −1 ⎨⎧( x[n] −
ln p (x;θ ∂θ 2
)⎤ ⎥ ⎦
(3-16)
显然,当估计获得CRLB时,其方差就是Fisher 信息的倒数。下界越小,信息越多。Fisher信 息有如下性质:
1、Fisher信息是非负的(根据(3-11)式)。 2、对于独立的观测,Fisher信息满足可加性。
由此,可以得出如下结论:对N个IID观测的 CRLB是单次观测的1/N倍。
3.3 WGN中信号的CRLB
(3-5)
与 p(x[0]; A) 有关,仅是A的函数。上式值越大,估计量的方差 就越小。
3.2 克拉美-罗下界(CRLB)
定理3-1(标量形式的CRLB)假设PDF p(x;θ ) 对
所有可能的 θ 满足“正则”条件
E
⎡ ⎢⎣
∂
ln
p(x;θ ∂θ
)
⎤ ⎥⎦
=
0
那么任何无偏估计 θˆ 的方差一定满足
−
1
2σ 2
N −1
(x[n] −
n=0
A)2
⎤ ⎥
⎦
高斯白噪声中信号的检测
斯噪声。高斯噪声具有如下的重要性质。
(1)高斯噪声的概率密度值依赖于均值、方差和协方差。
因此,对于高斯噪声,只需要研究它的一、二阶数字特征就可
了。
(2)广义平稳的高斯噪声也是严平稳的高斯噪声。
(3)高斯噪声的线性组合仍是高斯噪声。
(4)高斯噪声与确定信号相加的结果只改变噪声平均值,
(2)带通白噪声
如果平稳随机信号或平稳随机过程的功率谱密度在 为中0 心 的频带 内Ω为非0常数,而在频带 外Ω为0,则称为带通白噪声。 带通白噪声可以看作是理想白噪声通过理想带通滤波器后的输
维概率密度为
pn (n1,t1 )
1
2
(t1
)
exp
[n1
2
m(t1 )]2 2 (t1 )
(4.1.1)
4.1 高斯白噪声
4
第4章 高斯白噪声中信号的检测
式中:n1为高斯噪声 n(在t) 时t1刻的取值,即 ;n(t1) 和m(分t1 ) 别为 2 (t1) 的均值和n(t方1) 差。
1
第4章 高斯白噪声中信号的检测
主要内容
4.1 高斯白噪声 4.2 高斯白噪声中二元确知信号的检测 4.3 高斯白噪声中多元确知信号的检测 4.4 高斯白噪声中二元随机参量信号的检测 4.5 多重信号的检测
2
第4章 高斯白噪声中信号的检测
4.1 高斯白噪声
噪声是指与接收的有用信号混杂在一起而引起信号失真的不 希望的信号,是一种随机信号或随机过程。加性噪声与有用信 号呈相加的数学关系,包括信道的噪声以及分散在信息传输系 统中各种设备噪声。加性噪声虽然独立于有用信号,却始终叠 加在信号之上,干扰有用信号。它会使模拟信号失真,会使数 字信号发生错码,并且限制传输的速率,对信息传输造成危害。 如果能够很好地掌握噪声的统计特性及规律,就能降低它对有 用信号的影响。
信号检测与估计第三章
+∞
th1
⎛ N1μ − th1 ⎞ = Φ⎜ ⎟ ⎜ N 1σ ⎟ ⎝ ⎠
⎛ N1μ − N1σΦ −1 (1 − α1 ) ⎞ ⎛ N1 μ ⎞ −1 PD1 = Φ ⎜ = Φ⎜ − Φ (1 − α1 ) ⎟ ⎟ ⎜ ⎟ ⎜ ⎟ σ N σ 1 ⎝ ⎠ ⎝ ⎠
• 若采用符号检测器,其检验统计量为:
0 2,1
ARE
N1 = N2
0 2,1
渐近相对效率定义如下:
N1 ARE2,1 = lim ARE = lim H1 → H 0 H1 → H 0 N 2 N →+∞ N →+∞
N 2 →+∞
1
N 2 →+∞
1
渐近相对效率是检测器在 H1 → H 0 条件下样本数趋于无穷时 的相对效率。它是比较两种检测器性能的一种指标。
⎧ H 0 : f ( xi ) = f ( − xi ) ⎨ ⎩ H1 : f ( Asi + xi ) = f ( Asi − xi )
2)若只知道噪声分布的中位数为零,可表示为: 1 ⎧ H0 : F ( 0) = ⎪ ⎪ 2 ⎨ ⎪ H : F ( As ) = 1 1 i ⎪ ⎩ 2
定义非随机检验函数(连续型):
( ) ( ) ( )
k >0
• 混合型噪声的概率密度函数为:
⎧ ⎧ x2 ⎫ ε 1− ε ⎪ 2 x f ( x) = exp ⎨ − 2 ⎬ + exp ⎨ − 2πσ 1 2σ 2 ⎩ 2σ 1 ⎭ ⎪ σ2 ⎩ ⎫ ⎪ ⎬ ⎪ ⎭
3.2.1 衡量检测器性能的指标
1. 检测器渐近相对效率 假设二元假设检验问题有两个检测器,若它们具有相同的 虚警概率和检测概率所需的观测样本数分别为 N1 , N 2 , 则定义第2个检测器对于第1个的相对效率为:
第二章高斯白噪声中的信号检测(已校)
x y
0
x, y统计独立:两随机事件的发生没有关系 独立的 p x, y p x p y , E xy E x E y x, y正交 E xy 0
选择t ,则x1 , x2 , xn 不相关 c
又因其高斯分布,故统计独立
2
H1 : E xk s1k
2
k E xk xik n t 的方差
2 n t 方差 n 对功率谱的积分为
实际信号接收机是带限的,有带宽-c c
接收到的噪声: N0 Sn 2 相关函数: - c c
2 2
故xk的pdf: xk sik p xk H i exp 2 2 k 2 k 1
2
选择采样间隔t,使x1 , x2 , xn 是不相关的, 其为高斯分布 x1 , x2 , xn 是统计独立的。
x, y不相关 相关系数pxy cov x, y
P( D1 | H 0 )
0.5
0.5
1 x exp[ ]dx 0.362 4 4
P( D0 | H1 )
相应的检测概率为 P( D1 | H1 ) 1 P( D0 | H1 ) 0.638
1 ( x 1) 2 exp[ ]dx 0.362 4 4
§2.2高斯白噪声下确知信号的检测
首先研究二元通信系统(二择一)。二元通信系统中, 最佳检测系统是对观测波形进行处理,即在两个假设 中选择一个。
H 0 : x(t ) s0 (t ) n(t ) H1 : x(t ) s1 (t ) n(t ) (0 t T ) (0 t T )
第3章(3.4)_重复以前的内容只不过在信号空间的角度来讲(课本第5章学习要点全)
3.4加性高斯白噪声信道的最佳接收机——课本第5章节学习要点●确知信号(5.1~5.3)●随相信号(5.4)内容:3.4.1受AWGN恶化信号的最佳接收机(5.1节学习要点)1. AWGN信道下最佳接收机2. 最佳接收准则与相关度量3.4.2无记忆调制的最佳接收机(5.2节学习要点)1. 二进制调制的错误概率(5.2.1)2. M元正交信号的错误概率(5.2.2)3. M元PAM的错误概率(5.2.6)4. M元PSK的错误概率(5.2.7)5. QAM错误概率(5.2.9)3.4.3 AWGN信道中随相信号的最佳接收机(5.4节学习要点)二进制随相信号的最佳解调(5.4.1)重复以前的内容,只不过在信号空间的角度来讲。
3.4.1受AWGN 恶化信号的最佳接收机 ——课本5.1节学习要点一、AWGN 信道下最佳接收机 1. 接收机的分析(1) 接收机的组成(实信号)M m T t t n t s t r m ,,2,1 ,0 ),()()( =≤≤+=(实信号)(2) 功能(从最佳接收原理-ML 准则分析)解调器 — 通过将)(t r 变换成N 维空间向量N T N R r r r ∈=],,,[21 r ,其中各个分量是)(t r 在N 维正交基N k k t f ,,2,1)}({ =上的投影分量,且相互统计独立。
从而将函数空间的处理,转化为N R 空间的处理。
从而将似然函数分解∏==Nk m k m s r p s p 1)()(r 。
其中,第k 个分量为 N k t f t r r k k ,,2,1 )),(),(( ==MFSK 信号:若以正交发送信号集(碰巧信号是正交的)1,2,...,{()}m m M s t =作为正交基N k k t f ,,2,1)}({ =,则N=M 。
即,似然函数()m p s r 分解成M 个相互独立的未知参数1,2,...,{}m m M s =的似然函数,再通过检测器比较它们的大小,即可得到最佳判决(最小P e )。
- 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)。
V a r [ xi / H 1 ] V a r [ xi / H 0 ]
p ( xk | H i ) n维 联 合 分 布 p ( xn | H i ) ( x k s ik ) 2 1 ex p 2k 2 k
n
k 1
( x k s ik ) 2 1 ( ) ex p 2 k 2k
2
(3) 若 R n ( ) 是 实 偶 f k ( t ) 是 实 的 。
( 4) x(t) 的 K -L 展 开 步 骤 : a. 按 ( 3.7) 求 出 正 交 函 数 集 f k ( t ), k =1, 2... b. 按 ( 3.4) 计 算 K-L系 数 x k
2、 高 斯 色 噪 声 中 的 确 知 信 号 检 测 二 元 检 测 : H 0: x ( t ) = s 0( t ) + n ( t ) H 1: x ( t ) = s 1( t ) + n ( t ) n ( t ) 是 零 均 值 、 平 稳 、 高 斯 , R n ( ) 如何检测? 0 t T
3 .1 高 斯 色 噪 声 的 信 号 检 测
二 元 检 测 : H 0: x ( t ) s 0 ( t ) n ( t ) H 1: x ( t ) s1 ( t ) n ( t )
0tT
n (t ) : 零 均 值 高 斯 分 布 , 平 稳 的 ,
相 关 函 数 R n ( ) 或 S n ( )
0
T
T 0
f i ( t1 ) f j ( t 2 )R n (t 1 -t 2 )d t 1 d t 2
T 0
*
T 0
f i ( t1 ) [
*
f j ( t 2 )R n (t 1 -t 2 )d t 2 ] d t 1 (3 .6 )
仅当
T 0
f j ( t 2 )R n (t 1 -t 2 )d t 2 j f j ( t1 )(3 .7 )
jk 0 t
0
dt
2 T
T
g (t )e
jk 0 t
定 义 : f k (t ) e g (t )
jk 0 t
k
a k f k ( t ) dt
*
显 然 : f k (t )相 互 正 交
T
f i ( t ) f j ( t ) dt C ( i j )
3.0 引言
第一章:建立了噪声中信号检测的理论基础 检测:利用概率和统计工具,在某一个最佳 准则下,设计检测器的数学模型,即设计最 佳接收机。 第二章:高斯白噪声背景的信号检测
基 于 和 信 号 与 噪 声 分 类 的 检 测
信号
确知信号 随机参量信号 随机信号
随相信号 随幅信号 随频信号 随机TOA 白噪声
求 出 单 一 数 据 点 的 p d f;
( 能 不 能 求 ?由 分 布 决 定 ? ? )
问题: ( 1 )若 n ( t ) 是 高 斯 分 布 但 非 白 , R n ( ) N0 2
( )
即 : S n ( w ) 常 数 x1 , x 2 , ..., x n 不 可 能 不 相 关 ; 此时如何对信号进行检测? 高斯白噪声背景下信号的检测问题。
0
s1 ( t ) f k ( t ) d t
*
T 0
条件方差: V a r [ x i ] E { [ x i E ( x i )] } co v( x i , x i )
2
由 公 式 ( 3 - 6 ) an d ( 3 - 7 ) V a ) i f i ( t1 ) d t1 i
( )
S n ( )
N0 2
其 中 : 幅 度 分 布 为 高 斯 p d f确 知
实 际 情 况 : 带 限 白 噪 声 : R n ( )为 辛 格 函 数
以 t=
0
为 间 隔 采 样 , x1 , x 2 , ..., x n 不 相 关 独 立 ,
p ( x | H i ) p ( x1 | H i )... p ( x n | H i ) 似 然 比 (x) p(x | H1) p(x | H 0 )
2
1
似然比: ex p
n) = (x
p ( x n| H 1 ) p ( x n| H 0 )
(x
k 1 n
n
k
s1 k )
2
H 2k 1 2k H0
2 ex p ( x k s 0 k ) k 1
0
取对数:
*
T 0
s (t ) f k (t ) d t
nk
T 0
n (t ) f k (t ) d t
*
K L 系 数 : x k= s k n k
( 2 )Q n ( t ) 高 斯 零 均 值 平 稳 R n ( ), xi , x j不 相 关 独 立 , 且 i V a r [ xi ] i
* 0
T
x
k k
*
f k ( t ) f j ( t ) dt x j
*
xk
T 0
x ( t ) f k ( t ) d t (3 .4 )
称 之 为 K L分 解
对 接 收 信 号 : x (t)= s(t)+ n (t) 若 x(t)的 K-L分 解 系 数 为 xk , 观 察 ( 3.4) , 因 n ( t ) 高 斯 分 布 x k为 高 斯 分 布 . 若 x k间 不 相 关 , 则 x k间 相 互 独 立 。 下 面 观 察 x k的 相 关 系 数 协 方 差 : A. B. E [ x k ] = s (t ) f k (t ) d t
T 0
R n ( t ) h1 ( ) d s1 k 5R5 (5t 5 5 )5f5 (5F) d E
0 n k k fk ( t ) T
k 1
k
s
k 1
1k .
f k ( t ) s1 ( t )
h 1 (t ) * R n (t )
*
若 同 时 满 足 C =1, 则 称 集 合 { fk(t)}, k=1,2,...为 归 一 化 的 正 交 函 数 集
。
利 用 { fk(t)},对 任 意 信 号 x(t),可 分 解 为
x ( t ) = x k . f k (t )
k
0 t T (3 .3 )
T 0
x ( t ) f i ( t ) dt
当 n : G 1 lim G 1 ( n )
n
T 0
1 x ( t ) s1 ( t ) h1 ( t ) d t 2
h1 ( t )
s1 k
k 1
k
f k (t )
( 3.21)
观 察 : h 1 (t ) * R n (t ) = =
加性噪声
高斯噪声
非高斯噪声
色噪声 白噪声
色噪声
第二章:所有假设均为高斯白噪声背景
即 : n (t ) 高 斯 白 噪 声 : H 0 : x (t ) s0 (t ) n (t ) H 1 : x ( t ) s1 ( t ) n ( t ) R n ( ) N0 2
问 题 : 如 何 判 决 H 0, H 1为 真 ?
1` 信 号 的 卡 亨 南 - 洛 维 展 开 ( Karhunen-Loeve) (K-L分 解 ) 若 g(t): 以 T为 周 期 的 周 期 信 号 , 则 可 展 开 为 FS: g(t)= ak 1
k= -
T
a ke
高斯
使 K - L 系 数 x i间 不 相 关 独 立 。
K-L分 解 的 结 论 :
( 1 ) 若 { f i ( t )} 是 完 备 的 归 一 化 正 交 函 数 集 , 对 x (t)= s(t)+ n (t) xk 0tT sk
T 0
x (t ) f k (t ) d t 分 隔
(第三章第一部分内容)
(2) 若 n ( t ) 是 非 高 斯 分 布 , 且 非 白 x 1 , x 2 , ... , x n 不 可 能 相 互 独 立 且 pdf 未 知 或 部 分 已 知 即 : n (t )分 布 未 知 时 如 何 检 测 信 号 ? ? 非参数检测。(第三章第二部分内容)
H1
ln ( x n )
1
144444442 4444 4 443
G1 ( n )
2
n
s1 k
k 1
k
( 2 x k s1 k )
1
144444442 444444 43 H 0
k 1 G0 ( n )
2
n
s0 k
k
( 2 x k s1 k )
检测的步骤:
检测
求似然比 (x)
进一步化简似然比,确定门限。
求 似 然 比 p ( x | H i ); 即 : 求 N 个 数 据 点 的 联 合 p d f;
前 提 : 联 合 p d f可 分 离 成 各 数 据 点 p d f的 连 乘 ; (能 不 能 求 ? 由 自 相 关 函 数 或 功 率 谱 决 定 ??)