信号处理仿真：信号检测与估计_（26）.信号检测与估计的实验设计

信号检测与估计的实验设计

实验设计的基本概念

在信号处理领域，实验设计是验证信号检测与估计算法性能的重要步骤。实验设计的目标是通过模拟真实世界场景中的信号和噪声，评估算法的性能，包括检测概率、虚警概率、估计精度等。实验设计不仅需要考虑信号和噪声的特性，还需要考虑仿真环境的设置，如采样频率、仿真时间、数据量等。

信号模型

信号模型是实验设计的基础，它描述了信号的数学形式。常见的信号模型包括确定性信号和随机信号。确定性信号具有固定的数学表达式，如正弦波、矩形波等。随机信号则具有不确定性，通常用概率分布来描述，如高斯白噪声、瑞利噪声等。

确定性信号模型

确定性信号模型是指信号的数学表达式已知且固定。例如，一个正弦波信号可以用以下数学表达式表示：

$$x(t)=A\sin (2\pi ft+\varphi )$$

其中，$A$ 是信号的幅度，$f$ 是信号的频率，$t$ 是时间，$\varphi$ 是相位。

代码示例：生成正弦波信号

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A * np.sin(2 * np.pi * f * t + phi)

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t, x)
plt.title('正弦波信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.grid(True)
plt.show()

随机信号模型

随机信号模型是指信号的数学表达式包含随机成分。常见的随机信号模型包括高斯白噪声和瑞利噪声。高斯白噪声是一种具有零均值和恒定方差的随机信号，其概率密度函数为：

$$p(x)=\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{x^2}{2{\sigma }^2}}$$

其中，$\sigma$ 是噪声的标准差。

代码示例：生成高斯白噪声

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
sigma = 1.0  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 绘制噪声
plt.figure(figsize=(10, 4))
plt.plot(t, n)
plt.title('高斯白噪声')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.grid(True)
plt.show()

信号与噪声的叠加

在实际应用中，信号通常会被噪声污染。因此，实验设计需要考虑如何将信号和噪声叠加，以模拟真实场景。信号与噪声的叠加可以通过简单的加法实现。

代码示例：信号与噪声的叠加

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A * np.sin(2 * np.pi * f * t + phi)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 绘制信号、噪声和叠加信号
plt.figure(figsize=(10, 4))
plt.plot(t, x, label='正弦波信号')
plt.plot(t, n, label='高斯白噪声')
plt.plot(t, y, label='叠加信号')
plt.title('信号与噪声的叠加')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

信号检测的基本原理

信号检测的基本原理是通过一定的算法，从噪声中提取出信号的存在与否。常用的信号检测方法包括匹配滤波器、能量检测等。匹配滤波器是一种最优检测器，它通过与信号模板进行相关运算，实现信号的检测。能量检测则通过计算信号的总能量，判断信号是否存在。

匹配滤波器

匹配滤波器是一种基于最大似然比的检测器。它通过与已知的信号模板进行相关运算，最大化信噪比（SNR）。匹配滤波器的输出可以表示为：

$$y(t)=x(t)\ast h(t)$$

其中，$\ast$ 表示卷积运算，$h(t)$ 是信号模板的时反。

代码示例：匹配滤波器检测

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import correlate

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A * np.sin(2 * np.pi * f * t + phi)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 生成信号模板
h = A * np.sin(2 * np.pi * f * t + phi)

# 时反信号模板
h_flipped = np.flip(h)

# 匹配滤波器输出
correlation = correlate(y, h_flipped, mode='full')

# 绘制匹配滤波器输出
plt.figure(figsize=(10, 4))
plt.plot(correlation)
plt.title('匹配滤波器输出')
plt.xlabel('时间 (秒)')
plt.ylabel('相关值')
plt.grid(True)
plt.show()

能量检测

能量检测通过计算信号的总能量，判断信号是否存在。能量检测的基本原理是：

$$E=\sum _{i=1}^{N}y(i{)}^2$$

其中，$y(i)$ 是接收信号的采样值，$N$ 是采样点数。如果能量 $E$ 超过某个阈值，则认为信号存在。

代码示例：能量检测

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A * np.sin(2 * np.pi * f * t + phi)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 计算信号能量
E = np.sum(y**2)

# 阈值设置
threshold = 1000

# 判断信号是否存在
if E > threshold:
    print('信号存在')
else:
    print('信号不存在')

# 绘制信号能量
plt.figure(figsize=(10, 4))
plt.plot(t, y, label='叠加信号')
plt.axhline(y=0, color='r', linestyle='--', label='能量阈值')
plt.title('信号能量检测')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

信号估计的基本原理

信号估计的目标是从观测数据中估计出信号的参数。常见的信号估计方法包括最小二乘法、最大似然估计等。最小二乘法通过最小化观测数据与模型之间的误差平方和，实现参数的估计。最大似然估计则通过最大化似然函数，实现参数的估计。

最小二乘法

最小二乘法是一种常用的参数估计方法，它通过最小化观测数据与模型之间的误差平方和，实现参数的估计。假设观测数据 $y$ 可以表示为：

$$y=A\sin (2\pi ft+\varphi )+n$$

其中，$A$、$f$ 和 $\varphi$ 是待估计的参数，$n$ 是噪声。最小二乘法的估计过程可以表示为：

$$\hat{A},\hat{f},\hat{\varphi }=\arg \underset{A,f,\varphi }{\min }\sum _{i=1}^N(y(i)-A\sin (2\pi ft(i)+\varphi ){)}^2$$

代码示例：最小二乘法估计参数

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import least_squares

# 参数设置
A_true = 1.0  # 真实幅度
f_true = 5.0  # 真实频率 (Hz)
phi_true = np.pi / 4  # 真实相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A_true * np.sin(2 * np.pi * f_true * t + phi_true)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 定义误差函数
def error_function(params, t, y):
    A, f, phi = params
    model = A * np.sin(2 * np.pi * f * t + phi)
    return y - model

# 初始参数估计
initial_params = [1.0, 4.0, 0.0]

# 使用最小二乘法进行参数估计
result = least_squares(error_function, initial_params, args=(t, y))

# 提取估计参数
A_est, f_est, phi_est = result.x

# 生成估计信号
x_est = A_est * np.sin(2 * np.pi * f_est * t + phi_est)

# 绘制真实信号、叠加信号和估计信号
plt.figure(figsize=(10, 4))
plt.plot(t, x, label='真实信号')
plt.plot(t, y, label='叠加信号')
plt.plot(t, x_est, label='估计信号')
plt.title('最小二乘法参数估计')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

# 输出估计参数
print(f'真实幅度: {A_true}, 估计幅度: {A_est}')
print(f'真实频率: {f_true}, 估计频率: {f_est}')
print(f'真实相位: {phi_true}, 估计相位: {phi_est}')

最大似然估计

最大似然估计通过最大化似然函数，实现参数的估计。假设观测数据 $y$ 可以表示为：

$$y=A\sin (2\pi ft+\varphi )+n$$

其中，$n$ 是高斯白噪声。最大似然估计的似然函数可以表示为：

$$L(A,f,\varphi )=\prod _{i=1}^N\frac{1}{\sqrt{2\pi {\sigma }^2}}{e}^{-\frac{(y(i)-A\sin (2\pi ft(i)+\varphi ){)}^2}{2{\sigma }^2}}$$

最大化似然函数等价于最小化负对数似然函数：

$$\log L(A,f,\varphi )=-\frac{1}{2{\sigma }^2}\sum _{i=1}^N(y(i)-A\sin (2\pi ft(i)+\varphi ){)}^2$$

代码示例：最大似然估计参数

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import minimize

# 参数设置
A_true = 1.0  # 真实幅度
f_true = 5.0  # 真实频率 (Hz)
phi_true = np.pi / 4  # 真实相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A_true * np.sin(2 * np.pi * f_true * t + phi_true)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 定义负对数似然函数
def log_likelihood(params, t, y, sigma):
    A, f, phi = params
    model = A * np.sin(2 * np.pi * f * t + phi)
    residual = y - model
    log_likelihood = np.sum(residual**2) / (2 * sigma**2)
    return log_likelihood

# 初始参数估计
initial_params = [1.0, 4.0, 0.0]

# 使用最大似然估计进行参数估计
result = minimize(log_likelihood, initial_params, args=(t, y, sigma))

# 提取估计参数
A_est, f_est, phi_est = result.x

# 生成估计信号
x_est = A_est * np.sin(2 * np.pi * f_est * t + phi_est)

# 绘制真实信号、叠加信号和估计信号
plt.figure(figsize=(10, 4))
plt.plot(t, x, label='真实信号')
plt.plot(t, y, label='叠加信号')
plt.plot(t, x_est, label='估计信号')
plt.title('最大似然估计参数')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

# 输出估计参数
print(f'真实幅度: {A_true}, 估计幅度: {A_est}')
print(f'真实频率: {f_true}, 估计频率: {f_est}')
print(f'真实相位: {phi_true}, 估计相位: {phi_est}')

仿真环境的设置

仿真环境的设置是实验设计的重要环节，它包括采样频率、仿真时间、数据量等参数的设定。合理的仿真环境设置可以提高仿真的准确性和效率。

采样频率

采样频率 $F_s$ 是指每秒采样的次数。根据奈奎斯特采样定理，采样频率至少应该是信号最高频率的两倍，以避免信号的混叠。

代码示例：采样频率的影响

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
sigma = 0.5  # 噪声标准差
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(T * 100), endpoint=False)  # 低采样频率

# 生成正弦波信号
x = A * np.sin(2 * np.pi * f * t + phi)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t, y, label='低采样频率信号')
plt.title('低采样频率信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

# 生成时间向量
t = np.linspace(0, T, int(T * 1000), endpoint=False)  # 高采样频率

# 生成正弦波信号
x = A * np.sin(2 * np.pi * f * t + phi)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t, y, label='高采样频率信号')
plt.title('高采样频率信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

仿真时间

仿真时间 $T$ 是指仿真的总时间。仿真时间的设置需要考虑信号的周期性和噪声### 仿真时间

仿真时间 $T$ 是指仿真的总时间。仿真时间的设置需要考虑信号的周期性和噪声的影响。对于周期性信号，仿真时间应该至少包含几个完整的周期，以便更好地捕捉信号的特征。对于非周期性信号，仿真时间应该足够长，以确保信号的所有重要部分都能被观测到。此外，仿真时间的设置还会影响数据量和计算复杂度。

代码示例：仿真时间的影响

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)

# 生成时间向量
T1 = 0.5  # 短仿真时间
t1 = np.linspace(0, T1, int(Fs * T1), endpoint=False)

# 生成正弦波信号
x1 = A * np.sin(2 * np.pi * f * t1)

# 生成高斯白噪声
n1 = np.random.normal(0, sigma, len(t1))

# 信号与噪声的叠加
y1 = x1 + n1

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t1, y1, label='短仿真时间信号')
plt.title('短仿真时间信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

# 生成时间向量
T2 = 2.0  # 长仿真时间
t2 = np.linspace(0, T2, int(Fs * T2), endpoint=False)

# 生成正弦波信号
x2 = A * np.sin(2 * np.pi * f * t2)

# 生成高斯白噪声
n2 = np.random.normal(0, sigma, len(t2))

# 信号与噪声的叠加
y2 = x2 + n2

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t2, y2, label='长仿真时间信号')
plt.title('长仿真时间信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

数据量

数据量是指在仿真过程中生成的数据点数。数据量的设置会影响信号检测和估计的准确性。通常，更多的数据量可以提高检测和估计的精度，但也增加了计算的复杂度和时间。因此，需要在精度和效率之间找到一个平衡点。

代码示例：数据量的影响

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
A = 1.0  # 幅度
f = 5.0  # 频率 (Hz)
phi = np.pi / 4  # 相位 (弧度)
sigma = 0.5  # 噪声标准差
T = 1.0  # 仿真时间 (秒)

# 生成时间向量
Fs1 = 500  # 低采样频率
t1 = np.linspace(0, T, int(Fs1 * T), endpoint=False)

# 生成正弦波信号
x1 = A * np.sin(2 * np.pi * f * t1)

# 生成高斯白噪声
n1 = np.random.normal(0, sigma, len(t1))

# 信号与噪声的叠加
y1 = x1 + n1

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t1, y1, label='低采样频率信号')
plt.title('低采样频率信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

# 生成时间向量
Fs2 = 2000  # 高采样频率
t2 = np.linspace(0, T, int(Fs2 * T), endpoint=False)

# 生成正弦波信号
x2 = A * np.sin(2 * np.pi * f * t2)

# 生成高斯白噪声
n2 = np.random.normal(0, sigma, len(t2))

# 信号与噪声的叠加
y2 = x2 + n2

# 绘制信号
plt.figure(figsize=(10, 4))
plt.plot(t2, y2, label='高采样频率信号')
plt.title('高采样频率信号')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

仿真环境的综合设置

在实际的信号检测与估计实验中，仿真环境的设置是一个综合考虑多个因素的过程。除了采样频率、仿真时间和数据量之外，还需要考虑噪声强度、信号类型、信号模型的复杂度等。合理的仿真环境设置可以确保实验结果的可靠性和有效性。

代码示例：综合仿真环境设置

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import correlate
from scipy.optimize import least_squares, minimize

# 参数设置
A_true = 1.0  # 真实幅度
f_true = 5.0  # 真实频率 (Hz)
phi_true = np.pi / 4  # 真实相位 (弧度)
sigma = 0.5  # 噪声标准差
Fs = 1000  # 采样频率 (Hz)
T = 2.0  # 仿真时间 (秒)

# 生成时间向量
t = np.linspace(0, T, int(Fs * T), endpoint=False)

# 生成正弦波信号
x = A_true * np.sin(2 * np.pi * f_true * t + phi_true)

# 生成高斯白噪声
n = np.random.normal(0, sigma, len(t))

# 信号与噪声的叠加
y = x + n

# 匹配滤波器检测
h = A_true * np.sin(2 * np.pi * f_true * t + phi_true)
h_flipped = np.flip(h)
correlation = correlate(y, h_flipped, mode='full')

# 绘制匹配滤波器输出
plt.figure(figsize=(10, 4))
plt.plot(correlation)
plt.title('匹配滤波器输出')
plt.xlabel('时间 (秒)')
plt.ylabel('相关值')
plt.grid(True)
plt.show()

# 最小二乘法估计参数
def error_function(params, t, y):
    A, f, phi = params
    model = A * np.sin(2 * np.pi * f * t + phi)
    return y - model

initial_params = [1.0, 4.0, 0.0]
result_ls = least_squares(error_function, initial_params, args=(t, y))
A_est_ls, f_est_ls, phi_est_ls = result_ls.x
x_est_ls = A_est_ls * np.sin(2 * np.pi * f_est_ls * t + phi_est_ls)

# 最大似然估计参数
def log_likelihood(params, t, y, sigma):
    A, f, phi = params
    model = A * np.sin(2 * np.pi * f * t + phi)
    residual = y - model
    log_likelihood = np.sum(residual**2) / (2 * sigma**2)
    return log_likelihood

result_ml = minimize(log_likelihood, initial_params, args=(t, y, sigma))
A_est_ml, f_est_ml, phi_est_ml = result_ml.x
x_est_ml = A_est_ml * np.sin(2 * np.pi * f_est_ml * t + phi_est_ml)

# 绘制真实信号、叠加信号、最小二乘法估计信号和最大似然估计信号
plt.figure(figsize=(10, 4))
plt.plot(t, x, label='真实信号')
plt.plot(t, y, label='叠加信号')
plt.plot(t, x_est_ls, label='最小二乘法估计信号')
plt.plot(t, x_est_ml, label='最大似然估计信号')
plt.title('综合仿真环境设置')
plt.xlabel('时间 (秒)')
plt.ylabel('幅度')
plt.legend()
plt.grid(True)
plt.show()

# 输出估计参数
print('最小二乘法估计参数:')
print(f'真实幅度: {A_true}, 估计幅度: {A_est_ls}')
print(f'真实频率: {f_true}, 估计频率: {f_est_ls}')
print(f'真实相位: {phi_true}, 估计相位: {phi_est_ls}')

print('\n最大似然估计参数:')
print(f'真实幅度: {A_true}, 估计幅度: {A_est_ml}')
print(f'真实频率: {f_true}, 估计频率: {f_est_ml}')
print(f'真实相位: {phi_true}, 估计相位: {phi_est_ml}')

总结

通过上述实验设计，我们可以验证信号检测与估计算法在不同仿真环境下的性能。合理的仿真环境设置包括采样频率、仿真时间和数据量的综合考虑，可以确保实验结果的准确性和可靠性。匹配滤波器和能量检测是常用的信号检测方法，而最小二乘法和最大似然估计是常用的信号估计方法。通过这些方法，我们可以从噪声中提取出信号的存在与否，并估计出信号的参数。这些实验设计和方法为实际应用中的信号处理提供了重要的理论和实践基础。