使用MATLAB进行贝叶斯准则检测
贝叶斯检测原理
前提假设
代价因子:
C00–信号发0,并且接收为0的代价
C10–信号发1,接收为1的代价
C11–信号发1,并且接收为1的代价
C01–信号发1,接收为0的代价
先验概率:
PH1: 发送端,发送信号1的概率
PH0: 发送端,发送信号0的概率
概率转移机构:
p(x|H1): 发送端发送1时,接收端接收到的信号的概率密度函数
p(x|H0): 发送端发送0时,接收端接收到的信号的概率密度函数
注意,这里发送端发送的信号,无论是信号0,还是信号1,在发送之后就是一个确定的信号,但是接收端接收的时候接收到的时候确实一个随机的信号,是因为在信号中添加了随机的噪声,使得接收端的信号变成了随机的信号
判断原则
在接收信号的时候,总会出现接收到错误的情况,这时候,就需要付出代价(上面规定的代价因子就是其抽象),在更一般的情况下,即使接收到的信号正确,我们也付出了一定的代价。当然这些代价对我们来说是不利的,所以我们就想着让付出的代价,越小越好,这就是贝叶斯准则的基本思想。
推导过程
首先考虑代价由什么构成:发1和发0时候付出的代价构成。
发送1时候的代价:
C
01
×
∫
判
为
0
的
区
间
p
(
x
∣
H
1
)
d
x
+
C
11
×
∫
判
为
1
的
区
间
p
(
x
∣
H
1
)
d
x
C_{01}\times \int_{判为0的区间}{p(x|H1)d_x} + C_{11}\times \int_{判为1的区间}{p(x|H1)d_x}
C01×∫判为0的区间p(x∣H1)dx+C11×∫判为1的区间p(x∣H1)dx
从上面的式子中,我们可以看出,我们需要一个判决门限,来将x进行分类(分为1或者分为0),当然这个判决门限,现在还不知道,这里暂时先设为
R
0
R_0
R0,即当接收到的数据
x
>
R
0
x>R_0
x>R0的时候,判为1,否则判为0,上式重写为:
C
01
×
∫
−
∞
R
0
p
(
x
∣
H
1
)
d
x
+
C
11
×
∫
R
0
∞
p
(
x
∣
H
1
)
d
x
C_{01}\times \int_{-\infty}^{R_0}{p(x|H1)d_x} + C_{11}\times \int_{R_0}^{\infty}{p(x|H1)d_x}
C01×∫−∞R0p(x∣H1)dx+C11×∫R0∞p(x∣H1)dx
类似分析可以得到,
发送0时候的代价
C
10
×
∫
R
0
∞
p
(
x
∣
H
0
)
d
x
+
C
00
×
∫
−
∞
R
0
p
(
x
∣
H
0
)
d
x
C_{10}\times \int_{R_0}^{\infty}{p(x|H0)d_x} + C_{00}\times \int_{-\infty}^{R_0}{p(x|H0)d_x}
C10×∫R0∞p(x∣H0)dx+C00×∫−∞R0p(x∣H0)dx
于是可以得到发送一个信号付出的平均代价:对应的发送1的代价乘上发送1的概率,对应的发送0的代价乘上发送0的概率。
C
a
v
g
=
P
(
H
0
)
×
{
C
10
×
∫
R
0
∞
p
(
x
∣
H
0
)
d
x
+
C
00
×
∫
−
∞
R
0
p
(
x
∣
H
0
)
d
x
}
+
P
(
H
1
)
×
{
C
01
×
∫
−
∞
R
0
p
(
x
∣
H
1
)
d
x
+
C
11
×
∫
R
0
∞
p
(
x
∣
H
1
)
d
x
}
C_{avg} = P(H0)\times \{ C_{10}\times \int_{R_0}^{\infty}{p(x|H0)d_x} + C_{00}\times \int_{-\infty}^{R_0}{p(x|H0)d_x} \} \\ + P(H1) \times \{C_{01}\times \int_{-\infty}^{R_0}{p(x|H1)d_x} + C_{11}\times \int_{R_0}^{\infty}{p(x|H1)d_x} \}
Cavg=P(H0)×{C10×∫R0∞p(x∣H0)dx+C00×∫−∞R0p(x∣H0)dx}+P(H1)×{C01×∫−∞R0p(x∣H1)dx+C11×∫R0∞p(x∣H1)dx}
利用性质
∫
R
0
∞
p
(
x
∣
H
i
)
d
x
=
1
−
∫
−
∞
R
0
p
(
x
∣
H
i
)
d
x
i
=
0
,
1
\int_{R_0}^{\infty}{p(x|Hi)d_x} = 1 - \int_{-\infty}^{R_0}{p(x|Hi)d_x} \\ i = {0, 1}
∫R0∞p(x∣Hi)dx=1−∫−∞R0p(x∣Hi)dxi=0,1
可将平均代价的表达式进行化简
C
a
v
g
=
P
(
H
0
)
×
C
10
+
P
(
H
1
)
×
C
11
+
∫
−
∞
R
0
[
(
C
01
−
C
11
)
p
(
x
∣
H
1
)
P
(
H
1
)
−
(
C
10
−
C
00
)
p
(
x
∣
H
0
)
P
(
H
0
)
]
×
d
x
C_{avg} = P(H0)\times C_{10} + P(H1)\times C_{11} +\\ \int_{-\infty}^{R_0}{[(C_{01} - C_{11})p(x|H1)P(H1) - (C_{10}-C_{00})p(x|H0)P(H0)] \times d_x}
Cavg=P(H0)×C10+P(H1)×C11+∫−∞R0[(C01−C11)p(x∣H1)P(H1)−(C10−C00)p(x∣H0)P(H0)]×dx
由于先验概率,代价因子固定,概率转移机构固定(跟信道和环境有关,而不能认为改变),为了使的平均代价最小,只有使得积分最小,所以取所有使得积分里面的表达式为负数的x为属于信号0的判决域。
即
(
C
01
−
C
11
)
p
(
x
∣
H
1
)
P
(
H
1
)
−
(
C
10
−
C
00
)
p
(
x
∣
H
0
)
P
(
H
0
)
<
0
如
果
接
收
到
的
信
号
x
使
上
式
成
立
,
判
为
发
送
方
发
送
信
号
0
(C_{01} - C_{11})p(x|H1)P(H1) - (C_{10}-C_{00})p(x|H0)P(H0) < 0 \\ 如果接收到的信号x使上式成立,判为发送方发送信号0
(C01−C11)p(x∣H1)P(H1)−(C10−C00)p(x∣H0)P(H0)<0如果接收到的信号x使上式成立,判为发送方发送信号0
化简得:
p
(
x
∣
H
1
)
p
(
x
∣
H
0
)
<
(
C
01
−
C
11
)
P
(
H
1
)
(
C
10
−
C
00
)
P
(
H
0
)
如
果
接
收
到
的
信
号
x
使
上
式
成
立
,
判
为
发
送
方
发
送
信
号
0
p
(
x
∣
H
1
)
p
(
x
∣
H
0
)
>
(
C
01
−
C
11
)
P
(
H
1
)
(
C
10
−
C
00
)
P
(
H
0
)
如
果
接
收
到
的
信
号
x
使
上
式
成
立
,
判
为
发
送
方
发
送
信
号
1
\frac{p(x|H1)}{p(x|H0)} < \frac{(C_{01} - C_{11})P(H1)}{(C_{10}-C_{00})P(H0)} \\ 如果接收到的信号x使上式成立,判为发送方发送信号0 \\ \frac{p(x|H1)}{p(x|H0)} > \frac{(C_{01} - C_{11})P(H1)}{(C_{10}-C_{00})P(H0)} \\ 如果接收到的信号x使上式成立,判为发送方发送信号1
p(x∣H0)p(x∣H1)<(C10−C00)P(H0)(C01−C11)P(H1)如果接收到的信号x使上式成立,判为发送方发送信号0p(x∣H0)p(x∣H1)>(C10−C00)P(H0)(C01−C11)P(H1)如果接收到的信号x使上式成立,判为发送方发送信号1
matlab实现
%贝叶斯准测使用
%背景介绍
%二元通信系统,在H1: A(常数),H0:0
%高斯白噪声N(0, sigam^2)
%P(H1) = 0.8, P(H0) = 0.2
%在信号的持续时间Tc内,进行N点独立采样
M = 10; %发送端发送的符号
N = 20; %在一个持续时间内,进行N点的采样
PH1 = 0.8;
PH0 = 0.2; %设置原信号发送的概率
sigma = 2; %高斯噪声的方差为sigma^2
A = 5;
val_h1 = A;
val_h0 = 0; %设置每一种情况下的原信号
DATA0 = val_h0*ones(N, 1);
DATA1 = val_h1*ones(N, 1); %发送的没有噪声干扰的原始数据
C00 = 1; C01 = 5; C10 = 6; C11 = 1; %设置代价因子
threshold = (C10-C00)*PH0 / ((C01-C11)*PH1); %没有进行化简的原始的判决门限
error_time = 0;
noise = normrnd(0, sigma, [N, M]); %需要叠加到信号上的高斯噪声矩阵
index = 1:M;
for i = index
H1 = DATA1 + noise(:,i);
H0 = DATA0 + noise(:,i); %模拟真实的叠加完噪声的信号
%通过随机数来模拟概率事件的发生,recieve代表接收到的信号
if ( rand()<PH1 )
recieve = H1;
originalSignal = DATA1;
flag = 1; %代表发送端的信号是1
else
recieve = H0;
originalSignal = DATA0;
flag = 0; %代表发送端的信号是0,便于后面进行错误概率的计算
end
if ( flag==1 )
disp('发送的信号为:H1');
else
disp('发送的信号为:H0');
end
newThreshold = (log(threshold) + N*A^2/(2*sigma^2))*sigma^2/A;
if ( sum(recieve) > newThreshold && flag==1 ) %这里使用了化简后的表达式,但是没有使用检验统计量
fprintf('判决发送的信号为:H1,判决成功\n\n');
else
if( sum(recieve) < newThreshold && flag==0 )
fprintf('判决发送的信号为:H0,判决成功\n\n');
else
fprintf('判决失败\n\n');
error_time = error_time + 1;
end
end
subplot(2, 1, 1);
plot((1:N), originalSignal);
title('发送信号');
xlabel('n');
ylabel('value');
subplot(2, 1, 2);
plot((1:N), recieve);
title('接收信号');
xlabel('n');
ylabel('value');
axis([0, N, -A, 2*A]);
pause();
end
fprintf('错误判决次数为:%d,错误判决概率为:%f\n', error_time, error_time/M);