Корольов / Теория связи
.pdfкоторая и принимается как критерий качества обнаружения. При этом обнаружитель, для которого средние потери R минимальны, называется оптимальным байесовским обнаружителем.
Подставляя выражения (3.1) и (3.2) в формулу (3.4), получим следующую связь средних потерь с видом критической области:
R = p0 R0 ∫...∫w(y H0 )d y + p1 R1 |
∫...∫w(y H1 )d |
|
= |
|
|
|
||
y |
|
|||||||
G1 |
G0 |
|
||||||
= p1 R1 − ∫... ∫(p1 R1 w(y H1 )− p0 R0 w(y H 0 ))d |
|
. |
(3.5) |
|||||
y |
||||||||
G1 |
|
|
|
|
|
|
|
|
Очевидно, потери минимальны, если интеграл |
|
|||||||
∫...∫(p1 R1w(y H1 )− p0 R0 w(y H0 ))d |
|
|
(3.6) |
|||||
y |
||||||||
G1 |
|
|
|
|
|
|
|
|
достигает максимального значения. |
|
|
|
|
|
|
|
|
Какие же точки пространства G возможных исходов эксперимента следует включить в область G1 для максимизации выражения (3.6)? Простой ана-
лиз показывает, что при наблюдении y следует проверить – положительным или отрицательным окажется подынтегральное выражение (3.6). Если
p1 R1w(y H1 )− p0 R0 w(y H0 )≥ 0 |
(3.7) |
то такую точку y следует отнести к критической области G1 . Действи-
тельно, после добавления такой точки вместе с некоторой окрестностью к области G1 возрастает интеграл (3.6) по этой области и, следовательно, уменьша-
ются средние потери (3.5). Таким образом, неравенство (3.7) определяет все точки критической области G1 . Но это, в свою очередь, означает, что для на-
блюдений, удовлетворяющих неравенству (3.7), следует принимать верной гипотезу H1 , а для остальных точек – гипотезу H0 . Переписывая неравенство
(3.7), определяющее критическую область, в форме |
|
|
|
|
|||||
|
|
|
|
Λ ≥ Λ0 , |
|
|
|
(3.8) |
|
где Λ = w( |
|
H1 ) w( |
|
H 0 ) – отношение правдоподобия; |
Λ0 = |
p0 R0 |
; можно |
||
y |
y |
||||||||
p R |
|||||||||
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
1 |
1 |
|
заметить, что формула (3.8) определяет алгоритм обработки входных данных
111
y . Действительно, оптимальный обнаружитель должен формировать на основе наблюдений y отношение правдоподобия Λ и производить сравнение этого от-
ношения с пороговым уровнем Λ0 . Если Λ ≥ Λ0 , то выносится решение в пользу гипотезы H1 . При Λ < Λ0 принимается, что справедлива гипотеза H0 . Так же,
как и при оценивании параметров, можно вместо отношения правдоподобия сравнивать с пороговым уровнем любую монотонную функцию f (Λ), например, ln Λ . При этом достаточно изменить величину порога обнаружения и положить, что Λ/0 = f (Λ0 ).
Рассмотрим пример решения задачи поcледетекторного обнаружения радиосигнала по совокупности независимых наблюдений y1 , y2 ,..., yn . При отсут-
ствии сигнала эти наблюдения подчиняются закону распределения Релея:
n |
|
|
|
|
n |
|
|
y |
i |
|
|
|
|
|
y 2 |
|
|
|
||
w(y H 0 )= ∏w(yi |
|
H 0 |
)= ∏ |
|
|
|
exp |
− |
|
i |
|
. |
(3.9) |
|||||||
|
σ |
2 |
2σ |
2 |
||||||||||||||||
i =1 |
|
|
|
|
i =1 |
|
|
|
|
|
|
|
|
|
||||||
Появление полезного сигнала |
вызывает |
увеличение параметра |
σ 2 в |
|||||||||||||||||
(1+ q) раз, где q – отношение сигнал/шум. При этом |
|
|
|
|
|
|||||||||||||||
n |
|
yi |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
yi |
|
|
|
|
|
|
||
w(y H1 )= ∏ |
2 |
|
|
|
exp |
− |
|
|
|
2 |
|
|
|
|
|
(3.10) |
||||
(1 + q) |
|
|
2σ |
|
|
|
. |
|
|
|||||||||||
i=1 σ |
|
|
|
|
|
|
(1 + q) |
|
|
|
Для нахождения оптимального алгоритма обнаружения составим отношение правдоподобия
n |
1 |
|
|
q y |
2 |
|
|
|
1 |
|
|
|
|
q |
|
|
|
|
||
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
Λ = ∏ |
|
|
2 |
|
|
|
= |
|
|
n |
|
2 |
|
|
|
∑yi |
||||
i=1 |
1 + q |
|
2σ |
|
(1 |
+ q) |
|
(1 |
+ q) |
|
|
2σ |
|
(1 |
+ q) |
|
|
|
и будем сравнивать его с порогом Λ0 |
= p0 R0 p1 R1 , зависящим от априор- |
||||||||
ных вероятностей наличия p1 |
и отсутствия |
p0 полезного сигнала и стоимостей |
||||||||
R1 |
и R0 |
ошибок. После логарифмирования можно записать оптимальную про- |
||||||||
цедуру |
обнаружения в |
виде |
|
сравнения |
с пороговым |
значением |
||||
Λ/0 |
= (2σ 2 (1 + q) q)ln (Λ0 (1 + q)n )суммы квадратов наблюдений, т.е. |
|
||||||||
|
|
n |
|
|
/ |
сигнал |
есть, |
|
||
|
|
∑i |
y2 |
≥ Λ |
0 |
|
||||
|
|
|
|
|
|
|
(3.11) |
|||
|
|
i |
< Λ/0 |
сигнала |
нет. |
112
Одним из существенных недостатков байесовского правила обнаружения сигналов является большое количество априорной информации о потерях и вероятностях состоянии объекта, которая должна быть в распоряжении наблюдателя. Этот недостаток наиболее отчетливо проявляется при анализе радиолокационных задач обнаружения цепи, когда указать априорные вероятности наличия цели в заданной области пространства и потери за счет ложной тревоги или пропуска цели оказывается весьма затруднительным. Поэтому в подобных задачах вместо байесовского критерия обычно используется критерий Неймана-Пирсона. Согласно этому критерию выбирается такое правило обнаружения, которое обеспечивает минимальную величину вероятности пропуска сигнала (максимальную вероятность правильного обнаружения) при условии, что вероятность ложной тревоги не превышает заданной величины F0 .
Таким образом, оптимальное, в смысле критерия Неймана-Пирсона, правило обнаружения минимизирует
PM = ∫...∫w(y H1 )d |
|
|
(3.12) |
||
y |
|||||
G0 |
|
||||
при дополнительном ограничении |
|
||||
∫...∫w(y H0 )d |
|
= F0 . |
(3.13) |
||
y |
|||||
G1 |
|
Для поиска оптимальной процедуры обработки данных преобразуем задачу на условный экстремум (3.12) при условии (3.13) к задаче на безусловный экстремум. С этой целью воспользуемся методом множителей Лагранжа [39]. Введем множитель Лагранжа λ и запишем функцию Лагранжа
J = PM + λ |
|
|
|
|
(3.14) |
|
∫...∫w(y H0 )d y −F0 . |
||||
|
|
G1 |
|
|
|
После преобразований, аналогичных выводу формулы (3.5), соотношение (3.14) можно переписать в виде:
|
|
|
|
|
|
|
J =1 −λF0 |
− |
|
∫...∫(w(y H1 )−λw(y H0 ))d y |
. |
||
|
|
|
G1 |
|
113
Сравнение полученного выражения с формулой (3.5) показывает, что минимум функции Лагранжа достигается, если в качестве критической области выбрать совокупность точек y , удовлетворяющих неравенству
Λ = w( |
|
H1 ) w( |
|
H0 )≥ λ . |
(3.15) |
y |
y |
При этом множитель λ , являющийся пороговым значением, должен находиться из условия (3.13) равенства вероятности ложной тревоги заданной величине F0 .
Из сравнения (3.15) и (3.8) можно заключить, что оптимальное, в смысле критерия Неймана-Пирсона, правило обнаружения отличается от байесовского лишь величиной порогового уровня, с которым производится сравнение отношения правдоподобия.
В качестве примера построения обнаружителя (3.15) рассмотрим задачу проверки гипотезы H 0 :
w(yi H0 )= (1 2πσ )exp (− yi2 2σ 2 ), i =1, 2,..., n ,
при альтернативе
w(yi H1 )= (1 2πσ )exp (− (yi − a)2 2σ 2 ), i =1, 2,..., n .
Такая задача возникает в тех случаях, когда появление полезного сигнала вызывает изменение среднего значения нормального шума на величину a . При
независимых отсчетах y1 , y2 ,..., yn |
входного процесса отношение правдоподобия |
|||||||||||||||||||
может быть записано в виде |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
n |
|
|
|
|
|
|
2 |
|
|
|
|
n |
|
|
|
w(y H1 ) |
|
w(yi |
H1 ) |
|
na |
|
|
a |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||
Λ = |
|
|
|
|
= |
∏ |
|
|
|
= exp |
− |
|
|
+ |
|
|
|
∑yi . |
||
|
|
|
|
|
|
|
|
2 |
|
|
2 |
|||||||||
w(y H0 ) |
w(yi |
H0 ) |
2σ |
σ |
||||||||||||||||
|
|
i=1 |
|
|
|
|
|
i=1 |
|
После логарифмирования получаем следующий алгоритм обнаружения сигнала:
n |
≥ T |
сигнал |
есть, |
(3.16) |
|
T = ∑yi |
0 |
сигнала |
нет. |
||
i |
< T0 |
|
|||
причем пороговый уровень T0 |
выбирается из условия |
|
|||
|
|
P(T ≥ T0 H0 )= F0 . |
(3.17) |
114
Поскольку сумма T нормальных случайных величин (СВ) подчиняется нормальному закону распределения, то при отсутствии сигнала можно записать
следующее выражение для условной ПРВ |
w(T H 0 )= (1 2πσ )exp (−T 2 2nσ 2 ). С |
||||
учетом |
формул |
табл.1 соотношение |
(3.17) перепишется |
в |
форме |
Φ0 (T0 |
nσ 2 )= 0,5 − F0 . |
Из этого равенства по таблицам функции Лапласа |
Φ0 (x) |
||
[40] можно определить величину порогового уровня T0 . Так, при F0 |
=10−2 |
полу- |
|||
чим T0 |
nσ 2 = 2,32 ; при F0 =10−3 , T0 nσ 2 =3,09 . |
|
|
|
3.1.3. Вычисление вероятностей ошибок
Рассмотрим методы анализа помехоустойчивости систем обнаружения сигналов, т.е. методы расчета вероятности ложной тревоги (3.1) и вероятности пропуска сигнала (3.2) (или вероятности правильного обнаружения (3.3)). Подобные расчеты являются обязательным этапом проектирования систем обнаружения, осуществляемым после синтеза оптимального алгоритма.
Как было показано в п.3.1, оптимальный по нескольким критериям качества алгоритм обнаружения сигналов состоит в сравнении с порогом отношения правдоподобия. Для независимых отсчетов y1 , y2 ,..., yn входного процесса такой алгоритм может быть записан в форме произведения
n |
w(y |
i |
H |
) |
|
≥ Λ0 |
→ H1 |
, |
|
|
Λ = ∏ |
|
|
1 |
|
|
|
|
|
(3.18) |
|
w(y |
|
H |
|
) |
→ H0 . |
|||||
= |
i |
0 |
< Λ0 |
|
||||||
i 1 |
|
|
|
|
|
|
|
|
После логарифмирования (3.18) процедура обработки приводится к виду:
n |
|
|
z = ln Λ = ∑li (yi )> z0 |
, |
(3.19) |
i=1
где li (yi )= ln w((yi H1 )); z0 = ln Λ0 . Таким образом, для расчета вероятностей w yi H0
PF = ∞∫w(z H0 )dz , |
PD = ∞∫w(z H1 )dz |
(3.20) |
z0 |
z0 |
|
необходимо найти ПРВ w(zH0 ) и w(zH1 ) и вычислить интегралы (3.20).
Поскольку для расчета (3.20) при известных ПРВ w(zH0 ) и w(zH1 ) могут эф-
фективно использоваться численные методы интегрирования, то, как правило,
115
наиболее трудоемким является определение ПРВ суммы z СВ li , i =1, 2,..., n ,
полученных, вообще говоря, нелинейным преобразованием li (yi ).
Условные законы распределения каждого слагаемого li (yi ) находят с по-
мощью формулы (1.36). Для рассматриваемой задачи выражение (1.36) перепишется в виде:
w(li |
H0,1 )= w(yi H0,1 ) |
dyi |
, i =1, 2,..., n . |
(3.21) |
|
|
dl |
|
|
|
|
i |
|
|
Заметим, что в правой части (3.21) необходимо заменить yi |
на функцию |
|||
yi = yi (li ), полученную в результате решения уравнения li = li (yi ) |
относительно |
|||
yi . |
|
|
|
|
После нахождения ПРВ (3.21) требуется определить законы распределе-
|
n |
независимых СВ li , i =1, 2,..., n . Для этого используется либо |
ния суммы |
z = ∑li |
|
|
i=1 |
|
точный подход, основанный на вычислении характеристических функций (1.39), либо приближенный, базирующийся на центральной предельной теореме теории вероятностей.
Точный расчет характеристик обнаружения осуществляется следующим образом. Вначале находятся характеристические функции слагаемых:
gli (v H0 )= ∞∫w(li H0 )eiνli dli ; |
gli (v H1 )= ∞∫w(li H1 )eiνli dli . |
(3.22) |
−∞ |
−∞ |
|
Затем характеристические функции суммы z определяются как произведения характеристических функции слагаемых:
n
gz (vH0 )= ∏gli (vH0 ) ,
i=1
n
gz (vH1 )= ∏gli (vH1 ). (3.23)
i =1
Наконец, с помощью обратного преобразования Фурье (1.39) вычисляются искомые ПРВ.
w(Z H0 ) = |
1 ∞∫gz (v H0 )e−iνz dν , |
w(Z H1) = |
1 ∞∫gz (v H1 )e−iνz dν . (3.24) |
|
2π −∞ |
|
2π −∞ |
116
В качестве примера проведем расчет характеристик алгоритма обнаруже-
|
n |
|
, синтезированного для релеевских ПРВ (3.9), (3.10). |
ния (3.11) z = ∑yi2 > z0 |
|||
|
i=1 |
|
|
При наличии полезного сигнала ПРВ слагаемых li (yi )= yi2 могут быть найдены с помощью формулы (3.21)
w(li H1 )= λe−λli , li > 0, i =1, 2,..., n ,
где λ =12σ 2 (1 + q). Характеристические функции имеет один и тот же вид
gli (v H1 )= ∞∫λe−λli eivli dli = |
λ |
для всех слагаемых. Поэтому легко находится |
|
λ −iv |
|||
0 |
|
характеристическая функция суммы z независимых СВ gz (vH1 )= glni (vH1 )= λn (λ −iv)n .
Интеграл в обратном преобразовании Фурье (3.24)
w(z H1 )= |
1 |
∞ |
|
λn |
|
|
−ivz |
|
λn zn−1 |
−λz |
||
|
∫ |
|
|
|
e |
|
dv = |
|
e |
|
||
2π |
λ − |
|
n |
|
(n −1)! |
|
||||||
|
|
−∞( |
|
iv) |
|
|
|
|
|
наиболее просто вычисляется с помощью вычетов. Интегрируя последнее выражение еще раз с помощью таблиц [36], получаем следующую расчетную формулу для вероятности правильного обнаружения
∞ |
|
1 λz0 |
− − |
|
|
Г(n; λz |
) |
|
|
PD = ∫w(z H1 )dz =1− |
|
∫ |
xn 1 e |
x dx =1− |
0 |
|
, |
||
(n −1)! |
(n −1)! |
|
|||||||
z0 |
0 |
|
|
|
|
|
|
||
где Г(n ; λz0 ) – |
неполная гамма-функция, |
табулированная, |
[40]; λ =12σ 2 (1 + q).
(3.25)
например, в
При отсутствии полезного сигнала изменяется лишь параметр λ , но все приведенные преобразования остаются справедливыми. Поэтому вероятность ложной тревоги также находится по формуле (3.25), если положить, что q = 0 :
PF =1 − |
Г(n; z0 2σ2 ) |
. |
(3.26) |
(n −1)! |
В радиолокационных задачах обнаружения полученные формулы (3.25) и (3.26) обычно используются следующим образом. По заданной вероятности ложной тревоги PF из соотношения (3.26) определяют порог обнаружения
117
z0 2σ 2 . При этом удобно использовать широко распространенные таблицы рас-
пределения χ2 [42], поскольку
|
Г(n; β) |
|
1 |
∞ 2n |
−1 |
− |
x |
|
||
|
|
|
|
|
||||||
|
|
∫0 x 2 |
2 dx = P(2β;2n), |
|||||||
1 − |
|
|
= |
|
e |
|
||||
(n −1)! |
2(2n / 2)Г(2n / 2) |
где P(a; b) – табулированная функция (распределение χ2 [42]). После оп-
ределения z0 2σ 2 формула (3.25) позволяет рассчитать характеристики обна-
ружения, т.е. зависимость вероятности правильного обнаружения PD от вели-
чины отношения сигнал/шум q . Такие характеристики приведены на рис.3.3
для двух значений вероятностей ложной тревоги PF =10−2 и PF =10−3 при n =10 .
Соответствующие значения порога обнаружения z0 2σ 2 =18,5 и z0 2σ 2 = 22,5 на-
ходятся по формуле (3.26).
PD
PF = 10−2
0,75
PF = 10−3
0,5
0,25
0
1 |
2 |
3 |
q |
Рис. 3.3. Характеристики обнаружения сигналов С помощью характеристик обнаружения можно по заданным значениям
PD и PF определить необходимую величину порогового сигнала q , обеспечи-
вающую требуемое качество обнаружения.
Рассмотренный метод дает возможность рассчитывать точные характеристики обнаружения сигналов. Однако во многих задачах возникают значительные, а иногда и непреодолимые, математические трудности, связанные, чаще
118
всего, с нахождением обратного преобразования Фурье (3.24). В подобных ситуациях используют приближенный метод расчета характеристик, заключаю-
щийся в следующем. Если n велико и дисперсии M {(li − M {li })2 } ограничены, то
n
распределение суммы большого числа независимых СВ z = ∑li ( yi ) согласно
i =1
центральной предельной теореме приближается к нормальному [29, 40]:
|
1 |
|
|
(z−m |
)2 |
|
1 |
|
|
(z−m |
Z 1 |
)2 |
|
w(z H0 ) |
|
− |
Z 0 |
|
w(z H1 ) |
|
− |
|
, |
(3.27) |
|||
e |
2σ2 |
, |
e |
2σ |
2 |
||||||||
2πσZ 0 |
|
Z 0 |
2πσZ1 |
|
Z 1 |
где mZ 0 , σZ2 0 и mZ1 , σZ21 – условные математические ожидания и диспер-
сии z , когда справедливы гипотезы H0 и H1 соответственно. Параметры (3.27)
обычно могут быть вычислены достаточно просто, поскольку
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
mZ 0 = ∑M {li H0 }, |
|
|
|
|
mZ1 = ∑M {li H1} |
|
|
|
||||||||||||
|
|
|
|
i =1 |
|
|
|
|
|
|
|
|
i =1 |
|
|
|
|
|
|
|||
σZ2 0 = ∑n (M {li2 H0 }− M 2 {li H0}), |
|
|
|
σZ21 = ∑n (M {li2 H1}− M 2 {li H1}) |
|
|||||||||||||||||
|
i =1 |
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
причем, с учетом основной теоремы (1.37) о математическом ожидании, |
||||||||||||||||||||||
M {li H0,1}= ∞∫li (yi )w(yi |
H0,1 )dyi , |
M {li2 |
H0,1}= ∞∫li2 (yi )w(yi |
H0,1 )dyi . |
|
(3.28) |
||||||||||||||||
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
После выполнения указанных преобразований искомые вероятности |
|
|||||||||||||||||||||
∞ |
1 |
−(z−mZ 0 )2 |
|
1 |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|||
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
||||||||
PF ∫ |
e |
|
2σZ 0 |
dz = |
|
−Φ0 |
z0 |
− mZ 0 |
PD |
|
z0 −mZ1 |
|
(3.29) |
|||||||||
|
|
|
|
|
|
|
|
|
, |
|
−Φ0 |
|
|
|||||||||
|
|
|
2 |
|
|
σZ 0 |
|
2 |
σZ1 |
|||||||||||||
z0 |
2πσZ 0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
находятся по таблицам функции Лапласа. Рассматривая в качестве при- |
||||||||||||||||||||||
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
мера правило z = ∑yi 2 >< z0 |
обнаружения релеевского сигнала, запишем последо- |
|||||||||||||||||||||
|
i =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
вательно |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M {li = yi2 H1}=1 λ,λ =1 2σ2 (1 + q), |
M {li2 H1}= 2 λ2 , mZ1 = n λ,σZ21 = n λ2 , |
|||||||||||||||||||||
PF 0.5 −Φ0 (Z0 |
|
|
n )− n , |
|
|
|
|
|
|
|
|
|
|
z0 |
|
|
|
|
(3.30) |
|||
2σ |
2 |
|
|
|
PD |
|
|
|
|
2 |
|
|
− |
|
||||||||
|
|
|
|
= 0,5 −Φ0 |
2σ |
(1+q) |
n . |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
||||
Полагаяn =10, PF |
=10−2 и |
PF =10−3 , по таблицам функции Лапласа [40] на- |
||||||||||||||||||||
ходим Z0 2σ2 =17,33 и Z0 |
2σ2 |
=19,76 |
соответственно. Сравнивая теперь эти зна- |
119
чения с пороговыми уровнямиZ0 2σ2 =18,5 и Z0 2σ2 = 22,5 , рассчитанными с по-
мощью точного соотношения (3.26), видим, что погрешность выше при меньшей вероятности ложной тревоги.
Для оценки применимости метода аппроксимации нормальным распределением в рассматриваемом примере на рис.3.3 нанесены пунктирные кривые, найденные с помощью приближенной формулы (3.30). Анализ приведенных зависимостей показывает, что приближенный метод приводит к значительным погрешностям при вероятности ложной тревоги PF <10−3 . Вместе с тем погреш-
ность при PF <10−2 во многих задачах может считаться допустимой. Кроме того,
следует отметить, что приведенные погрешности соответствуют относительно малому значению n =10 , принятому в данной задаче. При обработке большего числа наблюдений погрешности за счет нормальной аппроксимации заметно уменьшаются, и при n > 30 ÷100 точность приближенного метода, как правило, становится удовлетворительной.
К сожалению, в общем случае нельзя дать достаточно надежную аналитическую оценку погрешности, возникающей при замене действительного рас-
|
n |
|
пределения суммы |
z = ∑li ( yi ) |
нормальным. Поэтому при использовании при- |
|
i =1 |
|
ближенного метода расчета характеристик обнаружения необходимо применять те или иные приемы обеспечения достаточной степени уверенности в справедливости найденных результатов. Одним из таких приемов является метод статистического моделирования [6]. Суть метода заключается в формировании с помощью ЭВМ последовательности N псевдослучайных выборок y(1), y(2),..., y(N )
с ПРВ |
w(yi H0 ), где |
|
(j ) = (y1(j ) y2(j )... yn(j ) )T , вычислении для каждой выборки суммы |
||||
y |
|||||||
z(j ) = ∑n |
li (yi(j )), j =1, 2,..., N , |
и |
построении на основе случайных |
чисел |
|||
i=1 |
|
|
|
|
|
|
|
{z(j )}, j =1, 2,..., N , гистограммы |
w* (z H0 ), аппроксимирующей |
искомую ПРВ |
|||||
w(z H0 ). Совершенно аналогично формируется гистограмма |
w* (z H1 ), |
позво- |
|||||
ляющая дать оценку PD* |
вероятности правильного обнаружения PD . При этом |
120