本文介绍了贝叶斯准则在二元信号判决中的基本概念和计算方式。贝叶斯准则用于决策时，考虑了假设的先验概率和判决代价，旨在最小化平均代价。此外，还讨论了在不同代价矩阵下的特殊准则，如最小平均错误概率准则、最大后验概率准则和奈曼-皮尔逊准则。这些准则在信号检测和信息处理等领域有着广泛应用。
二元信号判决
| 判决 | 假设 | |
|---|---|---|
| H0 | H1 | |
| H0 | (H0|H0) | (H0|H1) |
| H1 | (H1|H0) | (H1|H1) |
P
(
H
i
∣
H
j
)
(
i
,
j
=
0
,
1
)
.
P(H_i|H_j) (i,j=0,1).
P(Hi∣Hj)(i,j=0,1).
含义：假设Hj为真的条件下，判决假设Hi成立的概率。
计算方式：
P
(
H
i
∣
H
j
)
=
∫
R
i
p
(
x
∣
H
j
)
d
x
i
,
j
=
0
,
1
P(H_i|H_j) =\int_{R_i}p(x|H_j)dx \qquad i,j=0,1
P(Hi∣Hj)=∫Rip(x∣Hj)dxi,j=0,1其中
p
(
x
∣
H
j
)
p(x|H_j)
p(x∣Hj)为假设Hj为真的条件下，观测量
(
x
∣
H
j
)
(x|H_j)
(x∣Hj)的概率密度函数。
| 判决 | 假设 | |
|---|---|---|
| H0 | H1 | |
| H0 | P(H0|H0) | P(H0|H1) |
| H1 | P(H1|H0) | P(H1|H1) |
平均代价C的表达式：
C
=
∑
j
=
0
1
∑
i
=
0
1
c
i
j
P
(
H
i
)
P
(
H
i
∣
H
j
)
C=\sum_{j=0}^{1}\sum_{i=0}^{1}c_{ij}P(H_i)P(H_i|H_j)
C=j=0∑1i=0∑1cijP(Hi)P(Hi∣Hj)
贝叶斯准则
贝叶斯准则（平均代价最小准则）：就是在假设的先验概率已知，判决代价因子给定的情况下，是平均代价C最小的准则。
派生贝叶斯准则：
- 最小平均错误概率准则
代价因子为 C 00 = C 11 = 0 C 01 = C 10 = 1 C_{00}=C_{11}=0 \qquad C_{01}=C_{10}=1 C00=C11=0C01=C10=1 - 最大后验概率准则
代价因子为 C 00 = C 11 = C 01 = C 10 C_{00}=C_{11}=C_{01}=C_{10} C00=C11=C01=C10 - 极小化极大准则：
代价因子已经给定，但无法确定先验概率比 P ( H j ) P(H_j) P(Hj)的条件下，使极大可能代价极小化。 - 奈曼皮尔逊准则：
在错误判决概率 P ( H 1 ∣ H 0 ) = α P(H_1|H_0)=\alpha P(H1∣H0)=α的条件下，使正确判决概率 P ( H 1 ∣ H 1 ) P(H_1|H_1) P(H1∣H1)最大的准则
扫一扫
4140
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
