每日精学 019｜Neyman Pearson 准则与 ROC 曲线

2026-09-25

雷达 · 通信 · 电子战　/　基础精学 019

Bayes 判决需要先验概率和错误代价，但许多测量系统更容易规定单位时间内允许多少次误报。Neyman–Pearson 准则把这一工程限制直接写成虚警概率约束，再在该约束下选择检测概率最大的似然比检验。

ROC 曲线把所有可能门限对应的 (Pfa,Pd) 画在同一坐标中。它用于比较统计量的分离能力，但不能单独决定工作点，因为工作点还取决于实际虚警预算和试验次数。

01
模型与符号

α：允许的最大虚警概率（至 1）

d'：两高斯均值差除以共同标准差（无量纲）

γ：幅度判决门限（观测单位）

Pfa：虚警概率（至 1）

Pd：检测概率（至 1）

Pm：漏检概率 1−Pd（至 1）

AROC：ROC 曲线下面积（至 1）

02
固定虚警率检验

Neyman–Pearson 问题写为

\max_{\delta} P_d\qquad\text{subject to}\qquad P_{\mathrm{fa}}\leq\alpha.

最优规则比较似然比与常数。

对 Y|\mathcal H_0\sim\mathcal N(0,\sigma^2) 和 Y|\mathcal H_1\sim\mathcal N(A,\sigma^2)，当 A>0 时仍为 Y>γ。


03
门限反解与 ROC

虚警约束给出

\alpha=Q\!\left(\frac{\gamma}{\sigma}\right),\qquad \gamma=\sigma Q^{-1}(\alpha).

令 d'=A/σ，则

P_d=Q\!\left(Q^{-1}(P_{\mathrm{fa}})-d'\right).

该式消除了门限参数，直接给出 ROC。

d' 越大，曲线越靠近左上角。

04
积累与曲线下面积

对 M 个独立相干观测，

d'_M=\sqrt M d'

故相同虚警率下检测概率提高。等方差高斯模型的 ROC 曲线下面积为

A_{\mathrm{ROC}}=\Phi\!\left(\frac{d'}{\sqrt2}\right).

曲线下面积衡量随机抽取一个

\mathcal H_1

样本大于一个

\mathcal H_0

样本的概率，但它不能替代特定低虚警工作点的 Pd。


05
物理含义

ROC 表示门限变化导致的可达概率组合。相同曲线上的不同工作点没有绝对优劣；低虚警工作点通常需要更高门限并承受更大漏检。一次试验的 10−3 虚警率若每秒评估百万次，仍会产生每秒约千次期望虚警，因此概率必须与试验速率共同解释。

06
固定参数算例

固定 d'=2、σ=1 和目标 α=10−3。使用数值反函数求门限，计算对应 Pd，并以固定随机种子的分批样本估计低概率虚警。

另绘制 d'=0.5,1,2,3 的 ROC，比较单样本与四样本相干积累后的工作点。

独立双精度参考计算结果
量数值
dprime2
设定虚警概率0.001
q inverse target3.09023230617
threshold sigma units3.09023230617
theoretical pd0.137805412898
empirical pfa0.0009935
auc0.921350396475
pd after M4 coherent accumulation0.818527482275
h0 sample count2000000
图 1：不同可分辨度 ROC 曲线 固定虚警工作点 积累增益与低概率验证（子图 1）图 1：不同可分辨度 ROC 曲线 固定虚警工作点 积累增益与低概率验证（子图 2）图 1：不同可分辨度 ROC 曲线 固定虚警工作点 积累增益与低概率验证（子图 3）图 1：不同可分辨度 ROC 曲线 固定虚警工作点 积累增益与低概率验证（子图 4）

图 1　不同可分辨度 ROC 曲线 固定虚警工作点 积累增益与低概率验证

图表保留原报告的独立双精度参考结果。本次补充运行同参数 MATLAB 脚本并通过数值断言；随机算例比较统计关系，参考程序与 MATLAB 的随机样本不作逐点相同的假设。

07
数字实现的边界

模块 detection_rate_counter.sv 接收每次试验的真实假设标签和二元判决，分别累计 \mathcal H_0 试验数、虚警数、\mathcal H_1 试验数与检测数。

它不生成门限，也不把计数器比值转换为浮点概率。testbench 输入已知标签序列，核对四个计数器、清零和有效门控。

RTL 只实现本课中可明确量化的确定性数据通路或控制功能。概率分布拟合、浮点函数求值和图形生成留在 MATLAB 参考程序中，防止把软件统计功能误认为可综合硬件。

08
适用范围

ROC 与固定虚警率方法适用于接收机告警、同步捕获、质量筛查和任何需要控制误报预算的二元检测。部署记录应包含统计量定义、门限量化、试验速率、积累长度、估计样本数和置信区间。

09
工程上需要注意

  • 模型分布或噪声方差失配会使实际虚警率偏离设计值。

  • 低虚警率的经验验证需要大量独立试验，少量零虚警样本不能证明概率为零。

  • 多门限搜索会产生多重比较效应，总虚警率高于单个单元的虚警率。

  • ROC 不包含每种错误的业务代价，工作点仍需由外部约束选择。

Neyman–Pearson 准则在给定虚警约束下选择似然比门限。等方差高斯模型的 ROC 由可分辨度 d' 唯一确定，指定 Pfa 可用 Q 函数反解门限。

独立相干积累以 \sqrt M 提升 d'，但实际工作点还必须结合试验速率和模型失配评估。

内容依据：每日精学第 19 课《Neyman Pearson 准则与 ROC 曲线》。图表沿用原课固定参数数值结果，属于数值验证，不代表设备实测。

阅读10
分享
写评论...