1. 概述
假设二进制数据源产生二进制信号,记为H_{0}, H_{1}。例如:数字通信中,发送1,记为H_{1};发送0,记为H_{0}。
信号通过信道后在接收端进行观测,假设有N个观测值,把这N个观测值看作是N维空间中的一个点,记为r 。
假设如下,信源产生H_{0}, H_{1}的概率为P_{0}, P_{1};接收端r 的条件概率密度函数为p_{r |H_{1}}(R |H_{1}), p_{r |H_{0}}(R |H_{0})。
2. 判决准则
对于binary hypotheses问题,每次实验结果必然是以下四种之一:
1) 信源发送H_{0};判决结果是H_{0}
2) 信源发送H_{0};判决结果是H_{1}
3) 信源发送H_{1};判决结果是H_{1}
4) 信源发送H_{1};判决结果是H_{0}
1)和3)对应于判决正确的情况;2)和4)对应于判决错误的情况。
判决准则的目的是根据观测值,来判断信源的输出。
3. Bayes准则
Bayes准则基于两个假设:P_{0}, P_{1}已知,称为先验概率;4种判决情况的代价已知,记为C_{00}, C_{10}, C_{11}, C_{01},第一个下标表示判决结果,第二个下标表示信源的输出。
根据这两个假设,风险函数为R = C_{00}P_{0}P_{r }(判为H_{0}|发送H_{0})
+ C_{10}P_{0}P_{r }(判为H_{1}|发送H_{0})
+ C_{11}P_{1}P_{r }(判为H_{1}|发送H_{1})
+ C_{01}P_{1}P_{r }(判为H_{0}|发送H_{1})
把观测空间Z划分为Z_{0}和Z_{1},当观测值落到Z_{0},判绝结果是H_{0};当观测值落到Z_{1},判绝结果是H_{1}。
Z = Z_{0} + Z_{1}
则R = C_{00}P_{0}/int_{Z_{0}}p_{r |H_{0}}(R |H_{0})dR
+ C_{10}P_{0}/int_{Z_{1}}p_{r |H_{0}}(R |H_{0})dR
+ C_{11}P_{1}/int_{Z_{1}}p_{r |H_{1}}(R |H_{1})dR
+ C_{01}P_{1}/int_{Z_{0}}p_{r |H_{1}}(R |H_{1})dR
= P_{0}C_{00}/int_{Z_{0}}p_{r |H_{0}}(R |H_{0})dR
+ P_{0}C_{10}/int_{Z- Z_{0}}p_{r |H_{0}}(R |H_{0})dR
+ P_{1}C_{11}/int_{Z_{1}}p_{r |H_{1}}(R |H_{1})dR
+ P_{1}C_{01}/int_{Z- Z_{1}}p_{r |H_{1}}(R |H_{1})dR
由于/int_{Z}p_{r |H_{0}}(R |H_{0})dR = /int_{Z}p_{r |H_{1}}(R |H_{1})dR = 1,
R = P_{0}C_{10} + P_{1}C_{01}
+ /int_{Z_{0}}((P_{1}(C_{01}-C_{11})p_{r |H_{1}}(R |H_{1}))
- (P_{0}(C_{10}-C_{00})p_{r |H_{0}}(R |H_{0})))dR --- (1)
为使R 最小,考虑(1)式的积分项。当被积函数大于0,判为H_{1),即r 落到Z_{1},积分项对R 贡献为0;当被积函数小于0,判为H_{0},即r 落到Z_{0},积分项对R 的贡献为负。
通常情况下,错误判断的代价比正确判断的代价高,有
C_{10} > C_{00}
C_{01} > C_{11}
因此,定义似然比
/Lambda(R ) = /frac{p_{r |H_{1}}(R |H_{1})}p_{r |H_{0}}(R |H_{0})
判决门限
/eta = /frac{P_{0}(C_{10}-C_{00}}P_{1}(C_{01}-C_{11}
当/Lambda(R )大于/eta,判为H_{1};当/Lambda(R )小于/eta,判为H_{0}。
另外,可以通过比较ln/Lambda(R )和ln/eta。
例子1
H_{1}=信源输出恒定电压值m,H_{0}=信源输出0。在接收端得到含噪信号,噪声是零均值高斯白噪声,方差为/sigma^2。
在这两个条件下的观测值分别为:
H_{1}: r_{i} = m + n_{i}, i = 1, 2, ..., N,
H_{0}: r_{i} = n_{i}, i = 1, 2, ..., N,
p_{n_{i}}(X) = /frac{1}/sqrt{2/pi}exp(-/frac{X^2}2/sigma^2)
那么,两个条件概率密度函数分别为:
p_{r_{i}|H_{1}}(R_{i}|H_{1}) = p_{n_{i}}(R_{i}-m) = /frac{1}/sqrt{2/pi}exp(-/frac{(R_{i}-m)^2}2/sigma^2)
p_{r_{i}|H_{0}}(R_{i}|H_{0}) = p_{n_{i}}(R_{i}) = /frac{1}/sqrt{2/pi}exp(-/frac{R_{i}^2}2/sigma^2)