信号检测不同虚警概率下检测性能曲线MATLAB仿真

合集下载

误码率matlab

误码率matlab

误码率matlab
误码率(Bit Error Rate,简称BER)是衡量数字通信系统性
能的重要指标之一。

在MATLAB中,我们可以使用各种方法来计算和
分析误码率。

一种常见的方法是使用通信系统工具箱(Communications System Toolbox)中提供的函数来进行误码率分析。

首先,我们需要生成一个适当的信号来模拟数字通信系统。


以使用随机数生成函数来创建数字信号,然后将其调制为模拟信号。

接下来,我们可以加入信道模型,例如高斯噪声信道,以模拟实际
通信环境中的噪声影响。

然后,我们可以使用接收端的解调器对接
收到的信号进行解调,并与发送端的原始信号进行比较,以计算误
码率。

在MATLAB中,可以使用通信系统工具箱中的函数如awgn(添
加高斯噪声)、modulate(调制)、demodulate(解调)等来实现
上述步骤。

一旦接收到解调后的信号,我们可以使用比特比特比函
数(biterr)来计算误码率。

除了这种基本方法外,MATLAB还提供了许多其他用于误码率分
析的工具和函数。

例如,可以使用误码率曲线(BER curve)来可视
化不同信噪比下的误码率表现,以便更直观地了解系统性能。

此外,还可以利用MATLAB的并行计算功能来加速大规模误码率仿真的计算
过程。

总之,MATLAB提供了丰富的工具和函数来进行误码率分析,可
以根据具体的通信系统模型和需求选择合适的方法进行计算和分析。

希望这些信息能够帮助你更好地理解在MATLAB中进行误码率分析的
方法。

雷达检测概率模型研究

雷达检测概率模型研究

雷达检测概率模型研究作者:李秀金王坤范江涛于卫刚来源:《现代电子技术》2013年第21期摘要:针对传统雷达检测概率计算复杂性的问题,基于雷达方程和Albersheim公式,推导了任意虚警概率下雷达检测概率与目标距离之间的关系,建立了一种易于计算的雷达检测概率模型。

并根据典型雷达参数,对不同虚警概率和脉冲积累时的雷达检测概率模型进行了仿真分析,仿真结果准确可信。

该模型对敌我攻防作战的规划具有一定的参考价值。

关键词: Albersheim公式;检测概率模型;虚警概率;脉冲积累;仿真分析中图分类号: TN957⁃34 文献标识码: A 文章编号: 1004⁃373X(2013)21⁃0018⁃030 引言在日益复杂的电磁权争夺战中,雷达组网以其巨大优势成为雷达对抗中最为有效的方法之一。

在雷达网优化部署和制定突防策略时,雷达在不同距离处的检测概率是一项重要的性能指标。

雷达检测概率与虚警概率、信噪比及雷达性能参数有关,在传统方法中,计算公式非常复杂,计算难度较大。

在工程应用中,对雷达检测概率的计算常常利用查表法进行,使用起来极为不便。

文献[1]和[2]分别采用不同的模型计算了雷达在不同距离处的检测概率,然而分析表明这两种模型只适用于目标雷达散射截面积(RCS)服从瑞利分布的情况,而没有考虑脉冲积累对检测概率的影响。

本文根据Albershem经验公式[3⁃5]建立了一个计算简单、适用性更广的雷达检测概率模型,并依据典型雷达参数,仿真分析了不同虚警概率和不同脉冲积累时雷达检测概率关于目标距离的变化特性,重点分析了雷达在虚警概率为10-6时的检测概率变化特点,为组网雷达优化部署和制定突防策略提供了重要的理论支撑。

1 传统雷达检测概率模型通常加到接收机中频滤波器(或中频放大器)上的噪声是宽带高斯噪声,其概率密度[6]为:[pv=12πexp-v22σ2] (1)式中:[pvdv]为噪声电压处于[v]和[v+dv]之间的概率;[σ2]为噪声容差,噪声均值为零。

现代雷达系统分析与设计(陈伯孝)第8章

现代雷达系统分析与设计(陈伯孝)第8章
(8.1.8)
(8.1.9)
17
代入式(8.1.7),得到总错误概率与联合概率分布密度函数 的关系为
(8.1.10)
18
观察空间的划分应保证总错误概率Pe最小,即后面的积分 值最大。因此,满足
(8.1.11) 的所有点均划在D1范围,判为有信号;而将其它的点,即 满足
的所有点划在D0范围,判为无信号。
4
图8.1 雷达信号检测模型
5
雷达的检测过程可以用门限检测来描述,即将接收机的接 收信号经信号处理后的输出信号(本书中称为检测前输入信号) 与某个门限电平进行比较。如果检测前输入信号的包络超过了 某一预置门限,就认为有目标(信号)。雷达信号检测属于二元 检测问题,即要么有目标,要么无目标。当接收机只有噪声输 入时,为H0假设;当输入包括信号加噪声时,为H1假设,即:
0(只有噪声),式(8.2.9)变成Rayleigh概率密度函数,
(8.2.11)

很大时,式(8.2.9)变成均值为A、方差为
的Gaussian概率密度函数,
(8.2.12)
30
对式(8.2.8)中的r积分得到随机变量j的pdf
其中
(8.2.13)
(8.2.14)
31
为标准正态分布函数,在大多数数学手册中可以查达接收信号进行正交双路匹配滤波、平方律检波和判 决的简化框图如图8.5所示。假设雷达接收机的输入信号由目 标回波信号s(t)和均值为零、方差为σ 2n的加性高斯白噪声 n(t)组成,且噪声与信号不相关。
23
图8.5 平方律检波器和门限判决器的简化框图
24
匹配滤波器的输出信号可以表示为
当只有噪声(A=0)时,f(j)简化为{0,2π}区间的均匀分布

matlab峰值检测算法

matlab峰值检测算法

matlab峰值检测算法
Matlab中可以使用`findpeaks`函数实现峰值检测算法。

该函数可以找到输入信号中的所有峰值,并返回峰值的位置和幅度。

下面是一个使用`findpeaks`函数进行峰值检测的示例代码:
```Matlab
% 生成测试信号
t = linspace(0, 10, 1000);
x = sin(t) + 0.5 * randn(size(t));
% 使用findpeaks进行峰值检测
[peaks, locs] = findpeaks(x);
% 绘制原始信号和峰值点
plot(t, x)
hold on
plot(t(locs), peaks, 'ro')
hold off
xlabel('Time')
ylabel('Amplitude')
legend('Original Signal', 'Peaks')
```
在上述示例中,首先生成了一个包含噪声的正弦信号。

然后,使用`findpeaks`函数找到了信号中的所有峰值,并将峰值的位置和幅度分别存储在`locs`和`peaks`变量中。

最后,绘制了原始信号和峰值点。

你可以根据自己的需求对上述示例代码进行修改。

更多关于`findpeaks`函数的信息,可以通过在Matlab命令窗口输入`help findpeaks`来查看。

matlab切比雪夫幅度响应曲线

matlab切比雪夫幅度响应曲线

matlab切比雪夫幅度响应曲线在信号处理和滤波器设计中,切比雪夫(Chebyshev)滤波器是一种常用的滤波器类型。

通过使用Matlab的信号处理工具箱,我们可以方便地绘制出切比雪夫滤波器的幅度响应曲线。

本文将为您介绍如何使用Matlab来绘制切比雪夫幅度响应曲线,并简要讨论切比雪夫滤波器的特点和应用。

切比雪夫滤波器是一类具有特殊频率响应特性的滤波器,其特点是在通带内具有较为平坦的响应,但在阻带内的响应较为波动。

这种滤波器可以提供较为陡峭的滤波器响应,从而在滤波器设计中得到广泛应用。

Matlab中提供了许多函数和工具箱,可以方便地进行切比雪夫滤波器的设计和分析。

首先,我们需要导入Matlab的信号处理工具箱。

使用以下命令可以完成导入:```matlabimport matlab.signal.*```接下来,我们可以使用`cheby1`函数进行切比雪夫滤波器的设计。

该函数的语法为:```matlab[b, a] = cheby1(n, Rp, Wp)```其中,`n`为滤波器的阶数,`Rp`为通带最大衰减(以分贝为单位),`Wp`为归一化的通带截止频率。

通过调整这些参数,我们可以灵活地设计出所需的切比雪夫滤波器。

设计完滤波器后,我们可以使用`freqz`函数来计算滤波器的频率响应。

该函数的语法为:```matlab[H, f] = freqz(b, a, N, Fs)```其中,`b`和`a`分别是滤波器的分子和分母系数,`N`是计算频率响应的点数,`Fs`是采样率。

通过调整这些参数,我们可以得到滤波器在不同频率上的幅度响应。

最后,我们可以使用`plot`函数将频率响应绘制出来,以得到切比雪夫滤波器的幅度响应曲线。

例如,下面的代码将绘制一个10阶的切比雪夫低通滤波器的曲线:```matlab[b, a] = cheby1(10, 0.5, 0.2);freqz(b, a, 1000, 1000);```通过运行以上代码,我们可以得到切比雪夫滤波器的幅度响应曲线。

雷达信号处理技术及仿真

雷达信号处理技术及仿真

雷达信号处理技术及仿真任新涛;张宏伟;田蛟;潘刚【摘要】The process of radar signal processing was simulated by Matlab software, from which the simulation graph can make us have a visualized understanding on the process of radar signal processing, and reflect the convenience and quickness of Matlab software in radar signal processing and simulation. In addition, the current status, shortages and development trend of current radar constant false alarm rate (CFAR) detection technology are elaborated. Through improving simulated annealing (SA) , an optimal threshold constant false alarm rate detection algorithm which can effectively select detection threshold in the process of constant false alarm rate detection is put forward. The constant false alarm rate detection performance of the radar system can be improved, and a certain reference value on the development of constant false alarm rate can be gained.%在此借助Matlab软件对雷达信号处理过程进行仿真,从仿真图形直观地理解雷达信号处理过程,也体现了Matlab软件在雷达信号处理仿真中的方便、快捷等优点.另外,对当今雷达恒虚警检测技术的现状、不足及其发展动态进行了论述,并通过改进模拟退火算法,提出了一种最优门限恒虚警检测算法.该算法能够在恒虚警检测过程中有效地选取检测门限,提高了雷达系统的恒虚警检测性能,对恒虚警发展具有一定的参考价值.【期刊名称】《现代电子技术》【年(卷),期】2012(035)003【总页数】4页(P8-10,14)【关键词】Matlab;雷达信号处理;恒虚警;模拟退火;门限【作者】任新涛;张宏伟;田蛟;潘刚【作者单位】军械工程学院研究生管理大队学员三队,河北石家庄050003;军械工程学院研究生管理大队学员三队,河北石家庄050003;军械工程学院光学与电子工程系,河北石家庄050003;军械工程学院光学与电子工程系,河北石家庄050003【正文语种】中文【中图分类】TN95-34现今雷达系统所处的电磁环境日益复杂,相应出现的目标检测方法也越来越多。

模式识别实验一(最小贝叶斯决策及ROC曲线)讲解

实验一一、 实验原理1. 最小错误率贝叶斯决策规则:对于两类问题,最小错误率贝叶斯决策有如下判决规则:1212(|)(|),;P x P x x x ωωωω>∈∈则反之,则。

由于先验概率i (P ω)可以确定,与当前样本x 无关,所以决策规则也可整理成下面的形式: 121212(|)()(),()(|)P x P l x x x P P x ωωωωωω=>∈∈若,则否则。

2. 平均错误率决策边界把x 轴分割成两个区域,分别称为第一类和第二类的决策区域.样本在中但属于第二类的错误概率和样本在中但属于第一类的错误概率就是出现错误的概率,再考虑到样本自身的分布后就是平均错误率:212211()(|)()(|)()(|)P()(|)P()t t t t P e P x p x dx P x p x dx p x dx p x dx ωωωωωω∞-∞∞-∞=+=+⎰⎰⎰⎰3. 此实验中的判决门限和平均错误率(1) 判决门限假设随机脉冲信号f 中0的概率为,高斯噪声信号n 服从,信号叠加时的放大倍数为a ,叠加后的信号为*s f a n =+。

由最小错误率贝叶斯决策可得:1122()(|)()(|)P p x P p x ωωωω→→> 化简计算得:220022(ln(1)ln )2a a a p p t μσ+---=(2) 平均错误率由上述积分式可计算。

二、 实验内容1、 已知均值和方差,产生高斯噪声信号,计算其统计特性实验中利用MATLAB 产生均值为0,方差为1的高斯噪声信号,信号统计分布的程序和结果如下:%产生高斯噪声并统计其特性x=0;%均值为0y=1;%方差为1n=normrnd(x,y,[1 1000000]);%产生均值为0,方差为1的高斯噪声m1=mean(n);%高斯噪声的均值v1=var(n); %高斯噪声的方差figure(1)plot(n(1:400)); title('均值为0,方差为1的高斯噪声');figure(2)hist(n,10000); title('高斯噪声的统计特性');得到m1=-4.6534e-005;v1= 0.9971。

MATLAB仿真信道化码和扰码,含有完整代码

重庆交通大学信息科学与工程学院综合性设计性实验报告专业:通信工程专业11级学号:姓名:实验所属课程:第三代移动通信及其演进技术实验室(中心):软件与通信实验中心****:***2014年3月教师评阅意见:签名:年月日实验成绩:一、题目第三代移动通信的信道化码和扰码产生二、仿真要求要求一:建立M文件分别产生m序列、gold序列及OVSF序列。

要求二:要求仿真不同序列的自相关和互相关特性。

三、仿真方案详细设计1、m序列m序列又叫做伪随机序列、伪噪声(PN)码或伪随机码。

它是由多级移位寄存器或其他延迟元件通过线性反馈产生的最长的码序列,产生框图如下所示:2、Gold序列Gold序列是R.Gold于1967年提出来的,它由两个m序列按下述方法演变而来的:把2个码长相同的m序列移位并进行模2加,如果相加的两个m序列是一对优选对,则相加的结果为一个Gold序列。

如下图所示:3、OVSF序列OCSF序列又叫正交可变扩频因子,系统根据扩频因子的大小给用户分配资源,数值越大,提供的带宽越小,OVSF码互相关为零,相互完全正交。

4、自相关函数自相关函数(Autocorrelation Function)在不同的领域,定义不完全等效。

函数代码:function [out]=autocorr(indata)ln=length(indata);out=zeros(1,ln);for ii=0:ln-1out(ii+1)=sum(indata.*shift(indata,ii))/ln;end5、互相关函数互相关函数是信号分析里的概念,表示的是两个时间序列之间和同一个时间序列在任意两个不同时刻的取值之间的相关程度,即互相关函数是描述随机信号x(t),y(t)在任意两个不同时刻t1,t2的取值之间的相关程度。

四、仿真结果及结论偏移量m 序列的自相关性偏移量m 序列的互相关性偏移量g o l d 序列的自相关性偏移量g o l d 序列的互相关性偏移量O V S F 序列的自相关性偏移量O V S F 序列的互相关性从实验结果图我们可以看出,M 序列自相关函数近似于一条直线,它的互相关特性看起来没有什么规律;Gold 序列的自相关特性与m 序列相比,要差一点,但互相关特性要比m 序列好一些;OVSF 序列的自相关特性曲线为一条幅值为1 的直线,互相关特性为一条幅值为0的直线。

matlab瑞利衰落信道仿真

瑞利分布信道MATLAB仿真1、引言由于多径效应和移动台运动等影响因素,使得移动信道对传输信号在时间、频率和角度上造成了色散,即时间色散、频率色散、角度色散等等,因此多径信道的特性对通信质量有着重要的影响,而多径信道的包络统计特性则是我们研究的焦点。

根据不同无线环境,接收信号包络一般服从几种典型分布,如瑞利分布、莱斯分布等。

在此专门针对服从瑞利分布的多径信道进行模拟仿真,进一步加深对多径信道特性的了解。

2、仿真原理(1)瑞利分布分析环境条件:通常在离基站较远、反射物较多的地区,发射机和接收机之间没有直射波路径(如视距传播路径),且存在大量反射波,到达接收天线的方向角随机的((0~2π)均匀分布),各反射波的幅度和相位都统计独立。

幅度与相位的分布特性:包络r服从瑞利分布,θ在0~2π内服从均匀分布。

瑞利分布的概率分布密度如图1所示:图1瑞利分布的概率分布密度(2)多径衰落信道基本模型离散多径衰落信道模型为()1()()()N t k k k yt r t x t τ==-∑ (1)其中,()k r t 复路径衰落,服从瑞利分布;k τ是多径时延。

多径衰落信道模型框图如图2所示:图2多径衰落信道模型框图(3)产生服从瑞利分布的路径衰落r(t)利用窄带高斯过程的特性,其振幅服从瑞利分布,即()r t =(2)上式中()()c s n t n t 、,分别为窄带高斯过程的同相和正交支路的基带信号。

3、仿真框架根据多径衰落信道模型(见图2),利用瑞利分布的路径衰落r(t)和多径延时参数k τ,我们可以得到多径信道的仿真框图,如图3所示;图3多径信道的仿真框图4、仿真结果(1)(1)多普勒滤波器的频响图4多普勒滤波器的频响(2)多普勒滤波器的统计特性图5多普勒滤波器的统计特性(3)信道的时域输入/输出波形图6信道的时域输入/输出波形5、仿真结果(2)(1)当终端移动速度为30km/h时,瑞利分布的包络如下图所示(2)当终端移动速度为100km/h时,瑞利分布的包络如下图所示三、仿真代码%main.mclc;LengthOfSignal=10240;%信号长度(最好大于两倍fc)fm=512;%最大多普勒频移fc=5120;%载波频率t=1:LengthOfSignal;%SignalInput=sin(t/100);SignalInput=sin(t/100)+cos(t/65);%信号输入delay=[03171109173251];power=[0-1-9-10-15-20];%dBy_in=[zeros(1,delay(6))SignalInput];%为时移补零y_out=zeros(1,LengthOfSignal);%用于信号输出for i=1:6Rayl;y_out=y_out+r.*y_in(delay(6)+1-delay(i):delay(6)+LengthOfSignal-delay (i))*10^(power(i)/20);end;figure(1);subplot(2,1,1);plot(SignalInput(delay(6)+1:LengthOfSignal));%去除时延造成的空白信号title('Signal Input');subplot(2,1,2);plot(y_out(delay(6)+1:LengthOfSignal));%去除时延造成的空白信号title('Signal Output');figure(2);subplot(2,1,1);hist(r,256);title('Amplitude Distribution Of Rayleigh Signal')subplot(2,1,2);hist(angle(r0));title('Angle Distribution Of Rayleigh Signal');figure(3);plot(Sf1);title('The Frequency Response of Doppler Filter');%Rayl.mf=1:2*fm-1;%通频带长度y=0.5./((1-((f-fm)/fm).^2).^(1/2))/pi;%多普勒功率谱(基带)Sf=zeros(1,LengthOfSignal);Sf1=y;%多普勒滤波器的频响Sf(fc-fm+1:fc+fm-1)=y;%(把基带映射到载波频率)x1=randn(1,LengthOfSignal);x2=randn(1,LengthOfSignal);nc=ifft(fft(x1+i*x2).*sqrt(Sf));%同相分量x3=randn(1,LengthOfSignal);x4=randn(1,LengthOfSignal);ns=ifft(fft(x3+i*x4).*sqrt(Sf));%正交分量r0=(real(nc)+j*real(ns));%瑞利信号r=abs(r0);%瑞利信号幅值。

基于matlab ofdm通信系统仿真代码

基于matlab ofdm通信系统仿真代码
基于MATLAB OFDM通信系统仿真代码是一种应用在无线通信领域的高
效的通信技术。

OFDM(正交分频多载波)技术是一种高效的技术,它
能够在有限的信道容量内传输大量的数据,同时也能抵御多径衰减和
多路径效应。

此外,OFDM还可以抵抗非线性干扰和伪噪声,从而提高
系统的可靠性和稳定性。

MATLAB OFDM通信系统仿真代码可以帮助我们快速验证一个OFDM系统的性能,从而帮助我们更好地理解OFDM技术
背后的原理和技术。

MATLAB OFDM通信系统仿真代码由信道模拟、OFDM调制和解调制的子
模块组成,其中每个子模块都可以通过MATLAB编程实现。

首先,我们
需要定义一个简单的信道函数,以模拟实际信道的衰减和多路径效应,然后将信号传输给OFDM调制模块,它将信号转换成OFDM调制的多载
波信号。

接着,多载波信号被发射到信道中,经过信道后,经过OFDM
解调制模块处理,得到恢复后的信号,再经过信道衰减模拟得到最终
信号,完成仿真。

通过使用MATLAB OFDM通信系统仿真代码,我们可以更有效地对OFDM
技术进行仿真评估,同时也可以获得更为准确、直观的仿真结果。

此外,MATLAB OFDM通信系统仿真代码还可以帮助我们了解OFDM技术的
具体实施方法,为实际开发工作提供有效的技术支持。

  1. 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. 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. 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)。

第三章作业
MATLAB仿真
一.程序
clc;
close all;
d2=0:0.01:20;%检测指数
d=sqrt(10.^(d2/10));
pf1=0.05;%虚警概率
pf2=0.01;
pf3=0.001;
pd1=qfunc(qfuncinv(pf1)-d);%Q函数及其反函数运用计算检测概率
pd2=qfunc(qfuncinv(pf2)-d);
pd3=qfunc(qfuncinv(pf3)-d);
figure(1);%画出理论检测性能曲线
plot(d2,pd1,'red',d2,pd2,'green',d2,pd3,'blue');
xlabel('d/dB');
ylabel('Pd');
legend('pf=5%','pf=1%','pf=0.1%');
title('理论检测性能曲线');
%线性调频信号参数设置
f0=1e5;%基频
fs=5e5;%采样频率
B=20e3;%带宽
T=30e-3;%脉冲宽度
K=B/T;%调斜频率
N=T*fs;%采样点数
A=1;%信号幅度
t=(-N/2:N/2-1)/fs;%时间采样点
s=A*sin(2*pi*f0*t+pi*K.*t.*t);%产生线性调频信号
w=fir1(1024,[90000,110000].*2/fs);%90KHz到110KHz的带通滤波器
C1=2000;%蒙特卡洛试验次数
F1=0;F2=0;F3=0;%计数初值
pd1=zeros(1,21);
pd2=zeros(1,21);
pd3=zeros(1,21);%不同信噪比下检测概率对应数组
noise_max=zeros(1,C1);%噪声匹配滤波器后幅度最大值
for i=0:20
SNR1=-30+i;%输入信噪比从-30到-10dB
for j=1:C1%蒙特卡洛实验次数
noise1=randn(1,N);%产生随机数
noise_f=filter(w,1,noise1);%将噪声随机数通过带通滤波器
snr_radio=sqrt(2*sum((noise_f).^2)/length(noise_f)*10^(SNR1/100)); noise2=noise_f*A/snr_radio;%得到带限白噪声
rn=xcorr(noise2,s);%噪声通过匹配滤波器
Rn=abs(hilbert(rn));%产生包络
noise_max(j)=max(Rn);%输出幅度的最大值
end
order=sort(noise_max,'descend');%对得到的最大值进行降序排序for j=1:C1%蒙特卡洛试验次数
noise1=randn(1,N);%产生随机数
noise_f=filter(w,1,noise1);%将噪声随机数通过带通滤波器
snr_radio=sqrt(2*sum((noise_f).^2)/length(noise_f)*10^(SNR1/100)); noise2=noise_f*A/snr_radio;%得到带限白噪声
r=s+noise2;%信号加噪声
ro=xcorr(r,s);%匹配滤波器总输出信号
Ro=abs(hilbert(ro));%产生包络
Ro_max=Ro(N);%包络检波T=t
%VT计算
pf=0.05;%虚警概率
VT1=order(C1*pf);
pf=0.01;%虚警概率
VT2=order(C1*pf);
pf=0.001;%虚警概率
VT3=order(C1*pf);
if Ro_max>VT1
F1=F1+1;
end
if Ro_max>VT2
F2=F2+1;
end
if Ro_max>VT3
F3=F3+1;
end
end
pd1(SNR1+31)=F1/C1;%检测概率
pd2(SNR1+31)=F2/C1;
pd3(SNR1+31)=F3/C1;
F1=0;F2=0;F3=0;%信噪比改变,计数清零
end
snr=-30+10*log10(2*B*T):1:-10+10*log10(2*B*T);%横坐标figure(2)%画出不同虚警概率下检测性能曲线
plot(snr,pd1,'red',snr,pd2,'green',snr,pd3,'blue'); xlabel('d^2/dB');
ylabel('Pd');
legend('pf=5%','pf=1%','pf=0.1%');
title('不同虚警概率下检测性能曲线');
二.实验结果
三.实验结果分析
此次仿真实验绘出的不同虚警概率下的理论检测性能曲线与查询资料得到的理论检测性能曲线相符合。

可以看出当检测指数相同时,随着虚警概率的增大,检测概率增大,检测性能提高,且随着检测指数的增大,不同虚警概率下的检测性能逐渐趋于相近。

而通过先进行脉
冲压缩,然后利用包络检测,最大值检测,绘制出的不同虚警概率下的性能曲线与理论的不同虚警概率下的检测性能曲线相比,进行脉冲压缩,然后又利用包络检测,最大值检测绘制出的检测性能曲线在相同的虚警概率下有更高的检测概率,检测性能更高。

相关文档
最新文档