PHMI，漏检，误警，VPL概念理解

完好性风险（PHMI, Probability of Hazardously Misleading Information）是一个关键的概念，尤其在导航系统和航空安全领域。它表示系统在特定条件下提供误导信息的概率，这种误导信息可能导致危险情况。具体解释如下：

1. 定义：

   • 完好性风险（PHMI）指的是系统提供的位置信息超出安全容限并持续超过一定时间（Time-to-Alert, TTA）的概率。这种误差如果不被及时检测和纠正，可能会对安全产生严重影响。

2. PHMI的计算：

   • PHMI计算的是在特定几何和环境条件下，水平位置误差（Horizontal Position Error, HPE）超过水平保护水平（Horizontal Protection Level, HPL）或者垂直位置误差（Vertical Position Error, VPE）超过垂直保护水平（Vertical Protection Level, VPL）的概率。这需要考虑到所有可能的故障和干扰情况。

3. PHMI的要求：

   • 为了确保系统的安全性，PHMI必须非常低。例如，在LPV-200标准中，PHMI必须小于每次进近2 x 10^-7。这意味着每次进近中，发生危险误导信息的概率必须小于1亿分之二。

4. PHMI在系统设计中的作用：

   • PHMI是系统设计和验证中的一个重要指标。设计者需要通过合理的硬件选择、算法设计和冗余机制来降低PHMI，确保系统在各种情况下都能提供可靠的位置信息。

5. PHMI与完好性监控：

   • 为了保持低PHMI，系统通常需要实时监控和完好性检查机制。当检测到可能的误导信息时，系统应能够及时发出警报或采取纠正措施，以避免危险情况的发生。

总结来说，完好性风险（PHMI）是衡量导航系统安全性的一个重要指标。低PHMI表示系统在提供位置信息时具有高度的可靠性和安全性，能够在关键应用场景中有效保护用户的安全。

---

论文阅读《Feasibility Analysis of RAIM to Provide LPV-200 Approaches with Future GPS》

1. PHMI计算
   这里考虑每个卫星故障发生的概率，同时每个故障又有漏检的概率，因此有$P_{fault,i}\times P_{md,i}$，所有$i$的加和，即为PHMI，计算的PHMI不得超过预定的PHMI，也可以用预定的PHMI和已知$P_{fault,i}$反算$P_{md,i}$，得到每个$P_{fault,i}$可以乘以的最大$P_{md,i}$.
   
   由于$P_{fault,i}$都相等，大部分方法采用PHMI平均分配的形式计算$P_{md,i}$.
   

---

解分离量$S{S}_i$

1. 解分量方法，首先是解分离量定义公式3，协方差定义公式5
   
   公式3和5推导
   
   SS是全集解和子集解的分离程度，把这个当成检验统计量
2. 对于解分离量SS的检测阈值设置
   需要设置一个threshold来判断SS是否可行，这存在误判风险$P_{fa,i}$，要确保总的$P_{fa,i}$不超过设定的最大误报风险$P_{fa}$，

---

好的，让我们详细解释一下假警分配因子 (K_{fa,k}) 和阈值 (T_{k,3}) 的含义，以及它们在故障检测中的作用。

---

子集的概念
子集即故障假设，假设某几个故障已经发生，把假定的故障剔除出测量集合中，得到的剩余的测量值即为子集
首先要验证是否真的发生这种故障情况，验证方法是用子集得到一个解，全集得到一个解，然后比较两个解，以绝对值而言，如果值过大即说明，系统肯定出现故障。子集和全集都有可能。1是子集里面还存在故障，2是子集无故障，排除正确，全集有故障。
然后是设定这个阈值，超过这个阈值即判断系统发生故障，阈值设定在下节。

假警分配因子 (K_{fa,k})

假警分配因子 (K_{fa,k}) 是用于控制系统假警率的一个系数。假警率（False Alarm Rate, FAR）是指在没有故障的情况下，错误地发出故障警报的概率。假警分配因子的选择通常基于统计学中的假设检验原理。

在假设检验中，假警分配因子 (K_{fa,k}) 通常是一个表示置信水平的系数。例如：

• 95%的置信水平对应的 (K_{fa,k}) 大约为1.645。
• 99%的置信水平对应的 (K_{fa,k}) 大约为2.33。

假设 (K_{fa,k} = 0.001)，这是一个非常低的值，表示系统希望将假警率控制在非常低的水平。

分离标准差 (\sigma_{ss,k})

分离标准差 (\sigma_{ss,k}) 是度量全集解和子集解之间差异的一个标准差。它反映了假设某个故障模式时，系统定位结果的变异性。

阈值 (T_{k,3}) 的含义

阈值 (T_{k,3}) 是由假警分配因子 (K_{fa,k}) 和分离标准差 (\sigma_{ss,k}) 共同决定的，用于检测系统是否存在故障：

$$T_{k,3}=K_{fa,k}{\sigma }_{ss,k}$$

其中：

• (K_{fa,k}) 是假警分配因子，控制假警率。
• (\sigma_{ss,k}) 是分离标准差，反映全集解和子集解之间的变异性。

在检测过程中，检验标准为：

$$|{\hat{X}}_3^{(k)}-{\hat{X}}_3^{(full)}|\le T_{k,3}$$

这意味着，如果全集解和子集解之间的差异$(|{\hat{X}}_3^{(k)}-{\hat{X}}_3^{(full)}|)$小于等于阈值$(T_{k,3})$，则认为系统无故障；否则，可能存在故障。

统计意义上的解释

假设 (K_{fa,k} = 0.001) 和 (\sigma_{ss,k}) 是作为$(|{\hat{X}}_3^{(k)}-{\hat{X}}_3^{(full)}|\le T_{k,3})$统计量的标准差，那么：

• 阈值 (T_{k,3}) 实际上是根据 (\sigma_{ss,k}) 计算的一个置信区间边界。
• 具体来说，(T_{k,3}) 表示在设定的假警率（0.1%）下，系统可以容忍的全集解和子集解之间的最大差异。

当我们说假警分配因子 (K_{fa,k} = 0.001) 时，这意味着我们希望在99.9%的情况下，即假警率为0.1%的情况下，系统不会错误地发出故障警报。因此，阈值 (T_{k,3}) 被设定为 (\sigma_{ss,k}) 的0.1%分位数，即使得假警率控制在0.1%的水平。

总结

• 假警分配因子 $(K_{fa,k})$：控制系统的假警率，决定了在没有故障的情况下，系统容忍的最大误差范围。
• 分离标准差 $({\sigma }_{ss,k})$：反映全集解和子集解之间的变异性。
• 阈值 $(T_{k,3})$：由 (K_{fa,k}) 和 (\sigma_{ss,k}) 共同决定，表示在设定假警率下，系统可以容忍的最大误差范围，用于故障检测。

通过这些因素的结合，系统可以在设定的假警率下，检测到故障并保持正常运行。如果还存在测量偏差，还需要加上$b_{bias}$.

$K_{fa,i}\times {\sigma }_{ss,i}$这是VPL中对于子集和全集之间，在设定下误警概率$P_{fa}$下，可容忍的最大偏差，即为$T_k$。这个子集即为一种故障假设，要保证这种故障假设误报率非常低，既需要设置$P_{fa}$非常低（置信水平非常高）。

因此子集VPL首先需要加上$T_k$

---

$K_{md,i}\times {\sigma }_i$是对于当前子集而言，可容忍子集偏差的最大程度，漏检因子由漏检概率$P_{md,i}$导出，表示发生这个故障时存在的（上节有说明，由PHMI导出，平均化）漏检概率。统计概念即第二类错误，计算这个子集时，即认为对应的故障假设已经发生（右边曲线部分），要保证系统不漏检这个故障，既需要保持橙色阴影部分足够小（$P_{md,i}$足够小对应$K_{md,i}$），也即${\sigma }_i$覆盖范围够大，即需要乘以$K_{md,i}$，保证系统在设定的置信水平不会漏检故障。

因此子集VPL还需要加上$K_{md,i}\times {\sigma }_i$

---

最后是需要加上子集本身存在偏差$b_k$，以上三个量即构成子集VPL
$$VP{L}_k=T_{k,3}+K_{md,k}{\sigma }_k+b_k$$
然后选取最大VPL作为系统当前VPL