首页 / 书籍阅读

本书导读 · 本书全部章节

阵列输出怎样从一个数变成可检验的检测结论？

最优阵列处理 · 第10章 检测及其他专题

第10章把阵列处理与检测连接起来。先进行空间滤波再设置门限，仍需说明滤波后统计量的分布；若权重由同一批数据估计，这种自适应依赖还可能改变原先的门限标定。

本篇以假设检验为基础，澄清虚警、漏检和检测概率，再说明它们与参数估计的区别。

在一段只有噪声的数据里，仍然能找到很高的峰值。把门限画在曲线上方，并不能让峰值从此消失；真正需要回答的是，这条线在既定噪声模型下会被越过多少次。Mahafza 第四章从接收机的正交分量讲起，正是为了给“峰值看着明显”换上一套可以计算的语言。

设噪声的同相和正交分量彼此独立，均为零均值高斯变量，每个分量的方差都是σ²。包络不再是高斯变量，而服从瑞利分布：

这个变换里不能漏掉极坐标的面积因子。平面上相同厚度的圆环，半径越大，面积也越大；密度前面的r正是这一几何因素的体现。只把两个高斯指数相加，却不处理变量变换，会得到不能正确归一化的结果。

平方律处理又把问题换了一次坐标。定义无量纲能量q=r²/(2σ²)，纯噪声时它服从均值为一的指数分布。于是零均值的正交噪声、非负的包络以及非负的能量，对应三种不同统计量。说“噪声均值为零”时，必须交代指的是哪一级输出。

这些结论也有具体前提：两路方差相等、没有相关项、均值为零。直流偏置、通道失衡或相关噪声都会改变推导的起点。检查直方图之前，先核对数据在接收链路中的位置，往往能避免把错误的概率密度套到正确的数据上。

虚警率是尾部面积，不是峰值的高度

虚警概率的定义很窄：已知只有噪声，统计量超过门限的概率。对上一页的包络模型，把密度从门限V积分到无穷，得到

图上的纵坐标因此是一个面积结果，不是某处的概率密度值。连续变量在一个精确点上的概率为零；门限判断涉及的是整个尾部。这一区分看似基础，却经常在阅读检测曲线时被忽略。

自拟例子令每路噪声标准差为一。包络门限取二，虚警概率约为零点一三五三；门限取三，则降至零点零一一一。两者的差别远大于门限数值本身的比例。如果希望概率为百分之一，归一化门限约为三点零三五。这里所有门限都以同一噪声标准差为单位，并非设备上的固定电压。

单次概率还不能直接当成整段数据的概率。自拟一百次相互独立的判断，每次虚警概率均为百分之一，至少出现一次虚警的概率为1−0.99¹⁰⁰，约百分之六十三点四。单次看似很小的尾部面积，经过多次尝试后并不保证整段记录平静。

若数据先经过滤波或重叠分段，连续判断之间往往相关，不能把采样点个数原封不动地当成独立试验次数。本章把虚警时间与带宽联系起来，阅读时应先弄清一次判断占用的有效时间尺度。采样率、滤波带宽和独立样本数有关联，却不是三个可以直接划等号的量。

检测概率高，不等于阳性结果一定可信

信号加入之后，二维噪声云的中心发生偏移，包络分布也随之改变。对幅度固定而相位未知的正弦分量，包络对应莱斯分布，其中的零阶修正贝塞尔函数来自对相位角的积分。信号幅度为零时，它应退回瑞利分布；这是核对公式或程序时很有效的边界检查。

检测概率是有信号条件下的尾部面积，写成

同一门限切过两种不同分布，一边给出虚警概率，一边给出检测概率。门限降低，两边通常一起增大；只报告检测概率，却隐藏虚警条件，无法完成一次有意义的比较。本章的 Marcum Q 函数就是把相应尾部积分组织起来，函数名本身并没有取消信号模型的假设。

还有第三种容易混淆的概率：已经超过门限，此时确实存在信号的概率。自拟一万份样本，其中一百份含信号，其余九千九百份不含信号。若检测概率为百分之九十、虚警概率为百分之一，平均会有九十次正确检出与九十九次虚警。在全部一百八十九次阳性结果中，真实信号只约占百分之四十七点六。

这组整数表示模型下的期望次数，实际重复实验会波动。它说明检测概率、虚警概率和阳性结果可信度对应不同的条件，第三项还依赖样本中信号出现的比例。读检测曲线时，把条件写在概率符号旁边，比单看一条曲线是否接近一更重要。门限检测给出的是统计判断，不能自动替代后续的数据解释。

先相加还是先平方，会改写整个分布

多次记录可以相加，但相加之前保留了哪些信息，决定了最后得到什么。相干积累在复数域中进行，保留各次记录之间的相位关系；非相干积累先取得包络或能量，再将非负统计量相加。两个操作顺序不能交换，也不对应同一条概率密度曲线。

最短的反例只需两个复数。一和负一直接相加为零，分别取模平方后再相加却等于二。因此，复数相加需要共同的相位参照；相位变化未被模型描述时，幅度可能相消。另一方面，先取模平方会丢掉符号和相位，之后再精确地求和也无法把它们找回来。

对独立且同分布的零均值噪声，取N次平均后的方差是σ²/N。如果不同记录具有相同的正相关系数ρ，则变成

自拟图例比较独立噪声与相关系数零点二的噪声。四次平均的归一化方差分别为零点二五和零点四；十六次分别为零点零六二五和零点二五。记录条数相同，得到的统计变化却明显不同，差别来自相关项没有消失。

平方律之后，若每次归一化能量独立且服从指数分布，其和服从 Gamma 分布。换了积累次数，门限对应的尾部面积也会变，不能继续沿用单次指数分布的门限关系。本章讨论积累效率时，比较必须固定虚警和检测条件；若这些条件也跟着改变，两个结果的比值就不再只反映积累本身。

起伏模型，不能只用一个平均值概括

幅度固定的模型容易计算，但真实测量中同一种对象的响应也可能变化。第四章随后引入起伏模型，方法是在给定响应强度时先算条件分布，再对强度的分布取平均。要平均的是概率或条件密度，通常不能先把随机强度替换成均值，再假装两种计算必然等价。

用无量纲强度u表示一个均值为一的随机量。指数模型的密度为e^−u，方差为一；形状参数为二、尺度为二分之一的 Gamma 模型，密度为4ue^−2u，方差为二分之一。它们平均强度相同，零附近和尾部的概率分配却不同。检测依赖尾部积分，所以一个均值不足以决定结果。

Swerling I 与 II 使用同一类强度分布，III 与 IV 使用另一类强度分布，但每一对还要区分观察期间的时间相关性：一种在一组观察内近似保持，另一种在连续记录之间独立起伏。将相同的边缘分布随意配给不同的时间模型，会改变多次积累的分布。本书用 V 型表示非起伏情形，阅读对应函数时要先确认输入采用哪一种假设。

同样的提醒也适用于累计检测概率。若三次判断相互独立，且各次检测概率分别为零点二、零点三、零点四，自拟例子中至少一次检出的概率为

一旦三次判断共享同一段持续衰弱状态，独立乘积便不再可靠。不能把相关的多次观察当成重新抽取的独立机会。章中不完全 Gamma 函数、级数与递推式虽然形式较长，背后始终是同一个问题：进入积分的究竟是哪一个统计量，它的联合分布又由什么假设决定。

自适应门限，依靠的是尺度抵消

如果背景噪声整体变强，固定电压门限对应的虚警概率就会改变。第四章最后讨论的单元平均恒虚警处理，用邻近参考单元估计背景尺度，再把待检单元与这个尺度比较。待检单元不进入自身的背景估计，紧邻单元也设置保护间隔，避免把信号外溢误当作背景。

设纯噪声能量都可写为未知尺度乘以无量纲随机量。待检能量除以参考能量均值时，共同尺度能够约掉。这解释了“恒虚警”的来源，也说明它有条件：参考单元和待检单元必须共享所假定的分布与尺度。背景边缘、其他信号混入参考区以及样本相关性，都会破坏这个推导。

求和与求均值还差一个不能遗漏的因子。若M个独立指数参考量的均值为，待检量与参考区独立，用判据，则

若改用参考量的和，系数也必须相应改变。看代码时应从累加器追到比较器，不能只凭变量名判断采用了哪一种归一化。经过多次平方律积累之后，参考量与待检量的形状参数也要一起更新。

阅读依据为 Bassem R. Mahafza，Radar Systems Analysis and Design Using MATLAB，2000 年，第 4 章，所用 PDF 第 158—204 页。回读顺序可沿正交噪声、包络变换、尾部概率、积累、起伏与参考统计展开。第 4.8 节把所需统计条件接回系统方程，提醒我们先说明概率和模型，再解释计算结果；章末程序宜用零信号、单次观察和概率范围这些边界条件逐项核对。

本章范围与工程联系

检测回答信号是否存在，估计回答参数是什么，二者不能凭一条尖峰互相代替。系统层验证还应覆盖训练数据变化与多次检验；固定权重下通过的门限测试，不能自动代表自适应全过程。

来源与阅读位置

章目依据 Wiley《Optimum Array Processing》（Harry L. Van Trees，2002）公开目录核对。当前未取得整本原文；本组以同题公开理论和图书馆已有教材专题编订中文导读，明确补充原理，不宣称逐页解读或复现原书例题。

技术展开依据：图书馆既有专题《超过门限就算发现信号？先把这三种概率分清》（雷达系统分析与设计（MATLAB版））。本篇重新编排章节导读与适用边界；图表及算例属于专题解释，不能当作目标书的原图或原书实测结果。

Wiley 目录、章节摘要与书目信息