PRACA MAGISTERSKA - Instytut Systemów Elektronicznych ...
PRACA MAGISTERSKA - Instytut Systemów Elektronicznych ... PRACA MAGISTERSKA - Instytut Systemów Elektronicznych ...
Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych Instytut Systemów Elektronicznych PRACA MAGISTERSKA Analiza układów detekcji ze stabilizacją poziomu fałszywego alarmu Autor: Igor Kulkowski Kierownik pracy: dr inż. Krzysztof Kulpa Warszawa 2000
- Page 2 and 3: SPIS TREŚCI WSTĘP................
- Page 4 and 5: WSTĘP Minęło ponad pięćdziesi
- Page 6 and 7: Przedstawione w pracy autorskie nar
- Page 8 and 9: Każdej z powyższych hipotez możn
- Page 10 and 11: Natomiast wartość prawdopodobień
- Page 12 and 13: określona np. przez przesłanki ty
- Page 14 and 15: (ogólniejszego) kryterium minimum
- Page 16 and 17: lub nieobecności sygnału x, któr
- Page 18 and 19: gdzie px+n ( y) l( y) = p ( y) Zgod
- Page 20 and 21: Rys. 1.2. Krzywa ilorazu wiarygodno
- Page 22 and 23: Rys. 1.4. Charakterystyki detekcji
- Page 24 and 25: Rys. 1.5. Obszary decyzyjne dla dw
- Page 26 and 27: 1.5. PRZYKŁAD OPTYMALNEJ DETEKCJI
- Page 28 and 29: Inaczej mówiąc wielkości y k są
- Page 30 and 31: Prawdopodobieństwo detekcji (jego
- Page 32 and 33: Obserwator może znać tylko niekt
- Page 34 and 35: prawdopodobieństwa a priori p(β)
- Page 36 and 37: stosunku wiarygodności względem w
- Page 38 and 39: z1 cosα = Z z2 sinα = Z i wtedy o
- Page 40 and 41: przesunięcia fazy o π/2 względem
- Page 42 and 43: N 1 = ∑ − G N x( k) y( k) (2.10
- Page 44 and 45: założyć, że sygnał i szum prze
- Page 46 and 47: Re[ W dop ( n) exp( jnθ )] = N ∑
- Page 48 and 49: uzyskuje się Z = N1 ∑ − 1 k= 0
- Page 50 and 51: nad w(n op ), to musi mieć taki sa
Politechnika Warszawska<br />
Wydział Elektroniki i Technik Informacyjnych<br />
<strong>Instytut</strong> Systemów <strong>Elektronicznych</strong><br />
<strong>PRACA</strong> <strong>MAGISTERSKA</strong><br />
Analiza układów detekcji ze stabilizacją poziomu<br />
fałszywego alarmu<br />
Autor:<br />
Igor Kulkowski<br />
Kierownik pracy:<br />
dr inż. Krzysztof Kulpa<br />
Warszawa 2000
SPIS TREŚCI<br />
WSTĘP......................................................................................................................... 4<br />
1. PODSTAWY I NAJWAŻNIEJSZE POJĘCIA TEORII DETEKCJI............................ 6<br />
1.1. PARAMETRY OKREŚLAJĄCE JAKOŚĆ DETEKCJI ........................................ 6<br />
1.2. POJĘCIE RYZYKA. OPTYMALNE KRYTERIA DECYZYJNE ........................... 9<br />
1.3. PRZYKŁAD OPTYMALNEJ DETEKCJI........................................................... 14<br />
1.4. WERYFIKACJA HIPOTEZ ZA POMOCĄ POMIARÓW WIELOKROTNYCH ... 21<br />
1.5. PRZYKŁAD OPTYMALNEJ DETEKCJI NA PODSTAWIE WIELU POMIARÓW<br />
........................................................................................................................ 25<br />
2. ANALIZA UKŁADÓW OPTYMALNEJ DETEKCJI RZECZYWISTYCH SYGNAŁÓW<br />
RADAROWYCH .................................................................................................... 30<br />
2.1. DETEKCJA SYGNAŁU O NIEZNANYCH PARAMETRACH............................ 30<br />
2.2. STOSUNEK WIARYGODNOŚCI DLA SYGNAŁU O NIEZNANYCH<br />
PARAMETRACH............................................................................................. 34<br />
2.3. STOSUNEK WIARYGODNOŚCI DLA SYGNAŁU O NIEZNANEJ FAZIE........ 36<br />
2.4. ZASTOSOWANIE FILTRU DOPASOWANEGO W DETEKCJI SYGNAŁÓW Z<br />
NIEZNANYM CZASEM OPÓŹNIENIA ............................................................ 40<br />
2.5. ZASTOSOWANIE ZESPOLONYCH AMPLITUD W ANALIZIE PROCESU<br />
DETEKCJI....................................................................................................... 42<br />
3. INTEGRACJA IMPULSÓW I STABILIZACJA POZIOMU FAŁSZYWEGO ALARMU<br />
.............................................................................................................................. 54<br />
3.1. ZASADA DZIAŁANIA RZECZYWISTYCH SYSTEMÓW RADIOLOKACYJNYCH<br />
........................................................................................................................ 54<br />
3.2. STOSUNEK WIARYGODNOŚCI DLA SYGNAŁU W POSTACI PACZKI<br />
IMPULSÓW W.CZ. O NIEZNANYCH FAZACH............................................... 59<br />
3.3. DETEKTOR DLA SYGNAŁU W POSTACI PACZKI IMPULSÓW W.CZ. O<br />
NIEZNANYCH FAZACH.................................................................................. 61<br />
3.4. INTEGRATOR BINARNY................................................................................ 65<br />
3.5. FAŁSZYWY ALARM........................................................................................ 66<br />
2
4. ANALIZA JAKOŚCI UKŁADÓW OPTYMALNEJ DETEKCJI SYGNAŁÓW<br />
RADIOLOKACYJNYCH ........................................................................................ 72<br />
4.1. ROKŁADY OBWIEDNI SYGNAŁU .................................................................. 73<br />
4.2. ROZKŁADY SYGNAŁU ZA UKŁADEM CFAR................................................. 80<br />
4.3. ROZKŁADY SYGNAŁU ZA INTEGRATOREM BINARNYM ............................ 85<br />
4.4. ROZKŁADY SYGNAŁU ZA INTEGRATOREM DZIAŁAJĄCYM<br />
BEZPOŚREDNIO NA AMPLITUDZIE ............................................................. 90<br />
DODATKI ................................................................................................................... 95<br />
A: OPIS ZESTAWU FUNKCJI SŁUŻĄCYCH DO ANALIZY DETEKTORÓW<br />
CYFROWYCH................................................................................................. 95<br />
binint........................................................................................................... 96<br />
dbloss......................................................................................................... 98<br />
detect ....................................................................................................... 100<br />
normaliz.................................................................................................... 102<br />
pdftocdf .................................................................................................... 104<br />
ricepdf ...................................................................................................... 106<br />
sqrtpdf ...................................................................................................... 107<br />
sumpdf ..................................................................................................... 109<br />
B: KODY ŹRÓDŁOWE FUNKCJI SŁUŻĄCYCH DO ANALIZY DETEKTORÓW<br />
CYFROWYCH............................................................................................... 111<br />
binint......................................................................................................... 111<br />
dbloss....................................................................................................... 112<br />
detect ....................................................................................................... 113<br />
normaliz.................................................................................................... 114<br />
pdftocdf .................................................................................................... 115<br />
ricepdf ...................................................................................................... 116<br />
sqrtpdf ...................................................................................................... 116<br />
sumpdf ..................................................................................................... 117<br />
PODSUMOWANIE ................................................................................................... 119<br />
LITERATURA........................................................................................................... 120<br />
3
WSTĘP<br />
Minęło ponad pięćdziesiąt lat od skonstruowania pierwszego radaru. Od<br />
tamtej chwili urządzenia te zostały bardzo unowocześnione. Obecnie operator<br />
nie musi się już bez przerwy wpatrywać w ekran obrazujący przestrzeń dookoła<br />
stacji czy też w przebieg sygnału echa i na ich podstawie samemu podejmować<br />
decyzję o obecności celu. Dzięki zastosowaniu metod cyfrowej obróbki sygnału<br />
możliwe stało się zwiększenie prawdopodobieństwa wykrycia obiektów, a co za<br />
tym idzie, można w większości przypadków odciążyć operatora i zrzucić<br />
podejmowanie decyzji na maszynę. Układy detekcyjne składają się z wielu<br />
bloków odpowiednio przekształcających sygnał echa tak, aby wykrycie było<br />
możliwe nawet w niesprzyjających warunkach. Jednak taka duża komplikacja<br />
systemów powoduje, że na etapie projektowania ich analiza staje się bardzo<br />
żmudna i czasochłonna − zwłaszcza przy stosowaniu metod analitycznych. Z<br />
pomocą mogą tu przyjść komputery. Stosując metody numeryczne można<br />
znacznie skrócić czas potrzebny na przebadanie układu detektora.<br />
Głównym celem niniejszej pracy jest stworzenie narzędzi w postaci<br />
zestawu programów, które ułatwiałyby analizę detektorów cyfrowych.<br />
Pozwalałyby one na określenie rozkładów prawdopodobieństw sygnału echa<br />
wraz z zakłóceniami zarówno na wyjściu anteny jak i po przejściu przez<br />
poszczególne bloki obróbki sygnału. Czynnością końcową byłoby wykreślenie<br />
dla konkretnego zestawu bloków funkcjonalnych charakterystyk detekcji. Celem<br />
drugoplanowym, ale wynikającym bezpośrednio z celu głównego, jest<br />
przeprowadzenie analizy statystycznej cyfrowych układów detekcji oraz podanie<br />
metod pozwalających na wyznaczenie odpowiednich rozkładów<br />
prawdopodobieństwa.<br />
4
Niniejsza praca składa się z czterech rozdziałów, z czego trzy pierwsze<br />
zawierają analizę teoretyczną problemu, natomiast w rozdziale czwartym<br />
przeprowadzono analizę jakości układów detekcji, wykorzystując jako narzędzia<br />
stworzone w ramach realizowanej pracy dyplomowej zestawy programów,<br />
pracujące w środowisku MATLAB.<br />
W rozdziale pierwszym podano najważniejsze pojęcia teorii wykrywania,<br />
zaprezentowano wybrane kryteria decyzyjne oraz omówiono problem<br />
optymalnej detekcji pojedynczych wartości oraz sygnałów całkowicie znanych.<br />
Przytoczono także prosty przykład optymalnej detekcji.<br />
Rozdział drugi porusza problem wykrywania sygnałów w sytuacji, gdy<br />
część z jego parametrów jest nieznana i może zmieniać się losowo.<br />
Przeprowadzono teoretyczne rozważania, których wynikiem jest schemat<br />
optymalnego układu detekcji z podziałem na bloki funkcjonalne, wykonujące<br />
różne operacje na sygnale.<br />
W trzecim rozdziale omówiono problem stabilizacji poziomu<br />
prawdopodobieństwa fałszywego alarmu oraz integracji wielu impulsów, czyli<br />
podejmowania decyzji w oparciu o dużą liczbę odbieranych sygnałów. W tym<br />
miejscu przedstawiono podstawowe typowe rozwiązania detektorów oraz<br />
sposób ich działania.<br />
Omówione trzy rozdziały stanowią swego rodzaju próbę<br />
uporządkowanego i uszeregowanego opisu rozważań dotyczących problemów<br />
detekcji sygnałów, przedstawianych w polskojęzycznej literaturze w sposób<br />
wyrywkowy lub pobieżny.<br />
Rozdział czwarty zawiera analizę jakości układów detekcji. W rozdziale<br />
tym wyliczono rozkłady prawdopodobieństw sygnałów na wyjściu<br />
poszczególnych bloków funkcjonalnych całego układu optymalnej detekcji oraz<br />
wykreślono dla nich charakterystyki wykrywania. Na końcu pracy dyplomowej,<br />
w dodatkach A i B, znajdują się dokładny opis do stworzonych narzędzi oraz<br />
kod źródłowy.<br />
Napisane funkcje, pracujące w środowisku MATLAB, pozwoliły na<br />
numeryczne wyznaczenie rozkładów prawdopodobieństw, oraz na wykreślenie<br />
zamieszczonych w rozdziale czwartym charakterystyk detekcji dla różnych<br />
typów detektorów.<br />
5
Przedstawione w pracy autorskie narzędzia do analizy całych układów<br />
detekcji oraz ich poszczególnych bloków stanowią uwieńczenie rozważań<br />
teoretycznych i wydaje się, że mogą być przydatne w procesie dydaktycznym, a<br />
także w pracach naukowo-badawczych.<br />
6
1. PODSTAWY I NAJWAŻNIEJSZE POJĘCIA<br />
TEORII DETEKCJI<br />
1.1. PARAMETRY OKREŚLAJĄCE JAKOŚĆ DETEKCJI<br />
Celem radiolokacji jest uzyskanie informacji na temat obiektów latających<br />
znajdujących się w przestrzeni powietrznej oraz ich współrzędnych. Informacje<br />
te uzyskuje się poprzez sondowanie przestrzeni sygnałami radiowymi. Jeśli<br />
gdzieś w powietrzu znajduje się samolot, to sygnał odbije się od niego i wróci<br />
do stacji nadawczo-odbiorczej. Na wejściu odbiornika poza sygnałem odbitym<br />
od rzeczywistego obiektu znajdują się także zakłócenia. Są to np. sygnały<br />
pochodzące od innych stacji radiolokacyjnych, odbite od powierzchni wody,<br />
gęstych chmur czy nieruchomych obiektów na ziemi. Powodują one błędy w<br />
wykrywaniu obiektów i określaniu ich współrzędnych. Przypadkowość sygnałów<br />
radiolokacyjnych i zakłóceń powoduje, że przy analizie działania radaru<br />
konieczne jest zastosowanie metod statystycznych i używanie do oceny jego<br />
jakości parametrów statystycznych.<br />
Analiza sygnałów radiolokacyjnych docierających z przestrzeni<br />
powietrznej powinna być zakończona podjęciem decyzji na temat obecności lub<br />
nieobecności obiektu w określonym miejscu przeszukiwanej przez radar<br />
przestrzeni. Decyzja może być podjęta przy spełnieniu dwóch wzajemnie<br />
wykluczających się warunków:<br />
warunek H 1 − "obiekt jest"<br />
warunek H 0 − "obiektu nie ma".<br />
W trakcie podejmowania decyzji nie wiadomo, który z warunków jest w<br />
rzeczywistości spełniony. Stawiane są dwie hipotezy co do obecności celu.<br />
Celem jest ustalenie, która jest prawdziwa, a którą należy odrzucić.<br />
7
Każdej z powyższych hipotez można przypisać dwie różne decyzje:<br />
decyzja d 1 − "obiekt jest"<br />
decyzja d 0 − "obiektu nie ma".<br />
Zakłada się, że po zakończeniu procesu wykrywania nie może mieć miejsca<br />
decyzja "nie wiem".<br />
Jeśli spełniona jest hipoteza H 1 , to znaczy gdy obiekt faktycznie znajduje<br />
się w przestrzeni i zostanie podjęta decyzja d 1 − "obiekt jest", to mówi się o<br />
poprawnym wykryciu (detekcji). Jeżeli spełniona jest powyższa hipoteza, a<br />
zostanie podjęta decyzja d 0 − "obiektu nie ma", to mówi się o tzw. fałszywym<br />
spokoju (ang. false dismissal) − obiekt w powietrzu pozostał nie zauważony.<br />
Taki błąd zwany jest często błędem II rodzaju i jest ze wszech miar<br />
niepożądany. Jakość detekcji przy hipotezie H 1 można określić poprzez<br />
odpowiednie prawdopodobieństwa warunkowe:<br />
prawdopodobieństwo poprawnego wykrycia<br />
D = P( d1/<br />
H 1)<br />
(1.1)<br />
oraz prawdopodobieństwo przepuszczenia celu<br />
D = P( d 0 / H 1)<br />
(1.2)<br />
Ponieważ decyzje d 1 i d 0 stanowią wzajemnie wykluczające się zdarzenia<br />
losowe i związane są z tą samą hipotezą H 1 (obiekt jest), suma<br />
prawdopodobieństw detekcji i przepuszczenia celu równa jest jedności<br />
D + D =1<br />
(1.3)<br />
Znajomość warunkowego prawdopodobieństwa detekcji pozwala zawsze<br />
określić warunkowe prawdopodobieństwo fałszywego spokoju. Jeśli np. dla<br />
jednego cyklu wykrywania prawdopodobieństwo detekcji wynosi 0,9, to<br />
prawdopodobieństwo przepuszczenia celu wynosi 0,1. Oznacza to, że radar<br />
gwarantuje wykrycie obiektu średnio w 90% przypadków, natomiast w 10<br />
przypadkach na 100 obiekt pozostanie nie zauważony.<br />
Jeśli spełniona jest hipoteza H 0 , to znaczy gdy obiektu nie ma w<br />
obserwowanej przestrzeni, poprawną jest decyzja d 0 − "obiektu nie ma". Jeżeli z<br />
powodu zakłóceń sygnał odebrany zostanie źle zinterpretowany i podejmie się<br />
decyzję d 1 − "obiekt jest", mówi się o tzw. fałszywym alarmie (ang. false alarm).<br />
Fałszywy alarm określany jest często jako błąd I rodzaju i także jest bardzo<br />
niepożądany. Nie jest tak groźny jak np. niewykrycie wrogiego samolotu, ale<br />
8
łędne informacje mogą obciążać zbędnie system obróbki danych. Może to<br />
doprowadzić do zakłóceń w przekazywaniu i analizie danych prawidłowych.<br />
Jakość wykrywania obiektu przy jego nieobecności w przestrzeni (spełnieniu<br />
hipotezy H 0 ) także określa się przez prawdopodobieństwa warunkowe:<br />
prawdopodobieństwo fałszywego alarmu<br />
F = P( d1/<br />
H 0)<br />
(1.4)<br />
oraz prawdopodobieństwo poprawnego niewykrycia<br />
F = P( d 0 / H 0)<br />
(1.5)<br />
Ponieważ decyzje d 1 i d 0 wzajemnie się wykluczają i odpowiadają tej samej<br />
hipotezie H 0 (obiektu nie ma), zachodzi podobnie jak dla prawdopodobieństw<br />
detekcji i przepuszczenia celu:<br />
F + F =1<br />
(1.6)<br />
Znajomość prawdopodobieństwa fałszywego alarmu F pozwala zawsze<br />
określić prawdopodobieństwo poprawnego niewykrycia.<br />
Jeżeli radar obserwuje pewien fragment przestrzeni i np. F=10 -6 , to<br />
oznacza iż na 10 6 sondowań tego fragmentu pojawi się średnio jeden fałszywy<br />
alarm, a 999999 przypadkach poprawnie da informację, że ten obszar<br />
przestrzeni jest pusty. Stacja radarowa przeszukuje z reguły w jednostce czasu<br />
cały obszar powietrzny wokół siebie − dużą liczbę nie pokrywających się małych<br />
fragmentów przestrzeni. Jeśli mamy n fragmentów i dla pojedynczego<br />
1<br />
F
Natomiast wartość prawdopodobieństwa detekcji D powinna być jak<br />
największa. Są to warunki trudne do zrealizowania, zwłaszcza gdy obiekt<br />
znajduje się w dużej odległości od radaru i energia sygnału odbitego od celu<br />
jest niska. Granice strefy wykrywania radaru określa się odległością, na której w<br />
jednym cyklu obserwacji prawdopodobieństwo detekcji D nie jest mniejsze od<br />
założonej wartości dopuszczalnej D dop .<br />
Tak więc głównymi parametrami określającymi jakość detektora w<br />
systemach radarowych są prawdopodobieństwa warunkowe detekcji D oraz<br />
fałszywego alarmu F. W granicach strefy wykrywania musi być spełnione:<br />
F
pozwala ono na jednolite i dostatecznie ogólne potraktowanie problemu detekcji<br />
sygnałów radiolokacyjnych oraz estymacji ich parametrów.<br />
Do zbioru możliwych sytuacji podczas wykrywania obiektów zaliczane są<br />
wszystkie możliwe stany wynikające w procesie radiolokacji oraz<br />
przyporządkowane im decyzje. Mogą wystąpić a priori cztery poniższe sytuacje:<br />
1. d 0 H 0 − poprawne niewykrycie obiektu<br />
2. d 1 H 0 − fałszywy alarm<br />
3. d 0 H 1 − fałszywy spokój<br />
4. d 1 H 1 − poprawne wykrycie obiektu.<br />
Analogicznie wygląda to w przypadku estymacji jakiejś wielkości zmieniającej<br />
się w sposób ciągły. Przykładowo każdy pomiar odległości obiektu od radaru<br />
polega na tym, że estymowanemu parametrowi α H przypisuje się różniącą się<br />
od niego estymatę (inaczej podejmuje się decyzję odnośnie wartości<br />
parametru) α d . W wyniku tego powstaje błąd estymacji ε=α d -α H . Zbiór<br />
możliwych sytuacji składa się ze wszystkich możliwych par α d i α H .<br />
Każdej z możliwych sytuacji odpowiada określone prawdopodobieństwo.<br />
W przypadku detekcji można mówić o prawdopodobieństwach P i i-tej sytuacji<br />
(i=1,2,3,4), których suma równa jest jedności:<br />
P 1 + P2<br />
+ P3<br />
+ P4<br />
= P( d 0,<br />
H 0)<br />
+ P(<br />
d1,<br />
H 0)<br />
+ P(<br />
d 0,<br />
H 1)<br />
+ P(<br />
d1,<br />
H 1)<br />
= 1 (1.8)<br />
W przypadku estymacji parametrów sytuacje (α d ,α H ) opisywane są<br />
dwuwymiarową gęstością prawdopodobieństwa p(α d ,α H ). Analogicznie, jak dla<br />
detekcji suma prawdopodobieństw wszystkich możliwych sytuacji równa jest<br />
jedności:<br />
∞ ∞<br />
∫∫<br />
−∞ −∞<br />
p(<br />
α α<br />
d<br />
H<br />
) dα<br />
dα<br />
d<br />
H<br />
=<br />
∫<br />
( α d , α H )<br />
dP(<br />
α α<br />
d<br />
H<br />
) = 1<br />
Każdej możliwej sytuacji można także przyporządkować pewną liczbę<br />
mającą sens kosztu (straty) związanego z popełnionym błędem. Wielkość straty<br />
zależy od ważności popełnionego błędu tzn. większemu błędowi<br />
przyporządkowywana jest z reguły większa strata. Zwykle przyjmuje się, że<br />
koszt bezbłędnych decyzji jest równy zeru. Przyporządkowywanie<br />
poszczególnym błędom odpowiednich strat stanowi istotny etap w ogólnej<br />
analizie danego problemu. Dlatego powinno się uwzględnić w nim wszelkie<br />
dane o tym, na ile niepożądany jest jakiś rodzaj błędu. Strata może być<br />
11
określona np. przez przesłanki typu ekonomicznego, czy strategicznego.<br />
Trzeba by się np. zastanowić, co mogłoby być gorsze i więcej kosztować:<br />
fałszywy alarm i poderwanie samolotów w celu przechwycenia widma, czy<br />
przepuszczenie wrogiego samolotu i narażenie na atak z powietrza. Metody<br />
znajdowania straty nie należą do teorii związanej z wykrywaniem. W wielu<br />
przypadkach postać optymalnej reguły obróbki sygnałów (w przypadku detekcji<br />
tzw. reguły decyzyjnej) nie jest zależna od konkretnej postaci funkcji strat.<br />
Strata jest określona dla każdej możliwej sytuacji w sposób niezależny od<br />
reguły decyzyjnej. Te dwa pojęcia można jednak ze sobą powiązać i otrzymać<br />
w ten sposób ocenę jakości reguły decyzyjnej. W przypadku, gdy stany<br />
(hipotezy dotyczące obiektu w przestrzeni) i związane z nimi decyzje są<br />
wielkościami przypadkowymi o ustalonych prawdopodobieństwach, jako miernik<br />
jakości reguły decyzyjnej można przyjąć stratę uśrednioną na wszystkie stany i<br />
wszystkie decyzje. Wprowadza się pojęcie średniej (w sensie statystycznym)<br />
straty zwanej ryzykiem. Dla zmiennej losowej skokowej − którą jest zbiór<br />
wszystkich możliwych sytuacji w procesie detekcji ryzyko liczy się następująco:<br />
gdzie:<br />
r i − strata dla i-tej sytuacji<br />
r = ∑ r i<br />
P i<br />
(1.9)<br />
i<br />
P i − prawdopodobieństwo występowania i-tej sytuacji.<br />
Dla zmiennej losowej ciągłej (estymacja parametrów) ryzyko liczy się z<br />
poniższego wzoru:<br />
α α α α<br />
r =<br />
∫<br />
r(<br />
( α d , α H )<br />
d<br />
H<br />
) ⋅ dP(<br />
Przyglądając się procesowi detekcji widać, że błędnymi decyzjami są<br />
sytuacje: gdy podejmie się decyzję o obecności celu, jeśli w rzeczywistości go<br />
nie ma oraz gdy pozostawimy cel niezauważonym. Straty dla poprawnych<br />
decyzji są równe zeru, tak więc wystarczy tylko wyznaczyć straty dla dwóch<br />
wspomnianych wyżej błędów:<br />
r ( d1,<br />
H<br />
0)<br />
= − strata dla błędu fałszywego alarmu<br />
r F<br />
r ( d0,<br />
H1)<br />
= − oraz stratę dla błędu przepuszczenia celu.<br />
r D<br />
Korzystając ze wzoru na prawdopodobieństwo warunkowe można zapisać, że:<br />
d<br />
H<br />
)<br />
12
P d , H ) = P(<br />
H ) ⋅ P(<br />
d H ) = P(<br />
H ) ⋅ F<br />
(<br />
1 0<br />
0 1 0<br />
0<br />
oraz<br />
P d , H ) = P(<br />
H ) ⋅ P(<br />
d H ) = P(<br />
H ) ⋅ D<br />
(<br />
0 1<br />
1 0 1<br />
1<br />
gdzie P(H 0 ) oraz P(H 1 ) są prawdopodobieństwami bezwarunkowymi a priori<br />
stanów H 0 i H 1 tzn. nieobecności lub obecności obiektu w przestrzeni. Jeśli (jak<br />
wspomniano wyżej) koszty poprawnych decyzji są zerowe, to ryzyko w procesie<br />
wykrywania ma postać:<br />
r = r ⋅ F ⋅ P H ) + r ⋅ D ⋅ P(<br />
)<br />
(1.10)<br />
F<br />
(<br />
0<br />
H<br />
D<br />
1<br />
Porównując różne systemy obrabiające dane radarowe za lepsze uznaje się te,<br />
dla których ryzyko jest mniejsze. Pozwala to zdefiniować kryterium optymalizacji<br />
dla detektorów nazywanym kryterium minimum ryzyka, znane także pod nazwą<br />
kryterium Bayesa [4]. Projektując optymalny system wykrywania należy dążyć<br />
do minimalizacji wyrażenia (1.10).<br />
W przypadku estymacji parametrów strata związana z błędem jest funkcją<br />
dwóch zmiennych r(α d , α H ). Jeżeli np. przy estymacji odległości założyć, że<br />
koszt zależy tylko od różnicy faktycznej odległości i jej estymaty ε=α d -α H , to<br />
otrzymuje się funkcję jednej zmiennej r(ε). Jeżeli strata równa jest kwadratowi<br />
błędu tzn.<br />
to<br />
r<br />
2 2<br />
( ε ) = ( α<br />
d<br />
−α<br />
H<br />
) = ε<br />
2 2<br />
r = ε = ε śrkw<br />
czyli ryzyko równe jest błędowi średniokwadratowemu, a minimum ryzyka<br />
minimum błędu średniokwadratowego.<br />
Kryterium minimum ryzyka jest kryterium bardzo ogólnym i łatwo jest (np.<br />
zmieniając straty) przechodzić od niego do bardziej szczegółowych i prostszych<br />
kryteriów. Jeśli we wzorze (1.10) wstawi się<br />
r F<br />
= r D<br />
to otrzyma się wyrażenie na ryzyko, które równe jest sumarycznemu<br />
prawdopodobieństwu błędów detekcji:<br />
=1<br />
r = F ⋅ P H ) + D ⋅ P(<br />
H ) = P(<br />
d , H ) + P(<br />
d , ) (1.11)<br />
(<br />
0 1<br />
1 0<br />
0<br />
H1<br />
Kryterium minimalizujące tak zdefiniowane ryzyko nosi nazwę kryterium<br />
idealnego obserwatora. Jest bardziej szczegółowe od wspomnianego wcześniej<br />
13
(ogólniejszego) kryterium minimum ryzyka, gdyż nie pozwala uwzględnić różnic<br />
w kosztach popełnienia błędów fałszywego alarmu i przepuszczenia obiektu.<br />
Zastąpiwszy D przez 1-D w ogólnym wyrażeniu na ryzyko można je<br />
zapisać jak poniżej:<br />
gdzie<br />
[ D − l F] ⋅r<br />
⋅ P(<br />
)<br />
r = r ⋅ P( H1)<br />
−<br />
0<br />
H1<br />
(1.12)<br />
D<br />
l<br />
0<br />
rF<br />
⋅ P(<br />
H<br />
0)<br />
=<br />
r ⋅ P(<br />
H )<br />
D<br />
Ponieważ r P(H 0<br />
D 1) > , kryterium minimalizacji ryzyka sprowadza się do<br />
1<br />
D<br />
maksymalizacji wyrażenia<br />
D 0<br />
− l F<br />
(1.13)<br />
Kryterium to nosi nazwę kryterium wagowego. Sprowadza się do<br />
maksymalizacji prawdopodobieństwa detekcji D i jednoczesnej minimalizacji<br />
prawdopodobieństwa fałszywego alarmu F. Współczynnik l<br />
0 pełni rolę<br />
współczynnika wagowego. Na jego wartość wpływają zależności między<br />
kosztami poszczególnych błędów oraz prawdopodobieństw obecności lub<br />
nieobecności celu w pewnym fragmencie przestrzeni.<br />
Porównując dwa detektory, z których jeden jest optymalny w sensie<br />
kryterium wagowego można zapisać, że:<br />
D<br />
− l0F<br />
≥ D − l<br />
opt opt<br />
0<br />
F<br />
Stąd:<br />
to znaczy, że dla F=F opt<br />
D<br />
opt<br />
≥ D + l ⋅(<br />
F<br />
0 opt<br />
− F<br />
D opt<br />
≥ D<br />
)<br />
Gdy F≤F opt , można zapisać inaczej, że<br />
Dopt ≤ D<br />
Oznacza to, że optymalny detektor daje najmniejsze prawdopodobieństwo<br />
przepuszczenia celu (czyli największe prawdopodobieństwo detekcji) ze<br />
wszystkich detektorów, dla których prawdopodobieństwo fałszywego alarmu<br />
jest nie większe niż dla urządzenia optymalnego.<br />
14
W wielu sytuacjach nie tylko prawdopodobieństwo a priori, ale i koszty<br />
błędnych decyzji są trudne do podania, czy nawet do zdefiniowania. Występuje<br />
to np. w przypadku detekcji sygnałów radarowych, gdzie trudno określić koszty<br />
nie wykrycia celu i gdzie prawdopodobieństwa a priori P(H 1 ) i P(H 0 ) mogą nie<br />
mieć sensu. W przypadku, gdy hipoteza H 1 występuje skrajnie rzadko, głównym<br />
czynnikiem w ogólnych średnich kosztach jest częstość F prób, w których jest<br />
mylnie podjęta decyzja d 1 , co oznacza popełnienie błędu I rodzaju. W związku z<br />
tym pewna kosztowna czynność wykonywana jest niepotrzebnie. Na przykład w<br />
systemie obrony przeciwlotniczej połączonej z radarem fałszywy alarm może<br />
doprowadzić do wystrzelenia drogiego pocisku atakującego nie istniejący cel. W<br />
takiej sytuacji analizę (projektowanie detektora) rozpoczyna się od określenia<br />
wartości prawdopodobieństwa F, na którą obserwator może sobie pozwolić, a<br />
następnie poszukuje się takiego sposobu decydowania, aby osiągnąć tą<br />
wartość i jednocześnie uzyskać minimum możliwego prawdopodobieństwa D<br />
określającego błąd II rodzaju. Taki sposób podejścia do problemu określa<br />
kryterium Neymana-Pearsona [1, 4]. W systemie radarowym odpowiada to<br />
maksymalizacji prawdopodobieństwa detekcji dla założonego poziomu<br />
prawdopodobieństwa fałszywego alarmu.<br />
1.3. PRZYKŁAD OPTYMALNEJ DETEKCJI<br />
Zasadność stosowania kryterium wagowego (ogólnie kryterium minimum<br />
ryzyka) w procesie detekcji można przedstawić na prostym przykładzie miernika<br />
wskazówkowego, mierzącego wartość napięcia. W swej istocie jest to zbliżone<br />
do procesu wykrywania sygnałów radiolokacyjnych. Wskazania miernika można<br />
określić liczbą y, która jest albo sumą napięcia x i zakłócenia n<br />
y = x + n<br />
albo tylko napięciem zakłócającym<br />
y = n<br />
Wielkości n, x i y nie zmieniają się podczas pomiaru. Wartość sygnału x jest<br />
dokładnie znana. Znany jest też rozkład zmiennej losowej n. Na podstawie<br />
zmierzonego napięcia y, należy podjąć decyzję d 1 lub d 0 odnośnie obecności<br />
15
lub nieobecności sygnału x, która powinna być optymalna w sensie kryterium<br />
minimum ryzyka (lub równoważnego mu kryterium wagowego).<br />
Dla potrzeb dalszych rozważań zostanie przyjęty gaussowski rozkład<br />
zakłóceń n. Na wykresie 1.1 na następnej stronie zostały pokazane warunkowe<br />
gęstości prawdopodobieństw zmiennej losowej y przy nieobecności sygnału x<br />
(warunek H 0 ) i przy jego obecności (warunek H 1 ) 1 :<br />
p( y H<br />
0)<br />
= p ( y)<br />
(1.14)<br />
n<br />
p( y H1)<br />
= p ( y)<br />
(1.15)<br />
x+ n<br />
Ponieważ rozkład zmiennej losowej n jest normalny, a x jest stałą wartością, to<br />
krzywa p x+n (y) jest przesunięta względem krzywej p n (y) o wartość x.<br />
p<br />
+<br />
( y)<br />
= p ( y − x)<br />
(1.16)<br />
x<br />
n<br />
n<br />
Funkcja (reguła) decyzyjna rozwiązująca problem detekcji sygnału x będzie<br />
zależeć od y i w zależności od niego przyjmować wartości 0 lub 1. Przykładowa<br />
reguła decyzyjna d(y) (niekoniecznie optymalna) została pokazana na wykresie<br />
1.1. W danym przypadku jeśli y 0
Rys. 1.1. Krzywe warunkowych rozkładów prawdopodobieństw zmiennej losowej y dla<br />
prawdziwości hipotezy H 0 − p n (y) i H 1 − p x+n (y) oraz przykładowa reguła decyzyjna d(y)<br />
Prawdopodobieństwom tym odpowiadają zakreskowane pola na pierwszym z<br />
wykresów. Wprowadzając dowolną regułę decyzyjną do wyrażeń na D i F<br />
można je zapisać następująco:<br />
∞<br />
∫<br />
−∞<br />
D = d( y)<br />
⋅ p dy<br />
(1.19)<br />
∞<br />
∫<br />
−∞<br />
x + n<br />
( y)<br />
F = d( y)<br />
⋅ pn ( y)<br />
dy<br />
(1.20)<br />
Na odcinkach, w których d(y)=0, obie całki będą równe zero. Natomiast tam,<br />
gdzie d(y)=1, całki będą równe zakreskowanym na wykresie polom pod<br />
krzywymi odpowiednio p x+n (y) i p n (y). Dwie powyższe zależności są prawdziwe<br />
dla dowolnej postaci reguły decyzyjnej d(y).<br />
Biorąc pod uwagę powyższe zależności, wyrażenie D-l 0 F odpowiadające<br />
kryterium wagowemu można przedstawić następująco:<br />
∞<br />
D − l0 F = ∫ pn y)<br />
⋅d(<br />
y)<br />
⋅ )<br />
0<br />
−∞<br />
[ l(<br />
y − l ]<br />
( dy<br />
(1.21)<br />
17
gdzie<br />
px+n<br />
( y)<br />
l(<br />
y)<br />
=<br />
p ( y)<br />
Zgodnie z kryterium wagowym optymalny detektor powinien<br />
zagwarantować maksimum powyższej całki. Aby spełnić ten warunek, należy<br />
dla każdego y maksymalizować wyrażenie podcałkowe. Można to uzyskać<br />
przez odpowiednią modyfikację reguły decyzyjnej d(y). Funkcja d(y) przyjmuje<br />
tylko wartości 0 lub 1, w związku z tym wyrażenie podcałkowe albo się zeruje,<br />
albo jest mnożone przez 1. Ponieważ każda liczba dodatnia jest większa od<br />
zera, a zero jest większe od dowolnej liczby ujemnej, łatwo jest wskazać<br />
sposób maksymalizacji wyrażenia podcałkowego, a tym samym całego<br />
wyrażenia: jeśli wyrażenie podcałkowe jest dodatnie przyjmuje się d(y)=1,<br />
natomiast gdy jest mniejsze od zera zakłada się d(y)=0. Ponieważ gęstości<br />
prawdopodobieństwa p n (y) i p x+n (y) są nieujemne, to optymalną regułę<br />
decyzyjną dla procesu detekcji można zapisać jak niżej:<br />
⎧1<br />
dla l(<br />
y)<br />
> l0<br />
d opt<br />
( y)<br />
= ⎨<br />
(1.22)<br />
⎩0<br />
dla l(<br />
y)<br />
< l0<br />
n<br />
Wielkość<br />
px+n<br />
( y)<br />
l(<br />
y)<br />
=<br />
p ( y)<br />
nosi nazwę stosunku wiarygodności [1, 3, 12]. Stosunek wiarygodności jest<br />
liczbą nieujemną i wyraża się go ilorazem gęstości prawdopodobieństw tej<br />
samej realizacji y przy dwóch różnych warunkach: kiedy występuje sygnał i<br />
zakłócenie oraz gdy występuje jedynie zakłócenie. Jeśli dla konkretnej wartości<br />
y wielkość l (y)> l 0 , to znaczy, że sytuacja, gdy y=x+n jest bardziej<br />
prawdopodobna od sytuacji, gdy y=n. Ogólnie można powiedzieć, że jeśli dane<br />
są dwa rozkłady tej samej zmiennej losowej x, z tym że pierwszy zależy od<br />
zbioru parametrów λ 1 , a drugi od zbioru λ 2 i iloraz wiarygodności<br />
n<br />
p(<br />
x;<br />
λ1)<br />
L =<br />
p(<br />
x;<br />
λ )<br />
2<br />
18
jest większy od założonego wcześniej progu l 0 (w szczególnym przypadku<br />
l<br />
0=1), to znaczy że zbiór parametrów λ 1 jest bardziej prawdopodobny niż zbiór<br />
λ 2 .<br />
Z powyższych rozważań widać, że zamiast bardzo ogólnego kryterium<br />
minimum ryzyka zasadniejsze jest stosowanie kryterium ilorazu wiarygodności.<br />
Zgodnie z nim decyzję o obecności obiektu w określonym fragmencie<br />
przestrzeni podejmuje się, gdy iloraz wiarygodności przekracza założoną<br />
wartość progową l<br />
0. Tak sformułowane kryterium optymalnego wykrywania<br />
dobrze się nadaje do zastosowań praktycznych w systemach radarowych.<br />
Ważne jest to, że można je stosować niezależnie od postaci rozkładu<br />
prawdopodobieństwa zakłóceń.<br />
W przykładzie miernika wskazówkowego przyjęto normalny rozkład<br />
zakłóceń N ( 0; σ ) , o zerowej wartości średniej i wariancji σ 2 . W sytuacji, gdy nie<br />
ma sygnału użytecznego tzn. y=n, to:<br />
e y 2<br />
p y<br />
−<br />
2<br />
2<br />
n( ) =<br />
σ<br />
2πσ<br />
W sytuacji gdy y=x+n, ponieważ p x+n (y)=p n (y-x), można zapisać:<br />
1<br />
2<br />
( y−x)<br />
−<br />
2<br />
px<br />
n( y)<br />
2σ<br />
+<br />
=<br />
2πσ<br />
Dla takich rozkładów iloraz wiarygodności ma postać:<br />
p ( y)<br />
p ( y)<br />
1<br />
e<br />
e<br />
2<br />
x xy<br />
x n<br />
− −<br />
2 2<br />
l( y)<br />
=<br />
+ = 2σ<br />
⋅ σ<br />
n<br />
Przebieg krzywej l (y) dla x>0 pokazany jest na rysunku 1.2 na następnej<br />
stronie (na osi rzędnych zaznaczono wartość progową l<br />
0). Dzięki ścisłej<br />
monotoniczności funkcji l (y), warunek l (y)> l 0 można sprowadzić do warunku<br />
y>y 0 , a l (y)< l 0 odpowiednio do y y0<br />
d opt<br />
( y)<br />
= ⎨<br />
(1.23)<br />
⎩0<br />
dla y < y0<br />
19
Rys. 1.2. Krzywa ilorazu wiarygodności l (y)<br />
w zależności od wartości zmiennej losowej y<br />
Porównując je z zaproponowaną regułą decyzyjną widać, że tamta nie była<br />
optymalna. Dalej na wykresie 1.3 pokazano przebiegi rozkładów<br />
prawdopodobieństw p n (y) i p x+n (y) wraz z optymalną regułą decyzyjną.<br />
Prawdopodobieństwo fałszywego alarmu F dla tej reguły odpowiada polu pod<br />
krzywą p n (y) dla y≥y 0 . Wielkość y 0 nazywana jest progiem detekcji. Przy<br />
założonym poziomie zakłóceń prawdopodobieństwo fałszywego alarmu F<br />
zależy wyłącznie od y 0 ,<br />
y0<br />
⎡<br />
∞<br />
∞ 2<br />
= s<br />
1 ⎢ −<br />
∫ ) =<br />
2<br />
⎢∫<br />
−<br />
2<br />
∫<br />
σ<br />
F pn<br />
y dy e ds<br />
y<br />
π<br />
0<br />
0<br />
0<br />
⎢<br />
⎣<br />
⎤<br />
⎥ 1 ⎡ y ⎤<br />
ds<br />
⎥<br />
= ⎢<br />
1− Φ(<br />
)<br />
2 ⎥<br />
⎥<br />
⎣ σ ⎦<br />
⎦<br />
2<br />
s<br />
−<br />
0<br />
( 2<br />
gdzie Φ jest tzw. funkcją błędu. Oznacza to, że wartość progu y 0 można ustalić<br />
bezpośrednio z zakładanego prawdopodobieństwa fałszywego alarmu.<br />
Podejście takie odpowiada wspomnianemu wcześniej kryterium Neymana-<br />
Pearsona [1, 4]. Jest wygodne w zastosowaniach praktycznych, ponieważ<br />
pozwala uniknąć konieczności uwzględnienia prawdopodobieństw a priori<br />
dotyczących obecności lub nieobecności sygnału. W systemach radarowych<br />
odpowiada to prawdopodobieństwom stanów H 1 i H 0 − odpowiednio P(H 1 ) i<br />
e<br />
20
P(H 0 ) czyli obecności i nieobecności obiektu w określonym fragmencie<br />
przestrzeni powietrznej.<br />
Prawdopodobieństwo detekcji D sygnału x odpowiada polu pod krzywą<br />
p x+n (y) dla y≥y 0 . Przy założonym poziomie zakłóceń σ, zależy nie tylko od progu<br />
detekcji y 0 , ale i od oczekiwanej wartości sygnału x, co opisywane jest<br />
zależnością:<br />
y0<br />
−<br />
⎡<br />
∞<br />
∞ 2<br />
= s<br />
1 ⎢ −<br />
∫ ) =<br />
⎢∫<br />
− ∫<br />
σ<br />
D p<br />
2<br />
x n<br />
y dy e ds<br />
y<br />
2π<br />
0<br />
0<br />
0<br />
⎢<br />
⎣<br />
⎤<br />
⎥ 1 ⎡ y − x<br />
ds<br />
⎥<br />
= ⎢1<br />
− Φ(<br />
2<br />
⎥<br />
⎣ σ<br />
⎦<br />
2<br />
s<br />
−<br />
0<br />
+<br />
( 2<br />
)<br />
x<br />
e<br />
⎤<br />
⎥<br />
⎦<br />
Rys. 1.3. Krzywe warunkowych rozkładów prawdopodobieństw zmiennej losowej y dla<br />
prawdziwości hipotezy H 0 − p n (y) i H 1 − p x+n (y) oraz optymalna reguła decyzyjna d opt (y)<br />
Na wykresie 1.4 na kolejnej stronie pokazano krzywe zwane charakterystykami<br />
detekcji. Jak widać, im większa jest wartość progu y 0 , czyli mniejsze<br />
prawdopodobieństwo fałszywego alarmu F, tym bardziej w prawo przesuwa się<br />
wykres D(x). Oznacza to, że aby zagwarantować takie samo<br />
prawdopodobieństwo detekcji D potrzebny jest wyższy poziom sygnału<br />
użytecznego x.<br />
21
Rys. 1.4. Charakterystyki detekcji dla przypadku wskaźnika wychyłowego<br />
1.4. WERYFIKACJA HIPOTEZ ZA POMOCĄ<br />
POMIARÓW WIELOKROTNYCH<br />
Teoria i przykład przedstawiony we wcześniejszych punktach mogą być<br />
łatwo rozszerzone na przypadki, w których wybór jednej z hipotez H 0 lub H 1<br />
dokonywany jest na podstawie większej liczby pomiarów. Mierzone wielkości y 0 ,<br />
y 1 , ... y N-1 mogą reprezentować kolejne pomiary tej samej wielkości fizycznej,<br />
pomiar N różnych parametrów, albo dowolną kombinację tych dwóch<br />
możliwości. Wielkości te mogą być opisane łącznymi, wielowymiarowymi<br />
funkcjami gęstości prawdopodobieństwa p(y/H 0 )=p 0 (y)=p 0 (y 0 , y 1 , ..., y N-1 ) i<br />
p(y/H 1 )=p 1 (y)=p 1 (y 0 , y 1 , ... y N-1 ) odpowiednio dla hipotez H 0 i H 1 . Zadanie polega<br />
na wyborze jednej z tych dwóch funkcji gęstości prawdopodobieństwa, która<br />
lepiej opisuje wynik pomiaru. Słowo „lepiej” należy rozumieć w sensie<br />
odpowiedniego kryterium decyzyjnego wprowadzonego w poprzednich<br />
punktach. Jeśli funkcje p 0 (y) i p 1 (y) nie zawierają nieznanych parametrów, to<br />
22
odpowiadające im hipotezy można nazwać „prostymi”. Obie funkcje gęstości<br />
pomnożone przez dy 0 dy 1 ...dy N-1 określają prawdopodobieństwo zdarzenia<br />
polegającego na tym, że zmienna losowa y 0 przyjmie wartość z przedziału<br />
〈y 0 ,y 0 +dy 0 〉, y 1 z przedziału 〈y 1 , y 1 +dy 1 〉 itd. Oczywiście dla obu funkcji gęstości<br />
musi zachodzić związek ,że<br />
∞<br />
∫∫<br />
−∞<br />
... p(<br />
y , y1,...,<br />
y<br />
1)<br />
⋅ dy0dy1...<br />
dy<br />
1<br />
0 N − N −<br />
=<br />
W procesie detekcji każdej realizacji (y 0 , y 1 , ..., y N-1 ) należy<br />
przyporządkować konkretną decyzję. Oznacza to, że na zbiorze realizacji może<br />
być określona reguła decyzyjna d(y)=d(y 0 ,y 1 ,...y N-1 ), przyjmująca w zależności<br />
od swych argumentów dwie wartości: 0 lub 1, którym odpowiadają decyzje d 0<br />
oraz d 1 o nieobecności lub obecności sygnału użytecznego.<br />
Inaczej mówiąc każdemu punktowi wielowymiarowej przestrzeni należy<br />
przypisać odpowiednią wartość: 0 lub 1. Regułę decyzyjną można wtedy<br />
wyrazić jako podział wspomnianej przestrzeni na dwa obszary: R 0 oraz R 1 . Jeśli<br />
wynik pomiaru (punkt) znajduje się w obszarze R 0 , to podejmowana jest<br />
decyzja d 0 o słuszności hipotezy H 0 , zaś gdy punkt leży w obszarze R 1 ,<br />
wybierana jest hipoteza H 1 . Obszary R 0 i R 1 są rozdzielone powierzchnią d,<br />
zwaną „powierzchnią decyzyjną”. Regułę decyzyjną można (jak w poprzednim<br />
punkcie dla pojedynczego pomiaru − zależność 1.23) opisać zbiorem<br />
nierówności dla N zmiennych y i (0≤i≤N-1).<br />
Aby łatwiej zilustrować sytuację wygodnie jest przedstawić zbiór N<br />
wyników pomiaru geometrycznie, jako jeden punkt w N-wymiarowej przestrzeni<br />
kartezjańskiej o współrzędnych y=(y 0 , y 1 , ..., y N-1 ). Na rysunku 1.5 pokazano<br />
przykładowe obszary decyzji i powierzchnię decyzyjną dla N=2. Położenie i<br />
kształt powierzchni decyzyjnej d zależy od wybranego kryterium − inne będzie<br />
dla ogólnego kryterium minimum ryzyka, a inne dla kryterium Neymana-<br />
Pearsona.<br />
1<br />
23
Rys. 1.5. Obszary decyzyjne dla dwóch pomiarów (N=2) oddzielone powierzchnią decyzyjną d<br />
Jeśli znane są koszty błędnych decyzji (dla poprawnych można przyjąć<br />
zerowy koszt) tzn. straty dla fałszywego alarmu oraz przeoczenia obiektu w<br />
przestrzeni, oraz bezwarunkowe prawdopodobieństwa a priori P(H 0 ) i P(H 1 )<br />
odpowiednio dla hipotez H 0 i H 1 , można zastosować ogólne kryterium Bayesa<br />
polegające na minimalizacji ryzyka.<br />
W sytuacji, gdy nie jest możliwa ocena prawdopodobieństw a priori P(H 0 ) i<br />
P(H 1 ), a także nie są dokładnie znane koszty towarzyszące różnym decyzjom,<br />
dogodne jest zastosowanie kryterium Neymana-Pearsona. Wymaga ono<br />
takiego położenia powierzchni decyzyjnej d, aby zminimalizować<br />
prawdopodobieństwo przepuszczenia obiektu D (czyli zmaksymalizować<br />
prawdopodobieństwo detekcji D=1-D ), wtedy gdy narzucone jest dopuszczalne<br />
prawdopodobieństwo fałszywego alarmu F. Obserwator w jakiś sposób<br />
decyduje o odpowiednim doborze prawdopodobieństwa F. Zwiększanie go<br />
oznacza zwiększenie prawdopodobieństwa D, czemu odpowiada dokładniejsze<br />
stwierdzenie występowania hipotezy H 1 . Posługując się analogią do<br />
jednowymiarowego przykładu detekcji łatwo można znaleźć optymalną<br />
powierzchnię d i odpowiadającą jej regułę decyzyjną d(y)=d(y 0 , y 1 , ..., y N-1 ).<br />
Prawdopodobieństwa fałszywego alarmu oraz detekcji dla dowolnej funkcji<br />
decyzyjnej można zapisać jak dalej (analogicznie do wzorów 1.19, 1.20):<br />
24
∞<br />
∫∫<br />
−∞<br />
D = ... d(<br />
y0 , y1,...)<br />
⋅ p(<br />
y0<br />
, y1,...<br />
H1)<br />
⋅ dy0dy1...<br />
(1.24)<br />
∞<br />
∫∫<br />
−∞<br />
F = ... d(<br />
y0 , y1,...)<br />
⋅ p(<br />
y0<br />
, y1,...<br />
H<br />
0<br />
) ⋅ dy0dy1...<br />
(1.25)<br />
Dla wyboru optymalnej reguły można się posłużyć jak poprzednio wyrażeniem<br />
na kryterium wagowe: D-l 0 F. Można je przedstawić w poniższej postaci:<br />
gdzie<br />
∞<br />
∫∫<br />
−∞<br />
[ l(<br />
y , y ,...) − l ]<br />
D − l0F<br />
= ... d(<br />
y0<br />
, y1,...)<br />
⋅ p(<br />
y0<br />
, y1,...<br />
H<br />
0<br />
) ⋅<br />
0 1 0<br />
⋅ dy0dy1...<br />
(1.26)<br />
l ( y , y ,...) =<br />
0<br />
1<br />
p(<br />
y<br />
p(<br />
y<br />
0<br />
0<br />
, y ,...<br />
1<br />
, y ,...<br />
1<br />
H1)<br />
H )<br />
jest stosunkiem wiarygodności. Ponieważ optymalnym z punktu widzenia<br />
kryterium wagowego jest rozwiązanie dające maksimum powyższej całki,<br />
otrzymuje się je tak samo jak dla wykrywania jednowymiarowego w poprzednim<br />
punkcie (wzór. 1.22):<br />
⎧1<br />
dla l(<br />
y0<br />
, y1,...)<br />
> l0<br />
d opt<br />
( y0<br />
, y1,...)<br />
= ⎨<br />
(1.27)<br />
⎩0<br />
dla l(<br />
y0<br />
, y1,...)<br />
< l0<br />
Znając postać stosunku wiarygodności można przekształcić zapis powyższej<br />
reguły decyzyjnej uzależniając ją od zmiennych (y 0, y 1 ,...) i wartości progowej Y 0<br />
uzyskując dzięki temu wyrażenie na powierzchnię decyzyjną d.<br />
Tak więc optymalna powierzchnia decyzyjna d, dzieląca przestrzeń<br />
realizacji na obszary R 0 i R 1 jest jedną z rodziny powierzchni, określonych przez<br />
parametr l<br />
0. Wybrana jest taka wartość parametru, dla której<br />
prawdopodobieństwo fałszywego alarmu F równe jest wartości narzuconej.<br />
Kryterium Neymana-Pearsona prowadzi do procedury, w której stosunek<br />
wiarygodności porównywany jest z ustaloną wartością l 0 ; wybiera się hipotezę<br />
H 0 jeżeli l (x)< l 0 , a hipotezę H 1 , jeśli l (x)> l 0 .<br />
0<br />
25
1.5. PRZYKŁAD OPTYMALNEJ DETEKCJI NA<br />
PODSTAWIE WIELU POMIARÓW<br />
Teorię przedstawioną w punktach 1.1−1.3 w połączeniu z rozważaniami z<br />
punktu ostatniego 1.4 można zastosować rozważając przykładowy problem<br />
detekcji sygnału x(t), którego wszystkie parametry (jak amplituda, faza, kształt<br />
oraz czas pojawienia się) są znane.<br />
Sygnał x(t) może występować w obecności białego szumu gaussowskiego<br />
n(t) o wartości oczekiwanej równej zero. Obserwator odbiera sygnał wejściowy<br />
y(t) będący np. echem radarowym odbitym od jakiegoś obiektu, obserwowanym<br />
w czasie 0
Rozważania i wyprowadzenie reguł decyzyjnych w poprzednich punktach<br />
prowadzono przy założeniu skończonej liczby obserwacji. Jednak zgodnie z<br />
twierdzeniem o próbkowaniu każdy sygnał o ograniczonym paśmie do jakiejś<br />
częstotliwości f max można poddać dyskretyzacji, nie tracąc informacji w nim<br />
zawartych, jeśli tylko częstotliwość próbkowania nie będzie mniejsza od 2f max<br />
[13]. Każdej chwili próbkowania t k (0≤k≤N-1) można przypisać trójkę liczb<br />
określającą wartości sygnałów: x k =x(t k ), n k =n(t k ) oraz y k =y(t k ) odpowiednio dla<br />
sygnału użytecznego, zakłócenia i ich sumy. Istnieje zatem możliwość opisania<br />
przypadkowych funkcji czasu za pomocą równoważnych im wielowymiarowych<br />
zmiennych losowych. Obserwator wybiera jedną z dwóch hipotez na podstawie<br />
wielu wartości y k . Wartości te charakteryzowane są przez łączne N-wymiarowe<br />
funkcje gęstości prawdopodobieństwa:<br />
p ( y0<br />
, y1,...,<br />
1)<br />
0<br />
y N −<br />
oraz<br />
p ( y0<br />
, y1,...,<br />
1)<br />
1<br />
y N −<br />
pod warunkiem, że prawdziwa jest odpowiednio hipoteza H 0 albo H 1 .<br />
Podejmując decyzję można się opierać na wartości stosunku wiarygodności<br />
l(<br />
y<br />
0<br />
, y ,..., y<br />
1<br />
)<br />
N − 1<br />
=<br />
p ( y<br />
1<br />
0<br />
0<br />
p ( y<br />
0<br />
, y ,..., y<br />
1<br />
, y ,..., y<br />
który porównywany jest z wartością progową l<br />
0. Jeśli l (y)< l 0 , podejmowana<br />
jest decyzja d 0 , że słuszna jest hipoteza H 0 (odebrano tylko zakłócenia), jeśli<br />
l (y)> l 0 podejmowana jest decyzja d 1 tzn. że odebrano sygnał użyteczny.<br />
1<br />
N −1<br />
N −1<br />
Wielkość l 0 zależy od wybranego kryterium decyzyjnego.<br />
W przypadku, gdy n(t) jest gaussowskim szumem białym, to zmienne<br />
losowe y k są statystycznie niezależne i jeśli prawdziwa jest hipoteza H 0 , to<br />
łączna funkcja gęstości prawdopodobieństwa wynosi [3, 12]:<br />
N<br />
1 2<br />
−<br />
N<br />
2 2<br />
0<br />
(<br />
0<br />
,<br />
1,...,<br />
1)<br />
(2 ) exp( ∑ − yk<br />
p y y y<br />
N −<br />
= πσ ⋅ − )<br />
(1.29)<br />
2<br />
k=<br />
0 2σ<br />
Gdy istnieje sygnał użyteczny (prawdziwa hipoteza H 1 ), to łączna funkcja<br />
gęstości prawdopodobieństwa jest dana przez powyższe wyrażenie, z tym że y k<br />
zastąpiono przez (y k -x k ).<br />
)<br />
)<br />
27
Inaczej mówiąc wielkości y k są niezależnymi zmiennymi losowymi o wartości<br />
oczekiwanej x k :<br />
N<br />
1<br />
2<br />
−<br />
N<br />
2<br />
( )<br />
2<br />
1(<br />
0,<br />
1,...,<br />
1)<br />
(2 ) exp( ∑ − yk<br />
− xk<br />
p y y y<br />
N −<br />
= πσ ⋅ −<br />
)<br />
(1.30)<br />
2<br />
k=<br />
0 2σ<br />
Stosunek wiarygodności ma postać:<br />
N 1<br />
2<br />
2<br />
(<br />
0<br />
,<br />
1,...,<br />
1)<br />
exp( ∑ − xk<br />
yk<br />
− xk<br />
l y y y<br />
N −<br />
=<br />
)<br />
(1.31)<br />
2<br />
k = 0 2σ<br />
Jeśli l (y)< l 0 podejmowana jest decyzja d 0 . Logarytmując i przekształcając tą<br />
nierówność dostaje się:<br />
N −1<br />
∑<br />
k=<br />
0<br />
x<br />
k<br />
y<br />
k<br />
N −1<br />
1<br />
< ∑ x<br />
2<br />
k = 0<br />
2<br />
k<br />
2<br />
+ σ lnl<br />
0<br />
(1.32)<br />
Tak więc decyzję można podejmować opierając się na wartości poniższej<br />
statystyki<br />
N<br />
= ∑ − G<br />
N<br />
xk<br />
yk<br />
(1.33)<br />
k = 0<br />
i porównywaniu jej z ustaloną wartością G 0 .<br />
W N-wymiarowej przestrzeni realizacji zmiennych losowych y k<br />
powierzchnia decyzyjna d jest hiperpłaszczyzną<br />
N<br />
∑ − 1<br />
k=<br />
0<br />
x<br />
y<br />
1<br />
k k<br />
=<br />
const<br />
do której jest prostopadły wektor o współrzędnych x k .<br />
Zapisując wyrażenie na statystykę G N dla sygnałów z ciągłym czasem<br />
dochodzi się do poniższej całki:<br />
G<br />
T<br />
= ∫<br />
0<br />
x(<br />
t)<br />
y(<br />
t)<br />
dt<br />
zwanej całką korelacyjną. O systemie decyzyjnym, w którym statystyka G N lub<br />
G jest porównywana z pewnym progiem G 0 , można powiedzieć, że wzajemnie<br />
koreluje sygnał wejściowy y(t) z sygnałem oczekiwanym x(t). System taki<br />
nazywa się detektorem korelacyjnym. Jeżeli G N G 0 wybierana jest<br />
hipoteza H 1 − "sygnał jest". Wielkość G 0 jest zależna od stosowanego kryterium<br />
decyzyjnego. Przy zastosowaniu kryterium Neymana-Pearsona wartość<br />
prawdopodobieństwa fałszywego alarmu F jest z góry ustalona, zwykle na<br />
podstawie względnej liczby błędów I rodzaju, jaką obserwator może dopuścić.<br />
28
Statystyka G N jest zmienną losową opisaną przez jedną z dwóch funkcji<br />
gęstości prawdopodobieństwa: p 1 (G N ) i p 0 (G N ) odpowiednio gdy sygnał<br />
użyteczny jest zawarty w sygnale y(t) oraz gdy go nie ma. Ponieważ G N jest<br />
kombinacją liniową zmiennych losowej y(t) mających rozkład Gaussa, także jest<br />
zmienną losową gaussowską. Jeśli prawdziwa jest hipoteza H 0 , to wartość<br />
oczekiwana (średnia) statystyki G N równa jest<br />
EG N<br />
= 0<br />
bo E[n(t)]=0. W przypadku prawdziwości hipotezy H 1 , wartość średnia sygnału<br />
wejściowego y(t) w każdej chwili wynosi x(t), gdyż sygnał i szum się dodają.<br />
Wartość oczekiwana EG N (łatwo ją wyliczyć korzystając z własności wartości<br />
oczekiwanej) [12] wynosi wtedy<br />
N<br />
EG<br />
N<br />
= ∑ − 2<br />
xk<br />
= E<br />
= 0<br />
k<br />
1<br />
x<br />
(1.34)<br />
i jest równa energii sygnału x(t). Co do wariancji, to są one takie same w<br />
przypadku obu hipotez i wynoszą:<br />
D<br />
2<br />
G<br />
N<br />
N<br />
2 2<br />
= σ ⋅∑ − xk<br />
= σ<br />
= 0<br />
k<br />
1<br />
2<br />
E<br />
x<br />
(1.35)<br />
Funkcje gęstości prawdopodobieństwa statystyki G N mogą być zapisane<br />
według poniższych równań:<br />
2<br />
1 GN<br />
p0<br />
( GN<br />
) = exp( − )<br />
4 2<br />
2πE<br />
σ 2σ<br />
E<br />
x<br />
1 ( GN<br />
− E<br />
x<br />
)<br />
p1( GN<br />
) = exp( −<br />
4 2<br />
2πE<br />
σ 2σ<br />
E<br />
x<br />
x<br />
x<br />
2<br />
)<br />
Jeżeli G N >G 0 i sygnału nie ma popełnia się błąd I rodzaju (podnosi się<br />
fałszywy alarm). Prawdopodobieństwo fałszywego alarmu wynosi<br />
∞<br />
∫<br />
G0<br />
F = p 0<br />
( G N<br />
) dG (1.36)<br />
N<br />
Jeśli podejmuje się decyzję d 1 tzn. stwierdza się istnienie sygnału, gdy<br />
rzeczywiście występuje (G N >G 0 , gdy hipoteza H 1 jest prawdziwa) oznacza to,<br />
że wykryto sygnał x(t).<br />
29
Prawdopodobieństwo detekcji (jego wykrycia) wynosi<br />
∞<br />
∫<br />
G0<br />
D = p 1( G N<br />
) dG (1.37)<br />
N<br />
Z drugiej strony, gdy G N
wartości nie są znane obserwatorowi. Wtedy znalezienie optymalnych kryteriów<br />
decyzyjnych staje się trudniejsze.<br />
W niniejszym rozdziale rozpatrzona zostanie sytuacja, gdy rozkład p 0 (y)<br />
odpowiadający hipotezie H 0 tzn. gdy y(t)=n(t) nie zależy od żadnych nieznanych<br />
parametrów, natomiast p 1 (y) odpowiadający hipotezie H 1 tzn. y(t)=x(t)+n(t)<br />
zależy od M parametrów, których zbiór można traktować jako wektor<br />
β=(β 0 ,β 1 ,...,β M-1 ) w pewnej M-wymiarowej przestrzeni parametrów. Jeśli<br />
składowe wektora β są zmiennymi losowymi, to funkcja rozkładu p 1 (y/β) jest<br />
warunkową funkcją gęstości prawdopodobieństwa. Hipoteza H 0 zwana jest<br />
wtedy prostą, a H 1 złożoną. Badaną regułę decyzyjną opisuje się jak<br />
poprzednio tzn. przez podział N-wymiarowej przestrzeni kartezjańskiej wartości<br />
próbek y k na obszary R 0 i R 1 . Wybiera się hipotezę H 0 , gdy punkt o<br />
współrzędnych danych przez zmierzone wartości y=(y 0 ,y 1 ,...,y N-1 ) leży na<br />
obszarze R 0 , zaś H 1 − gdy należy do R 1 . Powierzchnię d wybiera się tak, aby<br />
reguła decyzyjna była w pewnym sensie optymalna.<br />
Przykładowo w rzeczywistych systemach radarowych funkcja gęstości<br />
prawdopodobieństwa p 0 (y) jest funkcją n próbek przebiegu wejściowego y(t)<br />
zawierającego jedynie szum (zwykle biały o rozkładzie Gaussa), zaś funkcja<br />
p 1 (y/β) jest funkcją gęstości prawdopodobieństwa tych samych obserwacji<br />
przebiegu wejściowego, gdy odbiera się także sygnał użyteczny x(t, β), gdzie<br />
składowe wektora β reprezentują pewne parametry sygnału. Impulsowy sygnał<br />
wąskopasmowy wysyłany przez radar da się zapisać jako:<br />
s( t)<br />
= Acos[<br />
ω(<br />
t − t0<br />
)]<br />
gdzie A jest znaną amplitudą, ω − pulsacją, a t 0 chwilą wysłania impulsu.<br />
Jednak sygnał echa radarowego w zależności od tego, gdzie jest i jak się<br />
zachowuje cel, ma już wiele nieznanych parametrów. Można go przedstawić<br />
poniższym wyrażeniem:<br />
x( t,<br />
β ) = X ( t)<br />
⋅ s(<br />
t − top , β ) = X ( t)<br />
⋅ s(<br />
t − t op<br />
, ω<br />
d<br />
, ϕ<br />
x<br />
)<br />
gdzie:<br />
β 0 =X(t) − amplituda sygnału;<br />
β 1 =t op − opóźnienie wynikające z odległości celu od radaru;<br />
β 2 =ω d − pulsacja dopplerowska zależna od prędkości celu;<br />
β 3 =ϕ x − faza sygnału.<br />
31
Obserwator może znać tylko niektóre z parametrów lub szerokie granice, w<br />
jakich się one zmieniają. Można zatem powiedzieć, że próbuje wykryć jeden z<br />
sygnałów należących do zbioru wykluczających się sygnałów o postaci jak<br />
wyżej.<br />
Najbardziej ogólnym, chociaż rzadko w praktyce spotykanym jest<br />
przypadek, gdy wszystkie prawdopodobieństwa a priori: P(H 0 ), P(H 1 ), łączna<br />
funkcja gęstości prawdopodobieństwa parametrów p(β) oraz koszty są dobrze<br />
określone. Można wtedy stosować kryterium Bayesa polegające na<br />
minimalizacji ryzyka.<br />
Jeśli P(H 0 ), P(H 1 ) i koszty decyzji nie są znane (sytuacja typowa w<br />
systemach radarowych), stosuje się kryterium Neymana-Pearsona.<br />
Prawdopodobieństwo błędu I rodzaju (fałszywego alarmu) wynosi<br />
F =<br />
∫<br />
R1<br />
p<br />
0<br />
( y0<br />
,..., y<br />
N −1<br />
) dy0...<br />
dy N −1<br />
gdzie R 1 jest obszarem przestrzeni próbek y k , w którym prawdziwa jest hipoteza<br />
H 1 . Prawdopodobieństwo błędu II rodzaju (przepuszczenia obiektu) w<br />
przypadku detekcji sygnałów z nieznanymi parametrami β jest teraz funkcją<br />
tych parametrów:<br />
D(<br />
β ) =<br />
∫<br />
R0<br />
p<br />
1<br />
( y0<br />
,..., y<br />
N −1<br />
0<br />
,...,<br />
M −1<br />
) dy0...<br />
podobnie R 0 jest obszarem, na którym wybierana jest hipoteza H 0 . Dla<br />
zadanego zbioru wartości parametrów β powierzchnia decyzyjna d<br />
rozdzielająca obszary R 0 i R 1 powinna być taka, aby dla ustalonego poziomu F<br />
prawdopodobieństwo D (β ) było minimalne.<br />
β<br />
Przy stosowaniu kryterium Neymana-Pearsona najwygodniejszy jest<br />
przypadek, gdy usytuowanie powierzchni d minimalizujące D (β ) dla zadanego<br />
F, nie zależy od wartości parametrów. Wtedy ta sama powierzchnia decyzyjna d<br />
jest optymalna dla wszystkich wartości β i dla funkcji gęstości<br />
prawdopodobieństwa zmiennej β mówi się, że strategia stanowi jednostajnie<br />
najmocniejszy test hipotezy H 1 względem hipotezy H 0 . Zilustrować to można na<br />
poniższym przykładzie: niech próbki y będą niezależnymi zmiennymi losowymi<br />
o rozkładach Gaussa z wariancją σ 2 i niech wartość średnia x wynosi zero przy<br />
β<br />
dy<br />
N −1<br />
32
hipotezie H 0 i x>0 przy hipotezie H 1 . Wtedy łączne funkcje gęstości<br />
prawdopodobieństwa mają postać:<br />
2<br />
p ( y)<br />
= (2πσ<br />
)<br />
0<br />
p ( y,<br />
x)<br />
= (2πσ<br />
1<br />
N<br />
−<br />
2<br />
2<br />
)<br />
⋅ exp( −<br />
N<br />
−<br />
2<br />
N −1<br />
∑<br />
k = 0<br />
⋅ exp( −<br />
2σ<br />
N −1<br />
∑<br />
y<br />
k = 0<br />
2<br />
k<br />
2<br />
( y<br />
)<br />
k<br />
− x)<br />
O wartości średniej x wiadomo tylko tyle, że jest dodatnia. Dla ustalonej<br />
wartości x wyliczywszy stosunek wiarygodności l (y), który porównywany byłby<br />
z progiem l<br />
0<br />
, logarytmując następnie nierówność l (y)< l 0<br />
stronami i<br />
odpowiednio przekształcając uzyskuje się optymalną regułę decyzyjną, która<br />
jest równoważna porównywaniu średniej<br />
Y<br />
=<br />
∑ − 1<br />
1 N y k<br />
N k = 0<br />
z pewną ustaloną wartością graniczną Y 0 określoną przez poniższe wyrażenie:<br />
2<br />
lnl<br />
0 x<br />
Y<br />
0<br />
= σ +<br />
Nx 2<br />
Hipotezę H 0 wybiera się gdy YY 0 . Wartość graniczną ustala<br />
się tak, aby uzyskać żądany poziom prawdopodobieństwa fałszywego alarmu<br />
zgodnie ze wzorem, że<br />
F =<br />
∞<br />
∫<br />
Y0<br />
p0(<br />
Y ) dY<br />
gdzie p 0 (Y) jest rozkładem Gaussa o zerowej średniej i wariancji σ 2 /N.<br />
2σ<br />
Powierzchnia decyzyjna d jest w tym przypadku płaszczyzną<br />
N 1<br />
∑ −<br />
k=<br />
0<br />
y<br />
k =<br />
i jest niezależna od istniejącej przy hipotezie H 1 średniej x. Dlatego test jest<br />
jednostajnie najmocniejszy, gdy występująca średnia x jest dodatnia i może być<br />
stosowany nawet wtedy, gdy aktualna wartość x nie jest znana. Niestety raczej<br />
wyjątkowo powierzchnia decyzyjna jest niezależna od parametrów β. W wielu<br />
przypadkach jedna i ta sama powierzchnia d(β) nie jest optymalna dla<br />
wszystkich możliwych wartości β, a więc test jednostajnie najmocniejszy nie<br />
istnieje. Tak jest na przykład, kiedy średnia x z powyższego przykładu może<br />
być dodatnia lub ujemna. Należy wtedy skorzystać z danej funkcji gęstości<br />
NY<br />
0<br />
2<br />
2<br />
)<br />
33
prawdopodobieństwa a priori p(β) jeśli jest znana, lub wybrać pewną funkcję<br />
gęstości prawdopodobieństwa p(β) dobrze opisującą zjawisko i minimalizować<br />
prawdopodobieństwo błędu II rodzaju uśrednione względem wszystkich<br />
możliwych kombinacji parametrów:<br />
∫<br />
M<br />
N<br />
M<br />
D śr β ) = p(<br />
β ) ⋅ D(<br />
β ) d β = d y p(<br />
β ) ⋅ p ( y β ) d β .<br />
(<br />
1<br />
R0<br />
Obserwator musi się zadowolić regułą, która jest poprawna tylko w odniesieniu<br />
do zbioru możliwych wartości parametrów β o rozkładzie zgodnym z przyjętym.<br />
Może jednak istnieć jeden rozkład p max (β), dla którego znaleziona wartość<br />
D śr (β ) jest największa. Jest to najmniej korzystny rozkład przy kryterium<br />
Neymana-Pearsona. W sytuacji, gdy wartości parametrów są nieznane<br />
rozsądne jest stosowanie w kryterium Neymana-Pearsona najmniej<br />
korzystnego rozkładu parametrów, ponieważ obserwator może być pewny, że<br />
jego strategia daje założone przez niego prawdopodobieństwo fałszywego<br />
alarmu F oraz prawdopodobieństwo przeoczenia obiektu nigdy nie przekroczy<br />
wartości<br />
∫<br />
∫<br />
D śr<br />
( β )<br />
p(<br />
β ) =<br />
p<br />
max<br />
( β )<br />
niezależnie od tego, który zbiór wartości parametrów rzeczywiście wystąpi w<br />
następnych próbach [4].<br />
2.2. STOSUNEK WIARYGODNOŚCI DLA SYGNAŁU<br />
O NIEZNANYCH PARAMETRACH<br />
W punkcie 1.5 wyprowadzono wyrażenie na stosunek wiarygodności dla<br />
sygnału całkowicie znanego, pojawiającego się w obecności szumu białego o<br />
rozkładzie Gaussa. W niniejszym punkcie wyprowadzone zostanie wyrażenie<br />
na stosunek wiarygodności dla sygnału o nieznanych parametrach.<br />
W sytuacji, gdy odbierany przebieg składa się z sygnału użytecznego o<br />
nieznanych parametrach oraz zakłóceń, można go zapisać poniższą sumą:<br />
34
y t)<br />
x(<br />
t,<br />
β , β ,..., β<br />
M<br />
) + n(<br />
)<br />
( =<br />
0 1 −1<br />
t<br />
Dyskretne wartości y k =y(t k ) i zbiór parametrów β można opisać łączną funkcją<br />
gęstości prawdopodobieństwa. Jeśli założyć, że rozkład parametrów p(β) jest<br />
znany, to zgodnie z twierdzeniem Bayesa można zapisać jak niżej:<br />
p(<br />
y<br />
0<br />
,..., y<br />
N −1<br />
, β ,..., β<br />
0<br />
M −1<br />
) =<br />
p(<br />
y<br />
0<br />
0<br />
,..., y<br />
= p(<br />
β ,..., β<br />
N −1<br />
M −1<br />
) ⋅ p(<br />
β ,..., β<br />
0<br />
) ⋅ p(<br />
y<br />
0<br />
,..., y<br />
M −1<br />
N −1<br />
y ,..., y<br />
0<br />
β ,..., β<br />
0<br />
N −1<br />
M −1<br />
) =<br />
)<br />
(2.1)<br />
Całkowanie w nieskończonym przedziale bezwarunkowych lub warunkowych<br />
gęstości prawdopodobieństwa daje zawsze jeden, tak więc:<br />
∞ ∞<br />
∫∫<br />
−∞ −∞<br />
Całkując wyrażenie (2.1) dostaje się:<br />
p<br />
... p(<br />
β β<br />
β β<br />
1<br />
0<br />
,...,<br />
M − 1<br />
y0<br />
,..., y<br />
N −1<br />
) d<br />
0...<br />
d<br />
M −<br />
= 1<br />
∞ ∞<br />
( y0 ,..., y<br />
N −1<br />
) = ∫∫...<br />
p(<br />
0<br />
,..., β<br />
M −1<br />
) ⋅ p(<br />
y0<br />
,..., y<br />
N −1<br />
β<br />
0<br />
,..., β<br />
M −1<br />
) dβ<br />
0...<br />
dβ<br />
M −1<br />
−∞ −∞<br />
β (2.2)<br />
Ponieważ p(y 0 ,...,y N-1 )=p 1 (y 0 ,...,y N-1 ), lewa strona wyrażenia (2.2) jest gęstością<br />
prawdopodobieństwa realizacji wielkości y k , przy założeniu odebrania sygnału<br />
wraz z zakłóceniami, mającymi rozkład a priori p(β). Jeśli podzielić wyrażenie<br />
(2.2) stronami przez gęstość prawdopodobieństwa tych samych wielkości y k ,<br />
przy założeniu odebrania jedynie zakłóceń p 0 (y 0 ,...,y N-1 ), to uzyska się poniższe<br />
wyrażenie na stosunek wiarygodności dla sygnału o nieznanych parametrach:<br />
l<br />
p(<br />
y ,..., y β ,..., β )<br />
β (2.3)<br />
∞ ∞<br />
0 N −1<br />
0 M −1<br />
( y0 ,..., y<br />
N − 1)<br />
= ∫∫...<br />
p(<br />
0<br />
,..., β<br />
M −1<br />
)<br />
dβ<br />
0...<br />
dβ<br />
M −1<br />
p<br />
−∞ −∞<br />
0<br />
( y0<br />
,..., y<br />
N −1<br />
)<br />
Mianownik został wprowadzony pod znak całki, ponieważ nie zależy od<br />
zmiennych całkowania. Wielkość<br />
p(<br />
y<br />
0<br />
,..., y<br />
0<br />
N −1<br />
p ( y<br />
0<br />
β ,..., β<br />
0<br />
,..., y<br />
N −1<br />
)<br />
M −1<br />
)<br />
l(<br />
y<br />
,..., y<br />
β ,..., β<br />
=<br />
0 N −1<br />
0 M −1<br />
przedstawia szczególną wartość stosunku wiarygodności dla<br />
ustalonych wartości parametrów. Innymi słowy jest to stosunek<br />
wiarygodności dla sygnału całkowicie znanego. Z powodu<br />
występowania w nim warunkowej gęstości prawdopodobieństwa<br />
często określa się go jako warunkowy stosunek wiarygodności.<br />
Natomiast stosunek wiarygodności sygnału z nieznanymi<br />
parametrami uzyska się w wyniku uśrednienia warunkowego<br />
)<br />
35
stosunku wiarygodności względem wszystkich parametrów<br />
występujących w warunku:<br />
l<br />
∞ ∞<br />
( y0 ,..., y<br />
N − 1)<br />
= ∫∫...<br />
p(<br />
β<br />
0<br />
,..., β<br />
M −1<br />
) l(<br />
y0<br />
,..., y<br />
N −1<br />
β<br />
0<br />
,..., β<br />
M −1<br />
) dβ<br />
0...<br />
dβ<br />
M −1<br />
−∞ −∞<br />
Jeśli sygnał użyteczny odbierany jest razem z addytywnym szumem<br />
białym o rozkładzie Gaussa, to biorąc pod uwagę rozważania z<br />
punktu 1.5, a w szczególności wyrażenie (1.31) na stosunek<br />
wiarygodności oraz (1.33) na statystykę G N i (1.34) na energię E x<br />
sygnału x(t) warunkowy stosunek wiarygodności można zapisać<br />
jako:<br />
N 1<br />
2<br />
2x(<br />
k)<br />
y(<br />
k)<br />
− x ( k)<br />
GN<br />
( β ) E<br />
x<br />
( β )<br />
l( y0<br />
,..., y<br />
N 1<br />
β<br />
0,...,<br />
β<br />
M 1)<br />
= exp( ∑ − −<br />
−<br />
) = exp( ) ⋅ exp( − )<br />
2<br />
2<br />
2<br />
= 0 2σ<br />
σ<br />
2σ<br />
k<br />
l<br />
G<br />
N<br />
x<br />
( β ) =<br />
E ( β ) =<br />
gdzie<br />
N −1<br />
∑<br />
k = 0<br />
N −1<br />
∑<br />
k = 0<br />
x(<br />
k)<br />
y(<br />
k)<br />
2<br />
x ( k)<br />
w których to wyrażeniach wartości x(k) zależą od wektora<br />
parametrów β, zaś σ jest odchyleniem standardowym szumu.<br />
Ostatecznie stosunek wiarygodności dla sygnału o nieznanych<br />
parametrach będzie miał poniższą postać:<br />
( β )<br />
E ( β )<br />
∞ ∞<br />
N<br />
x<br />
( y0 ,..., y<br />
N −1<br />
) = ∫∫...<br />
p(<br />
0,...,<br />
β<br />
M −1<br />
) ⋅ exp( ) ⋅ exp( − ) dβ<br />
2<br />
2 0...<br />
dβ<br />
M −1<br />
σ<br />
−∞ −∞<br />
2σ<br />
G<br />
β (2.4)<br />
2.3. STOSUNEK WIARYGODNOŚCI DLA SYGNAŁU<br />
O NIEZNANEJ FAZIE<br />
36
Pokazane w punkcie 2.2 zależności, zwłaszcza wyrażenie (2.4) posłużą do<br />
określenia stosunku wiarygodności w przypadku, gdy odbierany użyteczny sygnał<br />
echa ma przypadkową fazę. Po dokonaniu próbkowania jego dyskretny<br />
odpowiednik można zapisać jak poniżej:<br />
x( n,<br />
β ) = X ( n)cos[<br />
nθ<br />
+ ϕ<br />
x<br />
( n)<br />
+ β ]<br />
(2.5)<br />
Zgodnie z rozważaniami z poprzedniego punktu zostanie przyjęty najmniej<br />
korzystny rozkład prawdopodobieństwa fazy tzn. równomierny:<br />
1<br />
p ( β ) = pmax ( β ) = dla β ∈ 0; 2π )<br />
(2.6)<br />
2π<br />
Przekształcając postać (2.5) z zastosowaniem wzoru na sumę<br />
cosinusa sumy, otrzymuje się, że:<br />
x( n,<br />
β ) = X ( n)cos[<br />
nθ<br />
+ ϕ ( n)]cos<br />
β − X ( n)sin[<br />
nθ<br />
ϕ ( n)]<br />
sin β<br />
x<br />
+<br />
Oznaczając<br />
x ( n)<br />
= X ( n)cos[<br />
nθ<br />
+ ϕ ( n)]<br />
1<br />
x ( n)<br />
= −X<br />
( n)sin[<br />
nθ<br />
+ ϕ ( n)]<br />
2<br />
można zapisać x(n,β) jak niżej:<br />
x n,<br />
β ) = x ( n) cos β + x ( ) sin β .<br />
(<br />
1 2<br />
n<br />
Wobec tego statystyka G N może być zapisana jako<br />
G<br />
N<br />
N<br />
∑ − 1<br />
k = 0<br />
( β ) = x(<br />
k,<br />
β ) y(<br />
k)<br />
= z1 cos β + z2<br />
sin β ,<br />
z<br />
z<br />
1<br />
2<br />
=<br />
=<br />
gdzie<br />
N −1<br />
∑<br />
k = 0<br />
N −1<br />
∑<br />
k = 0<br />
x ( k)<br />
y(<br />
k)<br />
1<br />
2<br />
x<br />
x ( k)<br />
y(<br />
k)<br />
Jeśli potraktować z 1 i z 2 jako współrzędne punktu w prostokątnym<br />
układzie współrzędnych, to można wprowadzić współrzędne<br />
biegunowem Z i α określone jako<br />
Z +<br />
2 2<br />
z 1<br />
z2<br />
x<br />
= (2.7)<br />
x<br />
37
z1<br />
cosα<br />
=<br />
Z<br />
z2<br />
sinα<br />
=<br />
Z<br />
i wtedy otrzyma się ostateczną postać statystyki G N :<br />
G N<br />
= Z(cos<br />
β cosα<br />
+ sin β sinα)<br />
= Z cos( β −α)<br />
(2.8)<br />
Pozostaje znależć jeszcze energię sygnału E x (β). Przyglądając się<br />
wartości poniższej całki z funkcji cos 2 (ax+b):<br />
∫ cos x 1<br />
2 ( ax + b)<br />
dx = + sin 2( ax + b)<br />
2 4a<br />
która odpowiada sumie dla sygnałów z ciągłym czasem, widać że<br />
jeśli amplituda X(n) oraz faza ϕ x (n) sygnału x(n) zmienia się<br />
nieznacznie podczas okresu wielkiej częstotliwości, to energia<br />
sygnału nie zależy praktycznie od fazy i<br />
E<br />
x<br />
(β ) = E x<br />
Znając wartość G N (β) i E x (β) można korzystając z wyrażenia (2.4)<br />
określić wartość stosunku wiarygodności dla sygnału o nieznanej<br />
fazie:<br />
l(<br />
y<br />
0<br />
,..., y<br />
N −1<br />
) =<br />
2π<br />
∫<br />
0<br />
1 E<br />
x<br />
⋅ exp( −<br />
2π<br />
2σ<br />
1 Ex<br />
= ⋅ exp( −<br />
2π<br />
2σ<br />
2<br />
2<br />
2<br />
) ⋅<br />
Z cos( β −α)<br />
) ⋅exp[<br />
] dβ<br />
=<br />
2<br />
σ<br />
2π<br />
∫<br />
Wiedząc, że<br />
π<br />
1 cos( )<br />
d I<br />
2<br />
∫ e u β −α<br />
β =<br />
π<br />
0<br />
0<br />
Z cos( β −α)<br />
exp[<br />
] dβ<br />
2<br />
σ<br />
gdzie I ( ) jest zmodyfikowaną funkcją Bessela pierwszego rodzaju<br />
0<br />
u<br />
zerowego rzędu (rys. 2.1) dostaje się ostateczne wyrażenie na<br />
0<br />
( u)<br />
stosunek wiarygodności dla sygnału z nieznaną fazą:<br />
( Ex<br />
Z<br />
l y0<br />
,..., y<br />
N − 1)<br />
= exp( − ) ⋅ I<br />
0<br />
( )<br />
(2.9)<br />
2<br />
2σ<br />
σ<br />
2<br />
.<br />
38
Rys. 2.1. Wykres zmodyfikowanej funkcji Bessela pierwszego rodzaju zerowego rzędu<br />
Ponieważ zmodyfikowana funkcja Bessela pierwszego rodzaju<br />
zerowego rzędu jest ściśle monotoniczna, to decyzję o obecności<br />
sygnału x w przebiegu y można podejmować porównując wartość<br />
statystyki Z z ustaloną wartością Z 0 . Jeśli ZZ 0 , to wybierana jest hipoteza<br />
H 1 . Wielkość Z 0 ustalana jest w zależności od porządanego przez<br />
obserwatora poziomu prawdopodobieństwa fałszywego alarmu F.<br />
Schemat blokowy urządzenia decyzyjnego działającego w oparciu o<br />
statystykę Z jest pokazany na rysunku 2.2. Na układy mnożące<br />
podaje się jako napięcia odniesienia dwa przebiegi kwadraturowe:<br />
x 1 (n) oraz x 2 (n) (przesunięte względem siebie w fazie o π/2).<br />
Istnienie dwóch kanałów kwadraturowych wyklucza możliwość straty<br />
sygnału użytecznego na skutek nieznajomości jego fazy. Jeśli<br />
przykładowo nie powoduje on wzrostu wartości z 1 wskutek<br />
39
przesunięcia fazy o π/2 względem przebiegu odniesienia w<br />
pierwszym kanale, to na pewno wywoła wzrost wartości z 2 w drugim<br />
kanale. Jak widać, rezultat odbioru sygnału w detektorze z rysunku<br />
2.2 nie zależy od przypadkowej fazy początkowej sygnału.<br />
Rys. 2.2. Schemat blokowy układu decyzyjnego z dwoma kanałami kwadraturowymi<br />
Układ, o którym przed chwilą była mowa jest optymalny jedynie,<br />
gdy znany jest czas pojawienia się (opóźnienia) sygnału<br />
użytecznego. Decyzja o istnieniu sygnału z nieznanym czasem<br />
pojawienia się może być podjęta, jeśli sprawdzone zostaną hipotezy<br />
o istnieniu tego sygnału w różnych momentach czasu. W ten sposób<br />
dochodzi się do układu wielokanałowego, w którym każdy kanał ma<br />
postać, jak na rys. 2.2, lecz “dostrojony” jest do innego czasu<br />
opóźnienia. Odstępy między tymi czasami nie przekraczają<br />
rozdzielczości odległościowej radaru, jakiej rzyczy sobie obserwator.<br />
Schemat blokowy układu pokazany jest na rysunku 2.3. Takie<br />
wielokanałowe układy mogą być użyte nie tylko dla sygnałów echa<br />
różniących się czasem opóźnienia (odległość obiektu od radaru), ale<br />
także częstotliwością nośną na skutek efektu Dopplera (prędkość<br />
radialna obiektu względem radaru).<br />
40
Rys. 2.3. Schemat blokowy wielokanałowego układu detekcyjnego dla różnych czasów<br />
opóźnienia sygnału echa<br />
2.4. ZASTOSOWANIE FILTRU DOPASOWANEGO W DETEKCJI<br />
SYGNAŁÓW Z NIEZNANYM CZASEM OPÓŹNIENIA<br />
W poprzednich punktach zostało pokazane, że decyzja o tym, która z<br />
dwóch hipotez jest prawdziwa tzn.:<br />
H 0 : y(t)=n(t) − odebrano tylko zakłócenia w postaci białego szumu o rozkładzie<br />
Gaussa, lub<br />
H 1 : y(t)=x(t)+n(t) − na tle wyżej wspomnianych zakłóceń odebrano sygnał echa<br />
odbity od obiektu w powietrzu, podejmowana jest (ogólnie) przez porównanie<br />
wartości stosunku wiarygodności l (y) z pewnym, ustalonym progiem l 0<br />
.<br />
Ponieważ stosunek wiarygodności jest funkcją monotoniczną, to wystarczy<br />
porównywać wartość statystyki G N o postaci<br />
41
N<br />
1<br />
= ∑ − G<br />
N<br />
x(<br />
k)<br />
y(<br />
k)<br />
(2.10)<br />
= 0<br />
k<br />
z progiem G 0 , jeśli detekuje się sygnały całkowicie znane, lub wartość statystyki<br />
w której<br />
z<br />
z<br />
1<br />
2<br />
Z = +<br />
=<br />
=<br />
N −1<br />
∑<br />
k = 0<br />
N −1<br />
∑<br />
k = 0<br />
2 2<br />
z 1<br />
z2<br />
x ( k)<br />
y(<br />
k)<br />
1<br />
x ( k)<br />
y(<br />
k)<br />
z progiem Z 0 , jeśli trzeba wykryć sygnał o nieznanej fazie. Czynniki y(k)=y(t=t k )<br />
są dyskretnymi wartościami sygnału y(t) obserwowanego w przedziale czasu<br />
t∈〈0;T〉. Budowa układu wielokanałowego z rys. 2.3, w którym każdy kanał<br />
wykrywa sygnał o różnym czasie opóźnienia n op jest nieekonomiczna.<br />
Statystykę G N (czy z 1 i z 2 ) dla dowolnego n op byłoby wygodnie otrzymać<br />
przepuszczając próbki sygnału y(n) przez jeden filtr liniowy. Filtr powinien<br />
obliczać statystykę G N dla dowolnego czasu opóźnienia sygnału echa x(n),<br />
który można zapisać jak poniżej:<br />
2<br />
⎧u(<br />
n)<br />
x(<br />
n)<br />
= ⎨<br />
⎩ 0<br />
dla<br />
dla<br />
n<br />
op<br />
≤ n ≤ n<br />
op<br />
0 ≤ n < n<br />
+ N<br />
op<br />
,<br />
1<br />
n<br />
op<br />
+ N<br />
1<br />
< n ≤ N −1<br />
(2.11)<br />
Ciąg próbek u(n) reprezentuje sygnał echa z zerowym czasem opóźnienia.<br />
Zakłada się, że postać ciągu jest znana. Korzystając z u(n) można zapisać<br />
wyrażenie na statystykę G N poniższą zależnością:<br />
N<br />
∑ − 1<br />
k=<br />
0<br />
G = u(<br />
k − n ) y(<br />
k)<br />
(2.12)<br />
N<br />
W celu uproszczenia analizy (ale bez skutków dla końcowych wniosków) można<br />
przyjąć zerowy czas opóźnienia n op =0. Ponieważ sygnał x(n) jest różny od zera<br />
tylko w pewnym przedziale, to można zmodyfikować sumę G N :<br />
op<br />
G<br />
N<br />
n + N<br />
op 1 1<br />
= ∑ u(<br />
k − nop<br />
) y(<br />
k)<br />
= ∑u(<br />
k)<br />
y(<br />
k)<br />
n<br />
k = n<br />
k = 0 op<br />
=<br />
op<br />
N<br />
0<br />
(2.13)<br />
Sygnał na wyjściu filtru o skończonej odpowiedzi impulsowej (SOI) mającej<br />
długość (N 1 +1) próbek jest opisany przez splot dyskretny:<br />
42
N<br />
∑<br />
w ( n)<br />
h(<br />
k)<br />
y(<br />
n − k)<br />
(2.14)<br />
= 1 k=<br />
0<br />
Wartość sygnału na wyjściu filtru w chwili N 1 wynosi:<br />
N<br />
= ∑<br />
1 N<br />
− = ∑<br />
1<br />
1<br />
) h(<br />
k)<br />
y(<br />
N1<br />
k)<br />
h(<br />
N1<br />
− k)<br />
y(<br />
k)<br />
k = 0 k = 0<br />
w ( N<br />
(2.15)<br />
Poszukiwany jest taki filtr, aby próbka na jego wyjściu w chwili N 1 była równa<br />
wartości statystyki G N . Porównując powyższe wyrażenie z sumą na statystykę<br />
G N (wyr. 2.13) dla sygnału z zerowym czasem opóźnienia, widać ,że:<br />
N<br />
1<br />
∑<br />
k=<br />
0<br />
h(<br />
N<br />
N1<br />
1<br />
− k)<br />
y(<br />
k)<br />
= ∑u(<br />
k)<br />
y(<br />
k)<br />
dla h(<br />
N1<br />
− k)<br />
= u(<br />
k)<br />
k=<br />
0<br />
Wprowadzając nową zmienną n=N 1 -k otrzymuje się ostateczne wyrażenie na<br />
odpowiedź impulsową filtru:<br />
h( n)<br />
= u(<br />
N1 − n)<br />
(2.16)<br />
Filtr o takiej odpowiedzi impulsowej jest filtrem dopasowanym do sygnału<br />
u(n). Jego odpowiedź impulsowa ma postać lustrzanego odbicia sygnału u(n)<br />
względem chwili n=0 i przesunięta w prawo o N 1 , lub więcej próbek.<br />
Przesunięcie nie może być jednak mniejsze od N 1 , ponieważ filtr będzie wtedy<br />
nieprzyczynowy. Na wyjściu filtru będą pojawiać się opóźnione o N 1 próbek<br />
wartości statystyki G n (lub z 1 czy z 2 , w zależności od tego, do jakiego sygnału<br />
jest dopasowany filtr) dla kolejnych czasów opóźnienia n op . Im większe n op (czyli<br />
większa odległość obiektu od radaru), tym później na wyjściu filtru pojawi się<br />
wartość równa G N (n op ).<br />
2.5. ZASTOSOWANIE ZESPOLONYCH AMPLITUD W<br />
ANALIZIE PROCESU DETEKCJI<br />
Sygnał echa odbity od obiektu w powietrzu i docierający do stacji<br />
radarowej ma postać sumy<br />
y ( t)<br />
= x(<br />
t)<br />
+ n(<br />
t)<br />
gdzie x(t) jest sygnałem sinusoidalnym wielkiej częstotliwości, zaś n(t) szumem<br />
białym, którego widmo obejmuje szeroki zakres. Jednakże w zagadnieniach<br />
związanych z detekcją sygnałów o wąskim widmie w białych szumach można<br />
43
założyć, że sygnał i szum przechodzą przez filtr, którego pasmo przenoszenia<br />
jest znacznie szersze niż widmo sygnału x(t). Zwykle rozważa się taki filtr jako<br />
wąskopasmowy. Jego typ ma jednak niewielki wpływ na wykrywalność<br />
sygnałów, ponieważ wycina on tylko składowe szumów z częstotliwościami nie<br />
mającymi wpływu na sygnał użyteczny. Przebieg y(t) można traktować wtedy<br />
jako wąskopasmowy tzn. jako przebieg sinusoidalny o częstotliwości takiej, jaką<br />
ma x(t) i wolnozmiennej losowej aplitudzie i fazie [4]. Przykładowy szum<br />
wąskopasmowy pokazano na poniższym wykresie 2.4.<br />
Rys. 2.4. Przykładowy przebieg szumu wąskopasmowego<br />
W przypadku sygnałów wąskopasmowych o wolnozmiennej amplitudzie i<br />
fazie można znacznie uprościć analizę i obliczenia korzystając z pojęcia<br />
sygnału analitycznego [2]. Niech dyskretny odpowiednik sygnału y(t) ma<br />
poniższą postać:<br />
y( n)<br />
= Y ( n)cos[<br />
nθ + ϕ ( n)]<br />
Tworzy się sygnał zespolony ψ y (n), którego częścią rzeczywistą jest<br />
y(n), zaś częścią urojoną transformata Hilberta sygnału y(n):<br />
ψ ( n)<br />
= y(<br />
n)<br />
+ jH<br />
y<br />
{ y(<br />
n)<br />
}<br />
= Y ( n) cos[ nθ<br />
+ ϕ ( n)]<br />
+<br />
ψ ( n)<br />
= Y ( n) exp[ jϕ<br />
( n)]exp[<br />
jnθ<br />
] = Y(<br />
n)exp(<br />
jnθ<br />
)<br />
y<br />
y<br />
y<br />
y<br />
jY(<br />
n)sin[<br />
nθ<br />
+ ϕ ( n)]<br />
y( n)<br />
= Re[ Y(<br />
n)exp(<br />
jnθ<br />
)] .<br />
Y(n) jest amplitudą chwilową (obwiednią) sygnału y(n), a Y(n) zespoloną<br />
amplitudą zawierającą fazę ϕ y (n):<br />
y<br />
44
( n)<br />
= Y(<br />
n)exp[<br />
jϕ<br />
( n)]<br />
Y .<br />
Analogicznie można stworzyć sygnał analityczny i zespolone amplitudy dla<br />
innych przebiegów. Niech sygnał x(n) będzie oczekiwanym sygnałem echa o<br />
pewnym czasie opóźnienia n op :<br />
(<br />
op<br />
y<br />
x n)<br />
= u(<br />
n − n )<br />
(2.17)<br />
x( n)<br />
= X ( n) cos[ nθ<br />
+ ϕ<br />
x<br />
( n)]<br />
= U ( n − nop<br />
)cos[( n − nop<br />
) θ + ϕ<br />
u<br />
( n − nop<br />
)]<br />
Po wprowadzeniu zespolonych amplitud dostaje się:<br />
Re[ X(<br />
n) exp( jnθ<br />
)] = Re[ U(<br />
n − n<br />
op<br />
)exp( − jn<br />
op<br />
θ ) exp( jnθ<br />
)]<br />
Ponieważ równość ta jest spełniona dla wszytkich wartości zmiennej<br />
zespolonej exp(jnθ), to równe są także stojące przy tej zmiennej<br />
współczynniki:<br />
X ( n)<br />
= U(<br />
n − n op<br />
)exp( − jn op<br />
θ )<br />
(2.18)<br />
Analogicznie można zapisać zależności dla odpowiedzi impulsowej filtru<br />
dopasowanego do sygnału u(n) o długości (N+1) próbek:<br />
h dop<br />
( n)<br />
= u(<br />
N − n)<br />
(2.19)<br />
Po wprowadzeniu zespolonych amplitud dostanie się że:<br />
Re[ H<br />
dop<br />
( n)exp(<br />
jnθ<br />
)] = Re[ U(<br />
N − n) exp( jNθ<br />
)exp( − jnθ<br />
)]<br />
Aby po prawej stronie powyższej równości znalazł się czynnik exp(jnθ), należy<br />
wprowadzić wartość sprzężoną, co nie wpłynie na porównywanie części<br />
rzeczywistych:<br />
Re[ H<br />
dop<br />
( n) exp( jnθ<br />
)] = Re[ U<br />
*<br />
( N − n) exp( − jNθ<br />
) exp( jnθ<br />
)]<br />
Ponieważ równość jest spełniona dla wszystkich wartości exp(jnθ), to tak jak<br />
poprzednio można zapisać:<br />
*<br />
H ( n)<br />
= U ( N − n) exp( − jNθ )<br />
(2.20)<br />
dop<br />
Powyższe wyrażenie określa związek między zespolonymi<br />
amplitudami odpowiedzi impulsowej filtru dopasowanego i sygnału<br />
oczekiwanego. Korzystając z zespolonych amplitud można zapisać<br />
przebiegi na wejściu i wyjściu filtru dopasowanego:<br />
45
Re[ W<br />
dop<br />
( n) exp( jnθ<br />
)] =<br />
N<br />
∑<br />
k=<br />
0<br />
Re[ H<br />
dop<br />
( k)exp(<br />
jkθ<br />
)] ⋅ Re[ Y(<br />
n − k)exp(<br />
j(<br />
n − k)<br />
θ )]<br />
W celu przekształcenia tej zależności zostanie wykorzystany<br />
poniższy związek:<br />
*<br />
ab ab<br />
Re a ⋅ Reb<br />
= Re[ + ]<br />
2 2<br />
(2.21)<br />
Jeśli ponadto uwzględnić, że część rzeczywista jest równa sumie<br />
części rzeczywistych, to zależność opisującą filtrację sygnału można<br />
gdzie:<br />
Re[ W<br />
=<br />
+<br />
1<br />
Re[<br />
2<br />
1<br />
2<br />
N<br />
∑<br />
k = 0<br />
dop<br />
( n) exp( jnθ<br />
)] =<br />
N<br />
∑<br />
zapisać jak dalej:<br />
( k)exp(<br />
jkθ<br />
) Y(<br />
n − k)exp(<br />
j(<br />
n − k)<br />
θ ) +<br />
dop<br />
k= 0<br />
(2.22)<br />
H<br />
dop<br />
H<br />
( k)exp(<br />
jkθ<br />
) Y<br />
= Re[( W 1<br />
( n)<br />
+ W 2<br />
( n))exp(<br />
jnθ<br />
)]<br />
W ( n)<br />
=<br />
1<br />
W ( n)<br />
=<br />
2<br />
1<br />
2<br />
1<br />
2<br />
N<br />
∑<br />
k = 0<br />
N<br />
∑<br />
k=<br />
0<br />
H<br />
H<br />
dop<br />
dop<br />
*<br />
( k)<br />
Y<br />
( n − k)exp(<br />
− j(<br />
n − k)<br />
θ )] =<br />
( k)<br />
Y(<br />
n − k)<br />
*<br />
( n − k)exp(<br />
− j(<br />
n − k)2θ<br />
)<br />
Porównując ze sobą zespolone amplitudy wychodzi, że:<br />
W ( n)<br />
= W 1<br />
( n)<br />
+ W ( n)<br />
(2.23)<br />
dop 2<br />
Jeżeli częstotliwość sygnału użytecznego θ jest dostatecznie duża w stosunku<br />
do szerokości widma sygnału y(n), to amplitudy zespolone są funkcjami<br />
wolnozmiennymi w stosunku do czynnika szybko zmieniającego się w czasie<br />
exp(−jn2θ). Podczas sumowania zauważa się, że W 2 (n)
N<br />
1 *<br />
Wdop<br />
( n)<br />
≅ ∑ U ( N − k)exp(<br />
− jNθ ) Y(<br />
n − k)<br />
(2.25)<br />
2<br />
k = 0<br />
Biorąc moduł zespolonej amplitudy W dop (n) otrzyma się wyrażenie na obwiednię<br />
sygnału na wyjściu filtru dopasowanego:<br />
W<br />
dop<br />
N<br />
1<br />
( n)<br />
= W<br />
dop<br />
( n)<br />
= ∑ U *( N − k)<br />
Y(<br />
n − k)<br />
(2.26)<br />
2<br />
Poczynione dotąd rozważania wraz z zależnościami z punktu 2.3 można<br />
zastosować do zaprojektowania detektora z filtrem dopasowanym dla sygnałów<br />
z nieznaną fazą. Decyzja odnośnie obecności sygnału echa radarowego będzie<br />
podejmowana poprzez porównanie wartości statystyki Z i progu Z 0 określonego<br />
przez poziom prawdopodobieństwa fałszywego alarmu F.<br />
Wyrażenia na x 1 (n) oraz x 2 (n) z punktu 2.3 po wprowadzeniu zespolonych<br />
amplitud można zapisać jak poniżej:<br />
x ( n)<br />
= X ( n)cos[<br />
nθ<br />
+ ϕ ( n)]<br />
= Re[ X(<br />
n)exp(<br />
jnθ<br />
)] = Re[ X *( n)exp(<br />
− jnθ<br />
)]<br />
1<br />
x ( n)<br />
= −X<br />
( n)sin[<br />
nθ<br />
+ ϕ ( n)]<br />
= − Im[ X(<br />
n)exp(<br />
jnθ<br />
)] = Im[ X * ( n)exp(<br />
− jnθ<br />
)]<br />
2<br />
gdzie<br />
x<br />
x<br />
k = 0<br />
X( n)<br />
= X ( n)exp[<br />
jϕ<br />
( n)]<br />
x<br />
(2.27)<br />
Wobec powyższego wyrażenia na z 1 i z 2 z punktu 2.3 będą miały postać (sygnał<br />
y(n) obserwowany jest w zakresie n od 0 do N 1 -1):<br />
z<br />
z<br />
1<br />
2<br />
= Re[<br />
= Im[<br />
N −1<br />
1<br />
∑<br />
k = 0<br />
N −1<br />
1<br />
∑<br />
k=<br />
0<br />
y(<br />
k)<br />
X *( k) exp( − jkθ<br />
)]<br />
y(<br />
k)<br />
X * ( k)exp(<br />
− jkθ<br />
)]<br />
(2.28)<br />
Wiedząc, że dla dowolnej liczby zespolonej a=Re[a]+jIm[a] słuszna jest<br />
równość<br />
( Re a) 2 ( Im a) 2<br />
a = +<br />
można zapisać wyrażenie na statystykę Z:<br />
Z<br />
=<br />
z<br />
2<br />
1<br />
+ z<br />
2<br />
2<br />
=<br />
N1<br />
∑ − 1<br />
k = 0<br />
y(<br />
k)<br />
X * ( k)exp(<br />
− jkθ<br />
)<br />
(2.29)<br />
Wykorzystując następujący związek, że<br />
1<br />
1<br />
y( n)<br />
= Y(<br />
n)cos[<br />
nθ<br />
+ ϕ<br />
y<br />
( n)]<br />
= Y(<br />
n)exp(<br />
jnθ<br />
) + Y * ( n)exp(<br />
− jnθ<br />
)<br />
2<br />
2<br />
47
uzyskuje się<br />
Z<br />
=<br />
N1<br />
∑ − 1<br />
k=<br />
0<br />
⎛ 1<br />
⎜ Y(<br />
k)exp(<br />
jkθ<br />
) X * ( k)exp(<br />
− jkθ<br />
) +<br />
⎝ 2<br />
1<br />
2<br />
⎞<br />
Y * ( k)exp(<br />
− jkθ<br />
) X *( k) exp( − jkθ<br />
) ⎟<br />
⎠<br />
Drugi czynnik jest szybkozmienny (z częstotliwością 2θ) w porównaniu do<br />
pierwszego i podobnie jak poprzednio można go pominąć<br />
Z<br />
≅<br />
1<br />
∑ − 1<br />
1 N<br />
2 k = 0<br />
Y ( k)<br />
X * ( k)<br />
(2.30)<br />
Uwzględniając zależności (2.17) i (2.18), że x(n)=u(n-n op ) dostaje się:<br />
Z(<br />
n<br />
op<br />
) ≅<br />
1<br />
2<br />
N1<br />
∑ − 1<br />
k = 0<br />
Y ( k)<br />
U * ( k − n )exp( jn θ )<br />
(2.31)<br />
Po wyniesieniu przed sumę czynnika exp(jn op θ) i uwzględnieniu, że jego moduł<br />
równy jest jeden, ostatecznie wychodzi, że:<br />
Z(<br />
n<br />
op<br />
) ≅<br />
1<br />
2<br />
N1<br />
∑ − 1<br />
k = 0<br />
op<br />
op<br />
U * ( k − n ) Y(<br />
k)<br />
(2.32)<br />
Ponieważ sygnał x(n) jest różny od zera tylko w pewnym fragmencie całego<br />
przedziału obserwacji, to w sumie na Z(n op ) wystarczy wziąć pod uwagę tylko<br />
(N+1) próbek sygnału użytecznego tzn. od n op do n op +N:<br />
nop<br />
∑ + N<br />
k = nop<br />
op<br />
1<br />
Z ( nop<br />
) ≅ U * ( k − nop<br />
) Y(<br />
k)<br />
(2.33)<br />
2<br />
Wartość obwiedni sygnału na wyjściu filtru dopasowanego (patrz wzór 2.26) w<br />
chwili n=(N+n op ) przedstawia poniższa zależność:<br />
W<br />
dop<br />
( N + n<br />
op<br />
) = W<br />
=<br />
1<br />
2<br />
dop<br />
N<br />
∑<br />
k = 0<br />
( N + n<br />
op<br />
)<br />
=<br />
1<br />
2<br />
U * ( N − N − n<br />
N<br />
∑<br />
k=<br />
0<br />
op<br />
U * ( N − k)<br />
Y(<br />
N + n<br />
+ k)<br />
Y(<br />
k)<br />
=<br />
1<br />
2<br />
N<br />
∑<br />
k=<br />
0<br />
op<br />
− k)<br />
U *( k − n<br />
op<br />
=<br />
) Y(<br />
k)<br />
(2.34)<br />
z której porównawszy wyrażenia objęte znakiem sumy z (2.33) widać, że:<br />
W N + n ) = Z(<br />
n )<br />
(2.35)<br />
dop<br />
(<br />
op<br />
op<br />
tzn. amplituda chwilowa przebiegu na wyjściu filtru dopasowanego jest równa<br />
wartości statystyki Z(n op ) dla każdej wielkości czasu opóźnienia sygnału n op ,<br />
czyli inaczej: dla wszystkich odległości obiektu od stacji radarowej [5]. W ten<br />
sposób dla utworzenia wielkości Z(n op ) wystarczy jeden kanał z filtrem<br />
48
dopasowanym, zaś w celu uzyskania amplitudy sygnału na wyjściu filtru należy<br />
użyć detektora obwiedni. Schemat blokowy takiego urządzenia pokazany jest<br />
na rysunku 2.5 na następnej stronie.<br />
Rys. 2.5. Schemat blokowy jednokanałowego detektora z filtrem dopasowanym dla sygnału o<br />
nieznanej fazie<br />
Pozostaje jeszcze znalezienie funkcji gęstości prawdopodobieństwa<br />
statystyki Z(n op ), czyli rozkład wartości przebiegu będącego obwiednią sygnału<br />
na wyjściu filtru dopasowanego.<br />
W przypadku, gdy prawdziwa jest hipoteza H 0 , to sygnał na wejściu filtru<br />
składa się tylko z szumu białego gaussowskiego o zerowej wartości<br />
oczekiwanej i wariancji σ 2 . Przejście sygnału przez filtr liniowy nie zmienia typu<br />
rozkładu, tak więc przebieg na wyjściu filtru dopasowanego również będzie<br />
szumem gaussowskim (lecz już nie białym). Wartość oczekiwana pozostanie<br />
zerowa, zaś zmieni się wariancja:<br />
N<br />
N<br />
2 2<br />
2 2<br />
2<br />
w<br />
= D w]<br />
= σ ∑ hdop<br />
( k)<br />
= σ ∑<br />
k = 0<br />
k=<br />
0<br />
2<br />
σ [ u ( N − k)<br />
= σ<br />
gdzie E u jest energią sygnału użytecznego. Obwiednia sygnału w(n) za filtrem i<br />
jej rozkład prawdopodobieństwa zostanie wyznaczony z wykorzystaniem<br />
pojęcia sygnału analitycznego. Sygnał analityczny skojarzony z przebiegiem<br />
w(n) ma postać:<br />
ψ ( n)<br />
= w(<br />
n)<br />
jH{<br />
w(<br />
n)}<br />
w<br />
+<br />
Krzywa ψ ( n)<br />
Z(<br />
n)<br />
będzie poszukiwaną obwiednią, a p( ψ<br />
w<br />
( n) ) = p0 ( Z(<br />
n))<br />
w<br />
=<br />
poszukiwaną gęstością prawdopodobieństwa obwiedni. Z własności sygnału<br />
analitycznego wynika, że zmienne losowe w(n) i H{w(n)} są nieskorelowane dla<br />
danego n. Poza tym ponieważ H{w(n)} otrzymuje się w wyniku liniowej operacji<br />
2<br />
E<br />
u<br />
49
nad w(n op ), to musi mieć taki sam rozkład, czyli rozkład Gaussa. W<br />
szczególności widmo mocy i wariancja obu przebiegów będą jednakowe.<br />
Skoro tak, to łączny rozkład gęstości prawdopodobieństwa zmiennych<br />
losowych: w i H{w} można zapisać poniższym wyrażeniem<br />
2 2<br />
2<br />
1 w + H [ w]<br />
1 Z<br />
p w,<br />
H[<br />
w])<br />
= p(<br />
w)<br />
p(<br />
H[<br />
w])<br />
= exp( −<br />
) = exp( − ) . (2.36)<br />
2<br />
2<br />
2<br />
2πσ<br />
2σ<br />
2πσ<br />
2σ<br />
( 2<br />
w<br />
w<br />
w<br />
w<br />
Poszukiwany jest rozkład zmiennej losowej<br />
2<br />
Z = w +<br />
dla Z≥0. Dystrybuanta zmiennej losowej Z równa jest masie<br />
prawdopodobieństwa na obszarze będącym kołem o promieniu Z:<br />
H<br />
2<br />
[ w]<br />
F ( Z)<br />
=<br />
Z<br />
∫∫<br />
p<br />
w,<br />
H [ w]<br />
2 2<br />
w + H [ w]<br />
≤Z<br />
( w,<br />
H[<br />
w])<br />
dwdH[<br />
w]<br />
Przechodząc na współrzędne biegunowe<br />
w ≡ r cos β<br />
H[<br />
w]<br />
≡ r sin β<br />
wychodzi, że<br />
2π<br />
∫<br />
Z<br />
∫<br />
FZ<br />
( Z)<br />
= dβ<br />
pw,<br />
H [ w]<br />
( r,<br />
β ) J[<br />
r,<br />
β ] dr =<br />
0 0<br />
Z<br />
2<br />
2<br />
1<br />
r<br />
− Z<br />
= ∫ 2πr<br />
exp( − ) dr = 1−<br />
exp( )<br />
2πσ<br />
2σ<br />
2σ<br />
2<br />
w 0<br />
2<br />
w<br />
2<br />
w<br />
(2.37)<br />
Po zróżniczkowaniu uzyskanego wyrażenia na F Z (Z) dostaje się wyrażenie na<br />
gęstość prawdopodobieństwa statystyki Z w przypadku prawdziwości hipotezy<br />
H 0 , czyli tzw. rozkład Rayleigha [9]:<br />
p<br />
2<br />
Z Z<br />
Z)<br />
= exp( − ), Z<br />
2<br />
σ w<br />
2σ w<br />
( 0<br />
≥<br />
2<br />
0<br />
(2.38)<br />
50
Krzywa rozkładu Rayleigha pokazana jest na wykresie 2.6 na kolejnej stronie.<br />
Rys. 2.6. Gęstość prawdopodobieństwa obwiedni szumu wąskopasmowego czyli tzw. rozkład<br />
Rayleya. σ w jest odchyleniem standardowym szumu<br />
W przypadku, kiedy prawdziwa jest hipoteza H 1 , to sygnał na wejściu filtru<br />
dopasowanego składa się z sygnału echa oraz addytywnego szumu białego<br />
gaussowskiego o zerowej wartości oczekiwanej i wariancji σ 2 . Na wyjściu filtru<br />
pojawi się sygnał będący sumą szumu takiego, jak w przypadku prawdziwości<br />
hipotezy H 0 i przefiltrowanego sygnału użytecznego. Aby wyznaczyć rozkład<br />
p 1 (Z(n)) należy (jak na początku niniejszego punktu 2.5) potraktować zakłócenia<br />
na wyjściu filtru dopasowanego jako szum wąskopasmowy, o częstotliwości<br />
nośnej θ. Skoro tak, to można go zapisać poniższym wyrażeniem:<br />
N<br />
w<br />
( n)cos(<br />
nθ<br />
+ ϕ ( n))<br />
= n ( n) cos( nθ<br />
) − n ( n)sin(<br />
nθ<br />
) (2.39)<br />
n<br />
c<br />
s<br />
gdzie<br />
51
2 2<br />
2<br />
N<br />
w<br />
( n)<br />
= ψ<br />
w(<br />
n)<br />
= w + H [ w]<br />
= nc<br />
( n)<br />
+ n<br />
n<br />
ϕ n<br />
( n)<br />
= actg(<br />
n<br />
s<br />
c<br />
( n)<br />
)<br />
( n)<br />
Sygnał wypadkowy na wyjściu filtru można przedstawić jako sumę prawej<br />
strony wyrażenia (2.39) i Acos(nθ) [6]:<br />
2<br />
s<br />
( n)<br />
W ( n)cos(<br />
nθ<br />
+ ϕ ( n))<br />
= Acos(<br />
nθ<br />
) + n ( n)cos(<br />
nθ<br />
) − n ( n)sin(<br />
nθ<br />
) (2.40)<br />
w<br />
c<br />
s<br />
Początek obserwacji przebiegu (2.40) przyjęto tak, aby faza była równa zero i<br />
wtedy składnik użyteczny ma postać Acos(nθ). Ponieważ (2.40) reprezentuje<br />
sygnał na wyjściu filtru dopasowanego, to wartość A nie jest amplitudą echa<br />
radarowego x(n). W szczególności jeśli x(n)=u(n-n op ), to składnik użyteczny na<br />
wyjściu filtru dopasowanego o długości (N+1) próbek w chwili n=(N+n op ) będzie<br />
równy energii sygnału u(n):<br />
w ( N + n<br />
u<br />
op<br />
) =<br />
N<br />
∑<br />
h<br />
( k)<br />
u(<br />
N + n<br />
− k)<br />
=<br />
∑<br />
dop<br />
op<br />
k= 0 k=<br />
0<br />
N<br />
u(<br />
N − k)<br />
u(<br />
N + n<br />
op<br />
− k)<br />
=<br />
N<br />
∑<br />
k=<br />
0<br />
2<br />
u ( k)<br />
= E<br />
u<br />
Porównując stronami wyrażenie (2.40) wychodzi, że:<br />
n ( n)<br />
= W ( n)cos(<br />
ϕ<br />
c<br />
n ( n)<br />
= W ( n)sin(<br />
ϕ<br />
s<br />
w<br />
w<br />
( n))<br />
− A = n<br />
( n))<br />
= n<br />
s1<br />
( n)<br />
c1<br />
( n)<br />
− A<br />
(2.41)<br />
Poszukiwany jest rozkład obwiedni sygnału za filtrem, czyli W(n), gdzie:<br />
W = +<br />
2 2<br />
n c<br />
n s<br />
i W≥0. Podstawiając (2.41) do wyrażenia o postaci (2.36) otrzymuje się:<br />
p<br />
nc,<br />
ns<br />
2 2<br />
2 2<br />
1 nc<br />
+ ns<br />
1 ( nc<br />
1 − A)<br />
+ ns<br />
1<br />
( nc<br />
1,<br />
ns<br />
1)<br />
= exp( − ) = exp( −<br />
) (2.42)<br />
2<br />
2<br />
2<br />
2<br />
2πσ<br />
2σ<br />
2πσ<br />
2σ<br />
w<br />
w<br />
w<br />
w<br />
Gęstość prawdopodobieństwa zmiennej W: p W (W) można wyliczyć albo<br />
różniczkując jej dystrybuantę F W (W), albo z poniższej zależności:<br />
52
p<br />
2 2<br />
W<br />
( W ) dW = P(<br />
W < nc<br />
1<br />
+ ns1<br />
< W + dW ) = pnc,<br />
ns<br />
( nc<br />
1,<br />
ns<br />
1)<br />
dnc<br />
1dns1<br />
∆D<br />
∫∫<br />
gdzie ∆D jest obszarem płaszczyzny n c1 ,n s1 takim, że dla W≥0<br />
W<br />
<<br />
2 2<br />
nc 1<br />
+ ns<br />
1<br />
< W + dW<br />
Obszar ten jest pierścieniem kołowym o wewnętrznym promieniu W i<br />
zewnętrznym W+dW. Wprowadzając współrzędne biegunowe<br />
dostaje się:<br />
dn<br />
c1<br />
n<br />
n<br />
dn<br />
c1<br />
s1<br />
s1<br />
≡ W cos β<br />
≡ W sin β<br />
≡ WdWdβ<br />
p<br />
W<br />
2<br />
π<br />
2<br />
2<br />
1 ( W cos β − A)<br />
+ ( W sin β )<br />
( W ) dW = ∫ exp( −<br />
) WdWdβ<br />
2 2<br />
2πσ<br />
2σ<br />
w<br />
0<br />
w<br />
a więc<br />
p<br />
2 2 π<br />
W W + A AW cos β<br />
( W ) = exp( − ) ⋅ exp( dβ<br />
2 2<br />
2<br />
2πσ<br />
2σ<br />
∫<br />
(2.43)<br />
σ<br />
W<br />
)<br />
w<br />
w 0<br />
w<br />
2<br />
Ostatnią całkę można wyrazić przez zmodyfikowaną funkcją Bessela rzędu<br />
zerowego:<br />
2π<br />
1 xcos<br />
I = ∫<br />
β<br />
0( x)<br />
e dβ<br />
2π<br />
i ostatecznie rozkład prawdopodobieństwa obwiedni sygnału (czyli rozkład<br />
statystyki Z) na wyjściu filtru dopasowanego przy prawdziwości hipotezy H 1<br />
(tzw. rozkład Rice’a) ma poniższą postać:<br />
0<br />
p<br />
2 2<br />
Z Z + Eu<br />
ZEu<br />
Z)<br />
= exp( − ) ⋅ I<br />
0<br />
( ), Z<br />
2<br />
2<br />
σ 2σ<br />
σ<br />
( 1<br />
≥<br />
2<br />
w<br />
w<br />
w<br />
0<br />
(2.44)<br />
53
Krzywe rozkładu Rice’a dla różnych wartości energii sygnału użytecznego E u<br />
pokazane są na następnej stronie na wykresie 2.7.<br />
Rys. 2.7. Gęstość prawdopodobieństwa obwiedni sumy sygnału i szumu wąskopasmowego<br />
czyli tzw. rozkład Rice’a dla różnych wartości stosunku sygnału do szumu:<br />
a − rozkład Rayleya<br />
b − rozkład Rice’a<br />
3. INTEGRACJA IMPULSÓW I STABILIZACJA<br />
POZIOMU FAŁSZYWEGO ALARMU<br />
54
3.1. ZASADA DZIAŁANIA RZECZYWISTYCH SYSTEMÓW<br />
RADIOLOKACYJNYCH<br />
W poprzednich rozdziałach opisano podstawy detekcji oraz przedstawiono<br />
sytuację, w której do wykrywania obiektów w przestrzeni wykorzystuje się tylko<br />
jeden sygnał echa. Przebieg wejściowy był obserwowany tylko w pojedynczym<br />
przedziale czasu 0
2r<br />
t op<br />
= ,<br />
c<br />
przy czym r jest odległością celu od stacji, a c szybkością<br />
rozchodzenia się fal elektromagnetycznych (czyli prędkością<br />
światła).<br />
W rezultacie ruchu anteny odbiorczej jej charakterystyka jest także funkcją<br />
czasu. Oznaczona zostanie przez H 2 (t). Sygnał użyteczny x(t) przychodzący na<br />
wejście odbiornika jest modulowany dodatkowo funkcją H 2 (t) i może być<br />
zapisany w postaci:<br />
x( t)<br />
= H ( t − t ) ⋅ H<br />
2(<br />
t − t ) ⋅ s0(<br />
t − t<br />
1 op<br />
op<br />
op<br />
Dla typowych jednoantenowych radiolokatorów H 1 (t)=H 2 (t)=H(t). Równocześnie<br />
zmiana charakterystyki antenowej H(t) w czasie t op jest tak znikoma, że można<br />
ją zaniedbać [5], a tym samym<br />
2<br />
x( t)<br />
= H ( t)<br />
⋅ s0<br />
( t −<br />
Tak więc radiolokacyjny sygnał echa pochodzący od obiektu jest<br />
modulowanym przebiegiem wielkiej częstotoliwości x(t), przy czym<br />
modulacja ta jest wynikiem nie tylko celowego działania<br />
obserwatora, ale i charakterystyki anteny nadawczo-odbiorczej.<br />
Modulacja ta w ustalonych warunkach pracy radaru nie ulega<br />
zmianie.<br />
Modulowany, pojedynczy sygnał wielkiej częstotliwości x(t)<br />
t op<br />
można zapisać w postaci<br />
x( t)<br />
X ( t) cos( ω t + ϕ ( t))<br />
)<br />
= (3.1)<br />
Sygnał taki, oraz powyższy zapis wykorzystywane były w analizie<br />
detekcji w poprzednim rozdziale. W zapisie tym ω jest pulsacją<br />
nośną, zaś X(t) i ϕ x (t) funkcjami wolnozmiennymi w stosunku do<br />
cos(ωt) określającymi amplitudową i fazową modulację sygnału<br />
echa. Rysunek 3.2 na następnej stronie pokazuje kształt takiego<br />
impulsu, jego obwiednię X(t), oraz przebieg fazy początkowej ϕ x (t).<br />
Ponieważ nie występuje modulacja fazy, to ϕ x (t)=const.<br />
x<br />
)<br />
56
Na kolejnym rysunku 3.3 przedstawiono sygnał echa w postaci<br />
paczki impulsów wielkiej częstotliwości, modulowanej<br />
charakterystyką jednostajnie obracającej się anteny. Można go<br />
zapisać jako sumę wyrażeń typu (3.1):<br />
x ( t)<br />
= ∑ X ( t) cos( t + ϕ ( t))<br />
i<br />
i<br />
ω (3.2)<br />
i<br />
Rysunek 3.3b przedstawia obwiednię paczki, zaś 3.3c przebieg fazy<br />
początkowej jako funkcję czasu.<br />
Rys. 3.2. Przykład impulsu wielkiej częstotliwości (a), jego obwiedni (b) oraz przebieg fazy<br />
początkowej (c) w funkcji czasu<br />
57
Rys. 3.3. Koherentna paczka impulsów echa modulowana charakterystyką anteny (a), jej<br />
obwiednia (b) oraz przebieg fazy początkowej (c) w funkcji czasu dla nieruchomego obiektu<br />
Jak widać z wykresu fazy, paczka jest echem odbitym od obiektu<br />
nieruchomego, a impulsy są generowane przez nadajnik z taką<br />
samą fazą początkową. Taka paczka, z jednoznacznie określonym<br />
przebiegiem fazy ϕ x (t) dla każdego impulsu nosi nazwę paczki<br />
koherentnej.<br />
Inaczej wygląda sytuacja, gdy nadajnik generuje impulsy w.cz.<br />
z przypadkową fazą początkową. Jeśli w chwili nadawania fazy nie<br />
zostaną zapamiętane, tak aby umożliwić późniejszą korektę w<br />
sygnale echa, to w paczkach sygnałów odbieranych trzeba<br />
traktować je jako przypadkowe i z góry nieznane. Paczka taka<br />
58
zwana jest paczką niekocherentną. Można ją zapisać wyrażeniem<br />
(3.3):<br />
x ( t)<br />
= ∑ X<br />
i<br />
( t)cos(<br />
t + ϕ<br />
i<br />
( t)<br />
+ β<br />
i<br />
)<br />
i<br />
ω (3.3)<br />
W wyrażeniu tym parametr β i jest zmienną losową o rozkładzie<br />
równomiernym w przedziale od 0 do 2π (punkty 2.1-2.3, rozdz. 2),<br />
przy czym dla każdego impulsu zmienne te są niezależne od<br />
zmiennych losowych z innych impulsów.<br />
W związku z tym, że antena radaru obraca się nieprzerwanie i<br />
co pewien okres czasu (czyli co obrót o jakiś ułamek kąta pełnego)<br />
emituje w przestrzeń wokół siebie impuls sondujący, obszar<br />
powietrzny otaczający stację radarową po jednym obrocie anteny o<br />
pełny kąt może być przedstawiony jako wykres trójwymiarowy. Na<br />
jednej z osi będzie kąt azymutalny α w zakresie od 0 do 360 stopni,<br />
na drugiej zasięg radaru od 0 do r max , zaś na osi pionowej moc<br />
odebranego sygnału wraz z zakłóceniami. Zgodnie z teorią z<br />
rozdziałów pierwszego i drugiego jeśli moc sygnału przekroczy<br />
ustalony próg, to znaczy, że gdzieś tam w powietrzu znajduje się<br />
cel. Ponieważ stacja jest w stanie emitować impulsy tak często, że<br />
nawet dla szybko lecącego obiektu duża ich liczba trafi weń i odbije<br />
się od niego przy niewielkiej zmianie jego położenia, to można<br />
zwiększyć prawdopodobieństwo detekcji poprzez podejmowanie<br />
decyzji na podstawie większej niż jeden liczby impulsów.<br />
Urządzenie takie, zwane integratorem będzie wykonywać różne<br />
operacje na impulsach, a następnie na podstawie uzyskanych z<br />
impulsów wartości (na przykład średnia arytmetyczna) poprzez<br />
porównanie ich z pewnym progiem będzie podejmować decyzję<br />
odnośnie obecności obiektu w przestrzeni. Najprostszy taki<br />
59
detektor/integrator typu “ruchome okno” ma strukturę pokazaną na<br />
rysunku 3.4 [11].<br />
Rys. 3.4. Schemat blokowy integratora typu „ruchowe okno”. ‘C’ oznacza porównywanie z<br />
progiem decyzyjnym T<br />
Jego działanie polega na sumowaniu ustalonej przez<br />
obserwatora liczby I impulsów dla każdej komórki odległościowej.<br />
Suma ostatnich I impulsów jest następnie porównywana z pewnym<br />
progiem. Jeśli suma przekroczy próg, to znaczy, że w wycinku<br />
obszaru, w którym wyemitowano te I impulsów znajduje się cel.<br />
Działanie integratora ze schematu 3.4 opisuje poniższe wyrażenie:<br />
S<br />
i<br />
= S<br />
1<br />
+ x − x<br />
(3.4)<br />
i−<br />
i<br />
gdzie S i oznacza sumę wartości ostatnich i impulsów, a x i wartość<br />
i -tego impulsu. Realizuje on zatem “kroczącą” sumę amplitud I<br />
impulsów, dzięki czemu w ramach całej paczki następuje narastanie<br />
wartości sygnału wyjściowego. Jednocześnie szum, jako sygnał<br />
przypadkowy nie ulega tak efektywnemu sumowaniu, co prowadzi<br />
do poprawy stosunku sygnału do szumu na wyjściu integratora.<br />
Punktem wyjścia do analizy działania integratora i wykrywania<br />
będzie tak, jak dla pojedynczego impulsu, stosunek wiarygodności.<br />
i−I<br />
60
3.2. STOSUNEK WIARYGODNOŚCI DLA SYGNAŁU W POSTACI<br />
PACZKI IMPULSÓW W.CZ. O NIEZNANYCH FAZACH<br />
Dyskretny odpowiednik sygnału w postaci paczki impulsów wielkiej<br />
częstotliwości z przypadkowymi fazami początkowymi można zapisać<br />
poniższym wyrażeniem:<br />
x ( n,<br />
β<br />
0,<br />
β1,...)<br />
= ∑ X<br />
i<br />
( n)cos[<br />
nθ<br />
+ ϕ<br />
i<br />
( n)<br />
+ β<br />
i<br />
] (3.5)<br />
i<br />
Amplitudy impulsów są wielkościami zdeterminowanymi,<br />
zaś fazy są niezależnymi zmiennymi losowowymi o<br />
rozkładach równomiernych w przedziale od 0 do 2π. Taki<br />
najmniej korzystny rozkład fazy został przyjęty także w<br />
punkcie 2.3, gdzie liczony był stosunek wiarygodności dla<br />
pojedynczego impulsu. Łączna funkcja gęstości<br />
prawdopodobieństwa fazy będzie równa<br />
p β , β ,...) = p(<br />
β ) p(<br />
)...<br />
(3.6)<br />
(<br />
0 1<br />
0<br />
β1<br />
gdzie<br />
1<br />
p( β<br />
0<br />
) = p(<br />
β1)<br />
= ... = dla β ∈ 0; 2π )<br />
2π<br />
W celu obliczenia stosunku wiarygodności wykorzystane<br />
zostaną ogólne wyrażenie na stosunek wiarygodności<br />
sygnału o nieznanych parametrach (2.4), oraz zależności z<br />
punktu 2.3.<br />
Wykorzystując, podobnie jak w punkcie 2.3 wzór na<br />
cosinus sumy wyrażenie (3.5) można sprowadzić do<br />
postaci:<br />
61
x n,<br />
β , β ,...) = ∑ [ x ( n)cos<br />
β + x ( n)sin<br />
]<br />
(<br />
0 1<br />
1i<br />
i 2i<br />
β<br />
i<br />
i<br />
x<br />
x<br />
1i<br />
2i<br />
( n)<br />
= X<br />
w której to:<br />
( n)<br />
= −X<br />
i<br />
( n)cos[<br />
nθ<br />
+ ϕ ( n)]<br />
i<br />
( n)sin[<br />
nθ<br />
+ ϕ ( n)]<br />
i<br />
i<br />
Statystyka G N może być zapisana jako<br />
N −1<br />
N<br />
(<br />
0 1 ∑ x(<br />
k,<br />
β<br />
0<br />
, β1,...)<br />
y(<br />
k)<br />
= ∑[<br />
z1<br />
i<br />
cos β<br />
i<br />
+ 2i<br />
β<br />
i<br />
k = 0<br />
i<br />
G β , β ,...) =<br />
z sin ]<br />
z<br />
przy czym<br />
1i<br />
z<br />
2i<br />
=<br />
=<br />
N −1<br />
∑<br />
k = 0<br />
N −1<br />
∑<br />
k = 0<br />
x ( k)<br />
y(<br />
k)<br />
1i<br />
x<br />
2i<br />
( k)<br />
y(<br />
k)<br />
Wprowadzając, analogicznie jak w punkcie 2.3 poniższe<br />
oznaczenia<br />
Z z + z<br />
i<br />
= (3.7)<br />
cosα<br />
=<br />
sinα<br />
i<br />
i<br />
2 2<br />
1i<br />
2i<br />
z<br />
1i<br />
Z<br />
2i<br />
i<br />
i<br />
z<br />
=<br />
Z<br />
statystykę G N można przedstawić poniższym wyrażeniem:<br />
G , β ,...) = ∑[<br />
cos( β − )]<br />
β (3.8)<br />
N<br />
(<br />
0 1<br />
Z i i<br />
α<br />
i<br />
i<br />
Jeśli przyjąć, że rozpatrywana paczka składa się z<br />
impulsów nie pokrywających się wzajemnie w czasie, to<br />
energię całej paczki można obliczyć sumując energię<br />
poszczególnych impulsów. Biorąc pod uwagę to, że<br />
62
energia dla pojedynczego impulsu (punkt 2.3) nie jest<br />
zależna od fazy można zapisać, że:<br />
β<br />
0<br />
, β ,...) = ∑Ei<br />
( β<br />
i<br />
= ∑Ei<br />
(3.9)<br />
x<br />
(<br />
1<br />
E )<br />
gdzie E i jest energią i -tego impulsu. Teraz korzystając ze<br />
wzoru (2.4) na stosunek wiarygodności dla sygnału o<br />
nieznanych parametrach można określić wartość tego<br />
ilorazu dla paczki impulsów o nieznanych fazach.<br />
i<br />
i<br />
Można go zapisać w postaci poniższego iloczynu:<br />
l =<br />
i<br />
i i i<br />
∏exp( − ) ∫ exp[<br />
] dβ<br />
2 2<br />
i<br />
(3.10)<br />
i<br />
E<br />
2σ<br />
1<br />
2π<br />
2π<br />
0<br />
Wiedząc, że<br />
2π<br />
1 cos( )<br />
d I<br />
2<br />
∫ e u β −α<br />
β =<br />
π<br />
0<br />
Z cos( β −α<br />
)<br />
jest zmodyfikowaną funkcją Bessela pierwszego rodzaju<br />
zerowego rzędu otrzymuje się ostateczne wyrażenie na<br />
0<br />
σ<br />
( u)<br />
stosunek wiarygodności:<br />
Ei Z<br />
l = ∏ exp( − ) I ( i<br />
)<br />
2 0<br />
2σ<br />
σ<br />
2<br />
i<br />
(3.11)<br />
Porównując wyrażenie (3.11) z wyrażeniem (2.9) z punktu<br />
2.3 widać, że stosunek wiarygodności dla sygnału w<br />
postaci paczki impulsów nie pokrywających się<br />
wzajemnie w czasie z przypadkowymi i niezależnymi<br />
63
fazami jest iloczynem stosunków wiarygodności<br />
obliczonych dla każdego impulsu z paczki.<br />
3.3. DETEKTOR DLA SYGNAŁU W POSTACI PACZKI<br />
IMPULSÓW W.CZ. O NIEZNANYCH FAZACH<br />
W punkcie tym zostanie przeanalizowany integrator odbierający<br />
sygnał w postaci paczki impulsów wielkiej częstotliwości o<br />
przypadkowych (i niezależnych) fazach początkowych, a następnie<br />
sumujący I impulsów i porównujący sumę z pewnym progiem l 0<br />
.<br />
Punktem wyjścia dla rozważań będzie wyprowadzone w poprzednim<br />
punkcie 3.2 wyrażenie (3.11) na stosunek wiarygodności:<br />
Ei Z<br />
l = ∏ exp( − ) I ( i<br />
)<br />
2 0<br />
2σ<br />
σ<br />
2<br />
i<br />
Po zlogarytmowaniu powyższego wyrażenia otrzyma się, że:<br />
ln<br />
Z i<br />
E<br />
= ∑ln<br />
I<br />
0<br />
( ) −<br />
2 ∑<br />
i<br />
l<br />
2<br />
i σ i 2σ<br />
(3.12)<br />
Operacje mnożenia zostały sprowadzone do operacji dodawania.<br />
Ponieważ funkcja logarytmiczna jest ściśle monotoniczna, to<br />
zamiast liczyć stosunek wiarygodności l i porównywać go z progiem<br />
l<br />
0<br />
można określić wartość<br />
ln l<br />
0<br />
. Jeśli ln l > ln l0<br />
ln l i porównać ją z odpowiednim progiem<br />
, znaczy że prawdziwa jest hipoteza H 1 i wykryto<br />
obiekt. W przeciwnym przypadku prawdziwa jest hipoteza H 0 .<br />
Podejście takie pozwala na znaczne uproszczenie budowy<br />
detektorów. Detektor taki powinien wykonać operacje matematyczne<br />
opisane poniższym wyrażeniem:<br />
64
∑<br />
i<br />
Z<br />
( i<br />
0<br />
σ<br />
ln I )<br />
2<br />
Pierwszym etapem jest znalezienie wartości statystyki Z i dla<br />
każdego i -tego impulsu. Zgodnie z rozważaniami z punktu 2.5 jeśli<br />
sygnał y(n) jest obserwowany w zakresie n od 0 do N 1 -1, to można<br />
ją zapisać wyrażeniem (2.30):<br />
Z<br />
i<br />
≅<br />
1<br />
∑ − 1<br />
1 N<br />
2 k = 0<br />
Y ( k)<br />
X * ( k)<br />
,<br />
i<br />
gdzie X i (n) i Y(n) są zespolonymi amplitudami przebiegów x i (n) oraz<br />
y(n). W powyższym wyrażeniu<br />
X i<br />
( n)<br />
= X ( n)exp[<br />
jϕ<br />
( n)]<br />
i<br />
jest znaną funkcją zależną od położenia na osi czasu. Aby<br />
zniwelować modulację amplitudy paczki przez charakterystykę<br />
anteny radaru zostaną wprowadzone współczynniki wagowe S i . Dla<br />
największego impulsu z paczki zostanie przyjęte S max =1. Ponadto<br />
oznaczając przez n i moment wysłania i -tego impulsu sondującego,<br />
a przez n opi czas jego opóźnienia (związany z odległością obiektu od<br />
stacji radarowej) można zapisać funkcję X i (n) w postaci:<br />
xi<br />
X i<br />
( n ) = S ⋅U(<br />
n − n − n ) ⋅exp(<br />
− j(<br />
n + n ) θ ) (3.13)<br />
i<br />
i<br />
opi<br />
Wtedy<br />
Zi<br />
SiZ0i<br />
= ,<br />
i<br />
opi<br />
gdzie dla każdego impulsu<br />
Z<br />
0i<br />
≅<br />
1<br />
∑ − 1<br />
1 N<br />
2 k = 0<br />
Y ( k)<br />
U *( k − n − n )<br />
(3.14)<br />
i<br />
opi<br />
Porównując wyrażenie (3.14) z wyrażeniem (2.34) z punktu 2.5<br />
widać, że wszystkie wielkości Z 0i można otrzymać za pomocą<br />
detektora przedstawionego na rysunku 2.5. Składa się on z filtru<br />
65
dopasowanego do impulsu u(n) oraz detektora obwiedni. Aby<br />
otrzymać wielkość Z i należy go poszerzyć o układ wprowadzający<br />
współczynniki wagowe S i . Tak więc w wyniku pierwszego etapu<br />
obróbki paczki niekoherentnej impulsów wielkiej częstotliwości<br />
otrzyma się paczkę obwiedni impulsów branych z odpowiednią<br />
wagą.<br />
Kolejny etap obróbki polega na obliczeniu wartości<br />
ln (<br />
S i<br />
I<br />
Z<br />
0 2<br />
σ<br />
dla każdego i oraz ich zsumowaniu. Wynik sumowania nie zależy<br />
od początkowych faz impulsów w.cz. gdyż dodaje się ich obwiednie.<br />
Całkowity układ obróbki jest przedstawiony na poniższym rysunku<br />
3.5.<br />
0i<br />
)<br />
Rys. 3.5. Schemat blokowy układu optymalnej detekcji paczki impulsów wielkiej częstotliwości o<br />
nieznanych fazach<br />
Składa się on z filtru dopasowanego do impulsu u(n), detektora<br />
obwiedni, układu mnożącego przez współczynniki obwiedni paczki<br />
S i , bloku nieliniowego o charakterystyce I ( u)<br />
oraz sumatora, który<br />
skupia w czasie niejednoczesne obwiednie impulsów, a następnie<br />
dodaje je do siebie.<br />
W sytuacjach krańcowych, gdy poziomy sygnałów (impulsów)<br />
są albo bardzo słabe, albo bardzo silne można schemat z rysunku<br />
3.5 znacznie uprościć. Jak wiadomo z właściwości funkcji Bessela,<br />
ln 0<br />
66
dobrą aproksymacją funkcji I ( u)<br />
dla małych wartości argumentu<br />
ln 0<br />
u=S i Z 0i /σ 2 jest pierwszy człon szeregu potęgowego, na który można<br />
ją rozłożyć [5]:<br />
ln<br />
1 2<br />
0<br />
( u)<br />
≅ u , dla u > 1<br />
I (3.16)<br />
co wskazuje na liniowy kształt jej wykresu na tym odcinku. Wykres<br />
funkcji I ( u)<br />
jest pokazany na poniższym wykresie 3.6.<br />
ln 0<br />
Rys. 3.6. Wykres funkcji ln I 0 ( u)<br />
W związku z tym dla paczki impulsów o amplitudach małych w<br />
porównaniu z szumami wychodzi, że:<br />
∑<br />
i<br />
2 2<br />
SiZ<br />
0i<br />
Si<br />
Z<br />
0i<br />
ln I<br />
0<br />
( ) ≅<br />
2 ∑ 4<br />
σ 4σ<br />
i<br />
(3.17)<br />
67
zaś dla impulsów o dużych amplitudach<br />
∑<br />
i<br />
I SiZ<br />
0i<br />
SiZ<br />
ln<br />
0<br />
( ) ≅<br />
2 ∑<br />
σ σ<br />
2<br />
i<br />
0i<br />
. (3.18)<br />
W ten sposób dodawanie logarytmów zostało zastąpione przez<br />
sumowanie liniowych lub kwadratowych funkcji wielkości Z 0i . W<br />
detektorze z rysunku 3.5 w przypadku dużych sygnałów w ogóle<br />
zniknie blok nieliniowy o charakterystyce I ( u)<br />
, zaś dla małych<br />
sygnałów zostanie zastąpiony układem mnożącym, na którego oba<br />
wejścia zostaną podane kolejne S i Z 0i .<br />
ln 0<br />
3.4. INTEGRATOR BINARNY<br />
W poprzednim punkcie przedstawiono detektor, który kumuluje odebrane<br />
impulsy echa radarowego w jednej wartości. W zależności od poziomu sygnału<br />
sumował obwiednie impulsów lub ich kwadraty i porównywał z wartością<br />
progową. Jednak przedstawione w punkcie 3.3 rozwiązanie ma pewną wadę.<br />
Jest wrażliwe na sygnały o bardzo dużej amplitudzie, nie będące rzeczywistym<br />
echem. Mogą to być np. aktywne zakłócenia impulsowe wygenerowane celowo<br />
przez wrogi obiekt, aby uniemożliwić pracę radaru [2]. Przykładowo integrator<br />
kumulujący I = 5 impulsów w momencie, gdy cztery odebrane będą tylko<br />
szumem, a piąty odpowiednio wysokim impulsem zakłócającym wywoła<br />
fałszywy alarm. Wrażliwość na zbyt duże impulsy nie jest tylko cechą<br />
integratora z punktu 3.3, ale wszystkich, w których kumulant, na podstawie<br />
którego podejmuje się decyzję tworzony jest bezpośrednio z amplitudy sygnału.<br />
Aby pozbyć się wspomnianego problemu można zastosować tzw.<br />
integrator dwuprogowy. Zwany jest często integratorem binarnym lub<br />
detektorem M-z-N, gdzie N oznacza ilość integrowanych impulsów w paczce.<br />
Integrator ten ma wiele zalet. Po za tym, że nie jest wrażliwy na duże skoki<br />
amplitudy pojedynczych impulsów, łatwo go zaimplementować oraz działa<br />
bardzo dobrze gdy rozkład zakłóceń jest różny od rozkładu Rayleya [2, 11].<br />
Jego schemat blokowy pokazany jest na poniższym rysunku 3.7.<br />
68
Rys. 3.7. Schemat blokowy integratora binarnego (dwuprogowego). ‘C’ oznacza porównywanie<br />
z progami decyzyjnymi<br />
Jak to jest pokazane na schemacie impulsy wejściowe są kwantowane do<br />
wartości 1 lub 0, w zależności od tego, czy przekroczony lub nie zostanie próg<br />
T 1 . Zakłada się przy tym prostokątną obwiednię paczki impulsów tzn. każdy<br />
impuls został przemnożony przez odpowiedni współczynnik S i niwelujący wpływ<br />
charakterystyki anteny na obwiednię paczki. Ostatnie N jedynek i zer jest<br />
sumowane i porównywane z drugim progiem T 2 =M. Mówiąc inaczej sumowanie<br />
liniowe lub kwadratowe występujące w detektorach operujących bezpośrednio<br />
na amplitudzie sygnału zostało zastąpione zliczaniem impulsów, które<br />
przekroczyły próg T 1 .<br />
3.5. FAŁSZYWY ALARM<br />
W analizie detektorów otoczenie stacji radarowej przyjmuje się zwykle<br />
jako znane i homogeniczne (jednorodne). Przy takim założeniu można<br />
stosować w detektorach stały poziom progu wykrywania. Jednakże w<br />
rzeczywistym środowisku, znajdują się liczne pofałdowania terenu, morza,<br />
padają deszcze i występują gęste chmury. Wszystkie te elementy środowiska<br />
odbijają sygnały radiolokacyjne, pochodzące zarówno z własnej stacji<br />
radarowej, jak i z obcych. Przestrzeń wokół radaru pełna jest biernych zakłóceń<br />
(ang. clutter) i przy stosowaniu stałego progu detekcji może pojawić się<br />
olbrzymia liczba fałszywych alarmów. Te z kolei mogą nadmiernie przeciążyć<br />
cyfrowy system obróbki danych. Rysunek 3.8 na następnej stronie pokazuje<br />
wzrost poziomu fałszywego alarmu spowodowany wzrostem poziomu zakłóceń.<br />
69
Jedną z metod ograniczenia fałszywych alarmów w systemach ze stałym<br />
progiem jest jego podniesienie. Niestety takie rozwiązanie zmniejszy<br />
wykrywalność obiektów znajdujących się w obszarze o niskim poziomie<br />
zakłóceń biernych. Zamiast tego stosuje się inne metody stabilizacji poziomu<br />
prawdopodobieństwa fałszywego alarmu (ang. Constant False Alarm Ratio −<br />
CFAR) polegające na stabilizacji poziomu zakłóceń lub na automatycznej<br />
zmianie poziomu progu w zależności od poziomu zakłóceń albo, na kombinacji<br />
obu tych metod.<br />
Rys. 3.8. Wpływ wielkości zakłóceń na liczbę przekroczeń progu decyzyjnego i poziom<br />
fałszywego alarmu: (a) − niski poziom zakłóceń, (b) − wysoki poziom zakłóceń<br />
Obie metody opierają się na założeniu, że środowisko jest jednorodne na<br />
małym obszarze wokół komórki odległościowej, która aktualnie jest testowana.<br />
Próbki sygnału z komórek odległościowych otaczających komórkę testowaną<br />
(zwane komórkami odniesienia) są statystycznie niezależne i mają takie same<br />
rozkłady.<br />
W przypadku układów CFAR z progiem automatycznie adaptującym się<br />
do poziomu szumów przyjmuje się, że funkcja gęstości prawdopodobieństwa<br />
szumu jest znana poza kilkoma parametrami. Komórki odniesienia otaczające<br />
komórkę testową są wykorzystywane do estymacji tych nieznanych<br />
70
parametrów, a na podstawie ich estymat ustalany jest poziom progu detekcji.<br />
Decyzję o obecności obiektu podejmuje się jeśli poziom sygnału z komórki<br />
testowej jest dostatecznie duży w porównaniu z komórkami referencyjnymi<br />
Najprostszy i najszerzej stosowany jest układ CFAR z rysunku 3.9 na<br />
stronie dalej, bazujący na uśrednianiu odległościowym. Detektor ten był szeroko<br />
badany przez Finna i Johnsona [11].<br />
Rys. 3.9. Schemat blokowy układu CFAR z uśrednianiem odległościowym i progiem<br />
automatycznie adaptującym się do poziomu szumów. ‘C’ oznacza porównywanie z progiem<br />
decyzyjnym. Przed układem CFAR umieszczono integrator<br />
Jeśli zakłócenia mają rozkład Rayleya tzn.<br />
2<br />
x x<br />
p( x)<br />
= exp( − )<br />
2<br />
2<br />
σ 2σ<br />
tylko jeden parametr σ musi być estymowany (σ 2<br />
detekcji można określić z poniższego wyrażenia:<br />
jest mocą szumu). Próg<br />
71
T<br />
= K ⋅ ∑ x = nK ⋅ π σˆ<br />
2 ⋅<br />
i<br />
(3.19)<br />
i<br />
gdzie σˆ jest estymatą parametru σ , zaś n ilością komórek odniesienia.<br />
Ponieważ próg T jest ustalany przez estymatę σˆ która jest określona z pewnym<br />
błędem, trzeba go podnieść nieco wyżej „na wszelki wypadek”, niż gdyby był<br />
dokładnie znany a priori. Dodatkowy zapas poziomu progu powoduje<br />
pogorszenie czułości detektora i jest traktowany jako straty wprowadzone przez<br />
CFAR. Jakość estymacji parametru σ zależy od tego, na bazie ilu komórek<br />
referencyjnych obliczona zostanie estymata σˆ . Dla małej ich ilości strata CFAR<br />
jest duża z powodu kiepskiej jakości estymacji. Z kolei zbyt duża ich liczba<br />
może spowodować naruszenie założenia o jednorodności obszaru tylko w<br />
małym otoczeniu komórki testowej. Dobrą praktyczną zasadą jest użycie takiej<br />
liczby komórek odniesienia, aby utrzymać straty CFAR poniżej 1dB [11]. W<br />
przypadku wątpliwości, czy zakłócenia faktycznie mają rozkład Rayleya należy<br />
zmodyfikować układ z rys. 3.9 usuwając integrator sprzed bloku CFAR. Lepiej<br />
jest uśredniać odległościowo i porównywać z progiem pojedyncze impulsy oraz<br />
zastosować opisany w punkcie 3.4 integrator binarny (dwuprogowy). Schemat<br />
układu pokazany jest na rysunku 3.10.<br />
72
Rys. 3.10. Schemat blokowy układu CFAR z uśrednianiem odległościowym i progiem<br />
automatycznie adaptującym się do poziomu szumów wraz z integratorem binarnym. ‘C’<br />
oznacza porównywanie z progiem decyzyjnym<br />
Zastosowanie takiego rozwiązania z integratorem binarnym jest także<br />
przydatne, gdy moc zakłóceń zmienia się z każdym impulsem.<br />
Układy CFAR, których działanie polega na stabilizacji poziomu zakłóceń<br />
także bazują na uśrednianiu odległościowym impulsów. Jednak w<br />
przeciwieństwie do układów opisanych wyżej tu poziom progu jest cały czas<br />
stały. Przykład takiego układu jest pokazany na kolejnej stronie na rysunku<br />
3.11.<br />
Rys. 3.11. Schemat blokowy układu CFAR z uśrednianiem odległościowym i stałym progiem<br />
Tak jak w układach z rysunków 3.9 i 3.10 próbki sygnału radiolokacyjnego<br />
wprowadzane są do rejestru przesuwnego. Następnie liczona jest wartość<br />
średnia z próbek pochodzących z komórek odległościowych otaczających<br />
obustronnie komórkę testową. W wyniku podzielenia wartości sygnału S x z<br />
komórki testowej przez wartość średnią S sr otrzymuje się w sygnale wyjściowym<br />
S wyj stabilizowany poziom szumu. Przez pojęcie „stabilizowany” należy<br />
rozumieć, że zmienia się on w stopniu mniejszym niż poziom szumu<br />
wejściowego. Analogicznie, jak w poprzednim układzie stopień stabilizacji<br />
szumu zależy od tego, na bazie ilu komórek odległościowych otaczających<br />
komórkę testową liczy się wartość średnią.<br />
Przedstawione na rysunkach 3.9−3.11 schematy blokowe układów CFAR<br />
są najbardziej podstawowymi ich realizacjami. W praktyce układy te są w różny<br />
73
sposób modyfikowane. Jedną z możliwych zmian jest wstawienie na wejściu<br />
bloku przetwornika liniowo-logarytmicznego. Dzięki temu zapewnia się<br />
poprawną pracę układu w szerokim zakresie wartości sygnału wejściowego i<br />
zastępuje się operację dzielenia próbek prostszą operacją odejmowania [2].<br />
We współczesnych radarach klasyczne układy CFAR stabilizujące poziom<br />
szumów są wspomagane przez układy bazujące na zasadzie uśredniania<br />
powierzchniowego. Znane są one pod nazwą map zakłóceń biernych (ang.<br />
clutter map). Obszar wokół stacji radarowej dzieli się na komórki azymutalnoodległościowe<br />
i dla każdej zapamiętuje poziom zakłóceń. Zakładając, że w<br />
długim okresie czasu rozkład przestrzenny zakłóceń nie ulega zmianie, można<br />
obliczyć średni poziom zakłóceń za okres pewnej liczby sondowań<br />
otaczającego obszaru. Uzyskane tak wartości można wykorzystać do<br />
ustawienia poziomu progu decyzyjnego. W ten sposób próg nie ma stałego<br />
poziomu dla całego obszaru obserwowanego przez radar, ale jest dostosowany<br />
do poziomu zakłóceń w każdej komórce rozróżnialności.<br />
4. ANALIZA JAKOŚCI UKŁADÓW OPTYMALNEJ<br />
DETEKCJI SYGNAŁÓW RADIOLOKACYJNYCH<br />
Najlepszą w sensie statystycznym jakość wykrywania i estymacji<br />
parametrów sygnałów radiolokacyjnych można uzyskać tylko poprzez ich<br />
optymalną obróbkę. Jak wspomniano w rozdziale pierwszym, jakość detekcji<br />
określa się poprzez prawdopodobieństwo poprawnego wykrycia D przy<br />
ustalonym prawdopodobieństwie fałszywego alarmu F. Prawdopodobieństwo<br />
detekcji określa się dla różnych stosunków energii sygnału użytecznego do<br />
mocy zakłóceń. Zgodnie z kryterium Neymana-Pearsona dla stałego poziomu F<br />
dąży się do maksymalizacji D. Obliczanie jakości układów optymalnych ma<br />
znaczenie, ponieważ jakość ta ukazuje granicę, do której dąży się przybliżając<br />
układ rzeczywisty do optymalnego. W poprzednich rozdziałach opisana została<br />
budowa i sposób działania układów detekcji, które realizują obróbkę sygnałów<br />
zbliżoną do optymalnej. W tym rozdziale zostaną przeanalizowane<br />
74
poszczególne bloki systemu, wykonujące różne operacje na sygnale echa<br />
radarowego zakłóconego szumem. Pokazane zostaną metody pozwalające<br />
wyliczyć rozkłady prawdopodobieństw przebiegów na ich wyjściu w przypadku<br />
odbierania jedynie zakłóceń oraz dla sygnału użytecznego wraz z addytywnymi<br />
zakłóceniami. Ich zastosowanie wymaga wielu obliczeń, które w postaci<br />
analitycznej są żmudne i skomplikowane. Metody te można jednak z<br />
powodzeniem zastosować do obliczeń numerycznych. W oparciu o nie został<br />
stworzony zbiór funkcji pracujących w środowisku MATLAB. Za ich pomocą<br />
wyliczono przedstawione dalej rozkłady prawdopodobieństw i wykreślone na ich<br />
podstawie charakterystyki detekcji dla bloków systemu radarowego. Schemat<br />
systemu przetwarzania sygnału w radarach z podziałem na bloki funkcjonalne<br />
pokazano na następnej stronie na rysunku 4.1.<br />
Rys. 4.1. Schemat blokowy sytemu przetwarzania danych w systemach radarowych<br />
4.1. ROZKŁADY OBWIEDNI SYGNAŁU<br />
W najprostszym przypadku w systemie nie występuje blok stabilizacji<br />
poziomu fałszywego alarmu (CFAR) oraz integrator paczki impulsów. Decyzję o<br />
obecności sygnału w szumie podejmuje się porównując amplitudę chwilową<br />
(obwiednię) sygnału za detektorem fazy z odpowiednio dobranym progiem.<br />
Zgodnie z powyższym schematem obwiednia równa jest pierwiastkowi<br />
kwadratowemu z sumy kwadratów składowych I i Q :<br />
2<br />
2<br />
Z ( n)<br />
= I ( n)<br />
+ Q ( n)<br />
(4.1)<br />
Składowe te można zapisać jak poniżej:<br />
75
I(<br />
n)<br />
= Y ( n) cos( nθ<br />
Q(<br />
n)<br />
= Y ( n)sin(<br />
nθ<br />
d<br />
d<br />
+ ϕ ( n))<br />
+ ϕ ( n))<br />
y<br />
y<br />
(4.2)<br />
gdzie θ d jest pulsacją dopplerowską (czyli różnicą pulsacji wzorcowej nadajnika<br />
i pulsacji sygnału echa) określającą prędkość radialną obiektu, od którego<br />
pochodzi echo. Przyglądając się postaci składowych I (n) oraz Q (n) widać, że<br />
można je potraktować jako składowe (odpowiednio rzeczywistą i urojoną)<br />
pewnego sygnału analitycznego. Skoro tak, to (wiadomo to z własności sygnału<br />
analitycznego) zmienne losowe I (n) i Q (n) są dla danego n nieskorelowane,<br />
oraz ich rozkłady prawdopodobieństwa są identyczne. Jednakowe są także<br />
widmo mocy i wariancja obu przebiegów [6, 13].<br />
W przypadku gdy prawdziwa jest hipoteza H 0 , to do odbiornika docierają<br />
jedynie zakłócenia o zerowej wartości średniej. Pierszym etapem obliczeń jest<br />
znalezienie łącznego rozkładu zmiennych losowych obu składowych I (n) i<br />
Q (n) tzn. p ( I,<br />
Q).<br />
Jeśli zmienne losowe I i Q są niezależne, to ich łączny<br />
rozkład równy jest iloczynowi rozkładów obu zmiennych losowych:<br />
pI , Q<br />
( I,<br />
Q)<br />
= pI<br />
( I ) pQ<br />
( Q)<br />
(4.3)<br />
Przykładowo gdy zakłócenia mają rozkład normalny, to łączny rozkład można<br />
zapisać jak poniżej:<br />
p<br />
2 2<br />
2<br />
1 I + Q 1 Z<br />
I,<br />
Q)<br />
= exp( − ) = exp( − ) (4.4)<br />
2<br />
2<br />
2<br />
2πσ<br />
2σ<br />
2πσ<br />
2σ<br />
( I , Q<br />
2<br />
w<br />
w<br />
w<br />
w<br />
gdzie σ 2 w jest wariancją szumu za filtrem dopasowanym. Niech zmienna losowa<br />
Z i dodatkowa zmienna ϕ będą wynikiem działania pewnego przekształcenia na<br />
zmiennych losowych I i Q :<br />
⎡Z<br />
⎤ ⎛ ⎡ I ⎤⎞<br />
⎢ ⎥ = g⎜<br />
⎟<br />
⎢ ⎥<br />
⎣ϕ<br />
⎦ ⎝ ⎣Q⎦⎠<br />
gdzie funkcja g:R 2 →R 2 określona jest poniższym wzorem (4.6):<br />
(4.5)<br />
⎛ ⎞ ⎡ 2 2<br />
⎡ x<br />
+ ⎤<br />
1 ⎤<br />
⎜ ⎟<br />
x1<br />
x2<br />
g ⎢ ⎥<br />
= ⎢<br />
⎥<br />
(4.6)<br />
⎝ ⎣x2<br />
⎦⎠<br />
⎢⎣<br />
arctan( x2<br />
x1)<br />
⎥⎦<br />
Przekształcenie odwrotne g -1 i jej pochodna mają postać:<br />
−1<br />
⎛ ⎡ y1<br />
⎤⎞<br />
⎡y1<br />
cos( y2<br />
) ⎤ dg ( y)<br />
⎡cos(<br />
y2<br />
) − y1<br />
sin( y2<br />
) ⎤<br />
g ⎜ ⎟<br />
⎢ ⎥<br />
= ⎢ ⎥,<br />
= ⎢<br />
⎥ (4.7)<br />
⎝ ⎣y2<br />
⎦⎠<br />
⎣ y1<br />
sin( y2<br />
) ⎦ dy ⎣sin(<br />
y2<br />
) y1<br />
cos( y2<br />
) ⎦<br />
natomiast modół jakobianu przekształcenia g -1 równy jest<br />
76
J g<br />
= y 1<br />
(4.8)<br />
Znając go można określić łączny rozkład gęstości prawdopodobieństwa<br />
zmiennych Z oraz ϕ wyrażony za pomocą zmiennych wejściowych I i Q :<br />
p<br />
,ϕ<br />
( y1,<br />
y2<br />
) = p<br />
,<br />
( y1<br />
cos( y2<br />
), y1<br />
sin( y2<br />
) ⋅ y1<br />
= p ( I cos( Q))<br />
⋅ p ( I sin( Q))<br />
⋅ I (4.9)<br />
Z<br />
I Q<br />
Rozkład brzegowy zmiennej losowej Z uzyska się całkując rozkład p Z,ϕ (y 1 , y 2 )<br />
względem zmiennej y 2 :<br />
p<br />
∫<br />
I<br />
Z<br />
( y1 ) = pZ<br />
, ϕ<br />
( y1,<br />
y2<br />
) dy2<br />
(4.10)<br />
W przypadku, gdy prawdziwa jest hipoteza H 1 , to odbierany sygnał jest<br />
sumą szumu o zerowej średniej (takiego jak w przypadku prawdziwości<br />
hipotezy H 0 ) i sygnału użytecznego. Niestety nie można postąpić identycznie,<br />
jak dla hipotezy H 0 , zmieniając jedynie wartość średnią obu zmiennych I i Q<br />
na równą energii lub amplitudzie sygnału użytecznego w zależności od tego,<br />
czy w systemie jest filtr dopasowany, czy nie. Aby wyznaczyć rozkład obwiedni<br />
p(Z), należy potraktować zakłócenia jako szum wąskopasmowy o<br />
częstotoliwości centralnej θ d . Można go wtedy zapisać poniższym wyrażeniem:<br />
gdzie<br />
N<br />
N<br />
w<br />
( n) cos( nθ<br />
d<br />
+ ϕ<br />
n<br />
( n))<br />
= nc<br />
( n) cos( nθ<br />
d<br />
) − ns<br />
( n)sin(<br />
nθ<br />
d<br />
) (4.11)<br />
2<br />
2 2<br />
2<br />
( n)<br />
= Z(<br />
n)<br />
= I(<br />
n)<br />
+ Q(<br />
n)<br />
= n ( n)<br />
n ( n)<br />
(4.12)<br />
w c<br />
+<br />
n<br />
ϕ n<br />
( n)<br />
= actg(<br />
n<br />
s<br />
c<br />
( n)<br />
)<br />
( n)<br />
Jeśli przyjąć początek obserwacji przebiegu wejściowego tak, aby faza sygnału<br />
użytecznego była zerowa, to suma zakłócenia i sygnału zgodnie z wyrażeniami<br />
(4.11) i (4.12) równa jest<br />
W ( n)cos(<br />
nθ<br />
d<br />
+ ϕ<br />
w<br />
( n))<br />
= Acos(<br />
nθ<br />
d<br />
) + nc<br />
( n)cos(<br />
nθ<br />
d<br />
) − ns<br />
( n)sin(<br />
nθ<br />
d<br />
) (4.13)<br />
gdzie A jest energią lub amplitudą sygnału użytecznego. Porównując stronami<br />
to wyrażenie wychodzi, że<br />
n ( n)<br />
= W ( n)cos(<br />
ϕ<br />
c<br />
n ( n)<br />
= W ( n)sin(<br />
ϕ<br />
s<br />
w<br />
w<br />
( n))<br />
− A = n<br />
( n))<br />
= n<br />
czyli obwiednia sumy zakłócenia i sygnału będzie równa<br />
s1<br />
s<br />
( n)<br />
c1<br />
Q<br />
( n)<br />
− A<br />
(4.14)<br />
77
2<br />
2<br />
2 2<br />
Z(<br />
n)<br />
= n ( n)<br />
+ n ( n)<br />
= ( n ( n)<br />
− A)<br />
n ( n)<br />
(4.15)<br />
c s<br />
c1<br />
+<br />
Jak widać, jej rozkład można policzyć korzystając z wyżej przedstawionej<br />
metody wstawiając w miejsce zmiennych losowych I i Q odpowiednio n c1 i n s1 ,<br />
z tym, że jedna ze zmiennych (jeśli ich rozkłady są takie same, to nie ma<br />
znaczenia która) ma wartość średnią równą energii/amplitudzie sygnału echa.<br />
Jeśli zmienne losowe n c i n s mają rozkład Gaussa, to ich łączny rozkład można<br />
zapisać poniższą zależnością:<br />
p<br />
nc,<br />
ns<br />
2 2<br />
2 2<br />
1 nc<br />
+ ns<br />
1 ( nc<br />
1 − A)<br />
+ ns<br />
1<br />
( nc<br />
1,<br />
ns<br />
1)<br />
= exp( − ) = exp( −<br />
) (4.16)<br />
2<br />
2<br />
2<br />
2<br />
2πσ<br />
2σ<br />
2πσ<br />
2σ<br />
w<br />
w<br />
Należy zauważyć, że uzyskane rozkłady dla przypadku, gdy prawdziwa<br />
jest hipoteza H 1 są tak naprawdę rozkładami warunkowymi, gdyż ich postać<br />
zależy od rozkładu fazy sygnału użytecznego β (ogólnie od wszystkich<br />
losowych parametrów rozkładu). Aby uniezależnić się od fazy należy uśrednić<br />
rozkłady po wszystkich wartościach β. Niestety w tym momencie niezbędna jest<br />
znajomość rozkładu prawdopodobieństwa fazy p(β). Znając go, aby uzyskać<br />
rozkład bezwarunkowy należy obliczyć poniższą całkę:<br />
2π<br />
∫<br />
w<br />
p ( Z)<br />
= p(<br />
Z β ) ⋅ p(<br />
β ) dβ<br />
(4.17)<br />
Jeśli przyjąć najmniej korzystny, czyli równomierny rozkład fazy, to<br />
2π<br />
0<br />
1<br />
p(<br />
Z)<br />
= ∫ p(<br />
Z β ) ⋅ p(<br />
β ) dβ<br />
= ⋅ p(<br />
Z β ) dβ<br />
p(<br />
Z β )<br />
2π<br />
∫ =<br />
(4.18)<br />
0<br />
i wtedy postać rozkładu zmiennej Z nie ulega zmianie.<br />
Opierając się na powyższej metodzie napisano funkcję działającą w<br />
środowisku MATLAB, obliczającą rozkład prawdopodobieństwa obwiedni<br />
sygnału za detektorem fazy, czyli rozkład zmiennej losowej równej<br />
pierwiastkowi kwadratowemu z sumy kwadratów dwóch zmiennych losowych X<br />
i Y. Prototyp funkcji zapisany jest poniżej:<br />
2π<br />
0<br />
s1<br />
w<br />
[p]=sqrtpdf(x, 'fun1', 'fun2', arg1_fun1, arg1_fun2, arg2_fun1, ...)<br />
Zmienna x jest wektorem wartości zmiennych losowych X i Y, zaś fun1 i fun2<br />
nazwami funkcji generujących rozkłady tych dwóch zmiennych:.p X (x) i p Y (x).<br />
Dalej podawane są dodatkowe argumenty dla fun1 i fun2 jak np. średnia i<br />
78
wariancja. Przykładowe poniższe wywołanie wyliczy gęstość rozkładu<br />
prawdopodowbieństwa Rice’a o parametrach σ=1 oraz A=10:<br />
x=[0:0.125:30]’;<br />
[p]=sqrtpdf(x,'normpdf','normpdf',0,1,10,1);<br />
Funkcja normpdf jest częścią pakietu statystycznego i wylicza wartości<br />
rozkładu normalnego zgodnie z ogólnie znanym wzorem. Na wykresie 4.2<br />
pokazano przykładowe krzywe rozkładów Rice’a/Rayleya uzyskane funkcją<br />
sqrtpdf dla różnych wartości parametru A. Jeśli w układzie jest filtr<br />
dopasowany i przyjąć moc szumu za nim σ 2 w równą 1, to wartości A równe są<br />
napięciowemu stosunkowi Sygnał/Szum sygnału odebranego przez antenę<br />
radaru. Na kolejnym wykresie 4.3 pokazano błąd bezwzględny wartości<br />
rozkładów uzyskanych funkcją sqrtpdf i bezpośrednio ze wzoru na rozkład<br />
Rice’a.<br />
0.6<br />
0.5<br />
0.4<br />
S/N=0,0<br />
S/N=0,5<br />
S/N=1,0<br />
S/N=1,5<br />
S/N=2,0<br />
S/N=4,0<br />
S/N=5,0<br />
p(x)<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
x<br />
Rys. 4.2. Krzywe rozkładów prawdopodobieństwa uzyskane funkcją sqrtpdf dla wybranych<br />
wartości stosunku Sygnał/Szum. Dla S/N=0 rozkład Rayleya<br />
79
10 -10 x<br />
10 -15<br />
10 -20<br />
|p(x)-p1(x)|<br />
10 -25<br />
10 -30<br />
10 -35<br />
S/N=0,0<br />
S/N=0,5<br />
S/N=1,0<br />
S/N=1,5<br />
S/N=2,0<br />
S/N=4,0<br />
S/N=5,0<br />
10 -40<br />
0 1 2 3 4 5 6 7 8 9 10<br />
Rys. 4.3. Błąd bezwzględny wartości rozkładów uzyskanych funkcją sqrtpdf i bezpośrednio<br />
ze wzoru na rozkład Rice’a<br />
Błąd wynika głównie z tego, że aby uzyskać szukany rozkład należy wykonać<br />
całkowanie rozkładu dwuwymiarowego, która to operacja wprowadza błędy w<br />
obliczeniach. Wszystkie całki były liczone z zastosowaniem metody trapezów<br />
standardową funkcją MATLABA trapz [7, 14].<br />
Mając rozkłady prawdopodobieństwa dla różnych wartości S/N można<br />
wykreślić charakterystyki detekcji. Wykonuje to funkcja detect, której sposób<br />
wywołanie pokazany jest poniżej:<br />
[d, sn]=detect(x, p, pfalse, snmax)<br />
Jako argumenty przyjmuje: x, czyli wektor wartości zmiennej losowej, macierz<br />
p, w której każda kolumna zawiera wartości krzywych rozkładu dla różnych<br />
wartości S/N, prawdopodobieństwo fałszywego alarmu (pfalse), oraz<br />
maksymalną wartość S/N (snmax). Funkcja najpierw wylicza “odwrotne”<br />
dystrybuanty rozkładów, czyli prawdopodobieństwa, że sygnał przekroczy<br />
pewną wartość progową, a następnie wylicza i zwraca na wyjście wektor<br />
wartości S/N (równomiernie rozłożone wartości od zera do snmax) oraz wektor<br />
prawdopodobieństw detekcji dla założonej wartości pfalse. Na kolejnych<br />
80
wykresach 4.4a,b pokazano uzyskane tą funkcją przykładowe krzywe detekcji<br />
dla różnych wartości F w skali liniowej (a) i logarytmicznej (b).<br />
D<br />
1<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
F=1e-2<br />
F=1e-4<br />
F=1e-6<br />
F=1e-8<br />
F=1e-10<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
S/N<br />
Rys. 4.4a. Charakterystyki detekcji pojedynczego impulsu dla różnych wartości F (skala liniowa)<br />
10 0 S/N<br />
10 -2<br />
D<br />
10 -4<br />
10 -6<br />
F=1e-2<br />
F=1e-4<br />
F=1e-6<br />
F=1e-8<br />
F=1e-10<br />
10 -8<br />
10 -10<br />
0 1 2 3 4 5 6 7 8 9 10<br />
81
Rys. 4.4b. Charakterystyki detekcji pojedynczego impulsu dla różnych wartości F (skala<br />
logarytmiczna)<br />
4.2. ROZKŁADY SYGNAŁU ZA UKŁADEM CFAR<br />
Obliczenie rozkładów prawdopodobieństw sygnału i charakterystyk<br />
detekcji za układem stabilizacji fałszywego alarmu jest dość trudne. Niezależnie<br />
od tego, którą z implementacji pokazanych w poprzednim rozdziale wybrać,<br />
obliczenia polegają na znalezieniu najpierw funkcji gęstości<br />
prawdopodobieństwa średniej z N próbek S x (czyli S sr ), a następnie rozkład<br />
zmiennej losowej S wyj =S x /S sr (gdzie S x ma rozkład Rayleya dla szumu lub<br />
rozkład Rice’a dla sumy szumu i sygnału).<br />
Pierwszym etapem jest znalezienie rozkładu zmiennej losowej S sr , która z<br />
dokładnością do stałych współczynników jest sumą N zmiennych losowych S x .<br />
Rozkład sumy zmiennych losowych równy jest splotowi rozkładów sumowanych<br />
zmiennych. Aby szybko go znaleźć dla dużych N, to zamiast liczyć splot można<br />
znaleźć funkcję charakterystyczną rozkładu p(S x ), która jest jego transformatą<br />
Fouriera, podnieść ją do N-tej potęgi, a następnie obliczyć odwrotną<br />
transformatę [1, 8, 12]. Po odpowiednim przeskalowaniu uzyska się rozkład<br />
p(S sr ). Do obliczenia funkcji charakterystycznych metodami numerycznymi<br />
można wykorzystać szybki algorytm FFT. Napisana dla MATLABA funkcja<br />
sumpdf w zależności od sposobu wywołania tzn.<br />
[py y]=sumpdf(x, px, N, ’sum’)<br />
[py y]=sumpdf(x, px, N, ’mean’)<br />
oblicza albo rozkład sumy albo rozkład estymatora wartości średniej. Na<br />
wykresie 4.5 pokazano przykładowe krzywe rozkładów wartości średniej z sumy<br />
rozkładów Rayleya dla różnych N.<br />
Znając rozkład średniej można określić rozkład zmiennej losowej S wyj .<br />
Najpierw należy znaleźć łączny rozkład zmiennych S x i S sr . Ponieważ są one<br />
niezależne (bo w liczeniu wartości S sr nie bierze udział komórka testowa), to<br />
łączny rozkład równy jest<br />
p<br />
( S<br />
, S<br />
) = p ( S ) ⋅ p ( S )<br />
(4.19)<br />
Sx, Ssr x sr Sx x Ssr sr<br />
82
Wprowadzona zostanie nowa zmienna losowa ξ=S sr i wtedy można zapisać, że<br />
⎡S<br />
wyj ⎤ ⎛ ⎡ S<br />
⎢ ⎥ = g⎜<br />
⎢<br />
⎣ ξ ⎦ ⎝ ⎣S<br />
x<br />
sr<br />
⎤⎞<br />
⎥⎟<br />
⎦⎠<br />
(4.20)<br />
5<br />
4.5<br />
4<br />
3.5<br />
3<br />
N=2<br />
N=5<br />
N=8<br />
N=16<br />
N=64<br />
p(y)<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
y<br />
Rys. 4.5. Rozkłady prawdopodobieństw estymatorów wartości średnich dla rozkładu Rayleya o<br />
parametrze σ=1<br />
gdzie funkcja g:R 2 →R 2 określona jest wzorem<br />
⎛ ⎡ x1<br />
⎤⎞<br />
⎡x1<br />
x<br />
2 ⎤<br />
g ⎜ ⎟<br />
⎢ ⎥<br />
= ⎢ ⎥<br />
(4.21)<br />
⎝ ⎣x2<br />
⎦⎠<br />
⎣ x2<br />
⎦<br />
Przekształcenie odwrotne g -1 i jej pochodna mają postać jak poniżej [8]:<br />
−1<br />
⎛ ⎡ y1<br />
⎤⎞<br />
⎡y1<br />
⋅ y2<br />
⎤ dg ( y)<br />
⎡y2<br />
0⎤<br />
g ⎜ ⎟<br />
⎢ ⎥<br />
= ⎢ ⎥,<br />
= ⎢ ⎥<br />
(4.22)<br />
⎝ ⎣y2<br />
⎦⎠<br />
⎣ y2<br />
⎦ dy ⎣ y1<br />
1⎦<br />
W związku z tym moduł jakobianu przekształcenia g -1 równy jest<br />
J g<br />
= y 2<br />
(4.23)<br />
i ostatecznie łączny rozkład gęstości prawdopodobieństwa zmiennych losowych<br />
S wyj i S sr można zapisać:<br />
p<br />
Swyj Ssr<br />
( y1,<br />
y2<br />
) pSx,<br />
Ssr<br />
( y1<br />
y2<br />
, y2<br />
) ⋅ y2<br />
,<br />
= = p ( S S ) ⋅ p ( S ) ⋅ S (4.24)<br />
Sx<br />
x<br />
sr<br />
Ssr<br />
sr<br />
sr<br />
83
Rozkład brzegowy zmiennej losowej S wyj uzyska się całkując gęstość<br />
p Swyj,Ssr (y 1 ,y 2 ) względem y 2 :<br />
p<br />
∫<br />
Swyj<br />
( y1 ) = pSwyj,<br />
Ssr<br />
( y1,<br />
y2)<br />
dy2<br />
(4.25)<br />
Opierając się na powyższej metodzie napisano funkcję normaliz<br />
działającą w środowisku MATLAB, obliczającą rozkład prawdopodobieństwa<br />
ilorazu zmiennych losowych, czyli też rozkład zmiennej losowej S wyj . Prototyp<br />
funkcji zapisany jest poniżej:<br />
[p]=normaliz(x, m, ’fun’, arg1_fun, arg2_fun, ...)<br />
Zmienna x jest wektorem wartości obu dzielonych przez siebie zmiennych<br />
losowych, m wektorem wartości rozkładu zmiennej z mianownika (np. uzyskany<br />
za pomocą funkcji sumpdf), zaś fun nazwą funkcji generującej rozkład<br />
zmiennej z licznika. Dalej podawane są dodatkowe argumenty dla fun.<br />
Uzyskawszy rozkłady zmiennych losowych S wyj dla różnych wartości<br />
stosunku Sygnał/Szum można za pomocą funkcji detect wyliczyć<br />
charakterystyki wykrywania dla różnych wartości F. Przykładowe krzywe<br />
pokazane są na czterech kolejnych wykresach 4.6a,b,c,d. W tabeli 4.1 poniżej<br />
zestawiono straty, jakie wprowadza układ stabilizacji fałszywego alarmu dla<br />
wybranych wartości F i różnych ilości N referencyjnych komórek<br />
odległościowych dla D=0,9.<br />
Tab. 4.1. Straty w dB wprowadzane przez układ CFAR dla D=0,9. Puste miejsce oznacza, że<br />
dana krzywa w zakresie S/N=[0;20] nie osiągnęła wartości 0,9<br />
F<br />
N<br />
2 5 8 16 64<br />
10 -2 3,198 1,173 0,718 0,350 0,085<br />
10 -4 − 2,506 1,497 0,719 0,177<br />
10 -6 − 3,956 2,330 1,100 0,265<br />
84
1<br />
F=1e-2<br />
0.9<br />
0.8<br />
D<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
N=0<br />
N=2<br />
N=5<br />
N=8<br />
N=16<br />
N=64<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 2 4 6 8 10 12 14<br />
S/N<br />
Rys. 4.6a. Charakterystyki detekcji pojedynczego impulsu za układem CFAR dla F=10 -2<br />
różnych wartości N. N=0 oznacza brak układu CFAR<br />
i<br />
1<br />
F=1e-4<br />
0.9<br />
0.8<br />
D<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
N=0<br />
N=2<br />
N=5<br />
N=8<br />
N=16<br />
N=64<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 2 4 6 8 10 12 14 16 18 20<br />
S/N<br />
Rys. 4.6b. Charakterystyki detekcji pojedynczego impulsu za układem CFAR dla F=10 -4<br />
różnych wartości N. N=0 oznacza brak układu CFAR<br />
i<br />
85
1<br />
F=1e-6<br />
D<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
N=0<br />
N=2<br />
N=5<br />
N=8<br />
N=16<br />
N=64<br />
0<br />
0 2 4 6 8 10 12 14 16 18 20<br />
S/N<br />
Rys. 4.6c. Charakterystyki detekcji pojedynczego impulsu za układem CFAR dla F=10 -6<br />
różnych wartości N (skala liniowa). N=0 oznacza brak układu CFAR<br />
i<br />
F=1e-6<br />
10 0 S/N<br />
10 -1<br />
10 -2<br />
D<br />
10 -3<br />
10 -4<br />
10 -5<br />
N=0<br />
N=2<br />
N=5<br />
N=8<br />
N=16<br />
N=64<br />
10 -6<br />
0 2 4 6 8 10 12 14 16 18 20<br />
Rys. 4.6d. Charakterystyki detekcji pojedynczego impulsu za układem CFAR dla F=10 -6<br />
różnych wartości N (skala logarytmiczna). N=0 oznacza brak układu CFAR<br />
i<br />
86
Jak widać z wartości w tabeli im większa ilość N komórek referencyjnych brana<br />
jest do liczenia średniej, tym straty CFAR są mniejsze i charakterystyka detekcji<br />
bliższa jest tej , gdy nie ma układu CFAR. Im większe N, tym rozkład zmiennej<br />
losowej S sr bardziej jest skupiony wokół swojej wartości centralnej (patrz wykres<br />
4.5). Dla dużych wartości N dzielenie zmiennych losowych S x /S sr sprowadza się<br />
praktycznie do przeskalowania zmiennej S x przez stałą wartość, a ta operacja<br />
nie zmieni kształtu rozkładu zmiennej S wyj w stosunku do S x . Co za tym idzie<br />
charakterystyki detekcji będą takie, jak przy braku układu CFAR. Niestety nie<br />
można brać zbyt dużego N, ponieważ równałoby się to przyjęciu błędnego<br />
założenia, że poziom clutteru jest stały w dużym obszarze przestrzeni, a nie<br />
tylko lokalnie wokół testowanej komórki odległościowej. Dobrą praktyczną<br />
zasadą jest użycie takiej liczby komórek odniesienia, aby utrzymać straty CFAR<br />
poniżej 1dB [11]. Przyglądając się tabeli 4.1 widać, że dla prawdopodobieństwa<br />
fałszywego alarmu F=10 -2 wystarczy już 8 komórek referencyjnych, natomiast<br />
dla F=10 -4 i F=10 -6 wystarczy N równe około 16.<br />
4.3. ROZKŁADY SYGNAŁU ZA INTEGRATOREM BINARNYM<br />
Aby określić prawdopodobieństwo detekcji oraz fałszywego alarmu<br />
integratora binarnego lub rozkłady za integratorem, trzeba znać odpowiednie<br />
wartości i rozkłady dla pojedynczego impulsu. Integrator binarny integruje<br />
paczki po N impulsów, zaś wykryje tylko te paczki, dla których liczba impulsów k<br />
przekraczających próg będzie równa lub większa od założonej przez<br />
obserwatora liczby M. Dla każdego k możliwych jest<br />
⎛ N ⎞ N!<br />
⎜ ⎟ =<br />
⎝ k ⎠ ( N − k)!<br />
k!<br />
(4.26)<br />
takich paczek. Jeśli prawdopodobieństwo przekroczenia<br />
wartości progowej przez dowolny impuls oznaczyć przez<br />
D 0 , zaś prawdopodobieństwo fałszywego przekroczenia<br />
87
(alarmu) przez F 0 , to prawdopodobieństwo, że dokładnie k<br />
impulsów z N przekroczy próg (mówiąc ogólnie będzie k<br />
sukcesów w N niezależnych próbach) dane jest wzorem na<br />
prawdopodobieństwo w tzw. schemacie Bernouliego [12]:<br />
P<br />
⎛ N ⎞<br />
⎜ ⎟<br />
⎝ k ⎠<br />
k<br />
N −k<br />
N<br />
( k)<br />
= D0 (1 − D0<br />
)<br />
(4.27)<br />
Liczba D 0 jest prawdopodobieństwem detekcji pojedynczego impulsu, czyli<br />
sukcesu w pojedynczej próbie, a (1-D 0 ) prawdopodobieństwem przeoczenia<br />
impulsu, czyli inaczej mówiąc porażki w pojedynczej próbie. W związku z<br />
powyższym prawdopodobieństwo detekcji (przekroczenia progu) przez M i<br />
więcej impulsów wynosi:<br />
N<br />
⎡⎛<br />
N ⎞<br />
D = ∑ ⎢⎜<br />
⎟D<br />
)<br />
k = M ⎣⎝<br />
k ⎠<br />
Dla M=0 zawsze D=1, ponieważ ze wzoru (4.28) wynika, że<br />
N<br />
[ D + 1−<br />
D )] 1<br />
0<br />
(<br />
0<br />
=<br />
⎤<br />
⎥<br />
⎦<br />
k<br />
N −k<br />
0<br />
( 1−<br />
D0<br />
(4.28)<br />
Analogicznie całe prawdopodobieństwo fałszywego<br />
alarmu to znaczy prawdopodobieństwo, że M i więcej<br />
zakłóceń przekroczy próg) wynosi:<br />
N<br />
⎡⎛<br />
N ⎞<br />
F = ∑ ⎢⎜<br />
⎟F<br />
)<br />
k = M ⎣⎝<br />
k ⎠<br />
⎤<br />
⎥<br />
⎦<br />
k<br />
N −k<br />
0<br />
( 1−<br />
F0<br />
(4.29)<br />
jednak musi być M>0. W przeciwnym przypadku F wyniesie 1. Korzystając z<br />
powyższego wzoru i znając prawdopodobieństwa zdarzeń polegających na tym,<br />
że sygnał przekroczy pewną wartość progową X 0 tzn. P(x>X 0 ) dla pojedynczego<br />
impulsu, można także określić prawdopodobieństwo, że M i więcej impulsów<br />
przekroczy próg:<br />
⎡⎛<br />
N ⎞<br />
P ))<br />
⎣⎝<br />
⎠<br />
N<br />
k<br />
N −k<br />
N −M<br />
( x > X<br />
0<br />
) = ∑ ⎢⎜<br />
⎟P(<br />
x > X<br />
0<br />
) (1 − P(<br />
x > X<br />
0<br />
(4.30)<br />
k=<br />
M k<br />
Wartości D 0 i F 0 występujące w poprzednich wyrażeniach można znaleźć z<br />
krzywych detekcji dla pojedynczego impulsu z przypadkową fazą początkową<br />
⎥<br />
⎦<br />
⎤<br />
88
(wykresy 4.4a, 4.4b). Przy czym jeżeli energia całej paczki wynosi E, to w celu<br />
wyznaczenia D 0 z charakterystyk detekcji należy wziąć energię E/N.<br />
Mając rozkłady prawdopodobieństw pojedynczego impulsu dla różnych<br />
wartości S/N można wykreślić charakterystyki detekcji. Wykonuje to funkcja<br />
binint, której sposób wywołanie pokazany jest poniżej:<br />
[d, sn]=binint(x, p, N, M, pfalse, snmax)<br />
Funkcja jest oparta na wcześniej opisanej funkcji detect. Jako argumenty<br />
przyjmuje: x, czyli wektor wartości zmiennej losowej, macierz p, w której każda<br />
kolumna zawiera wartości krzywych rozkładu dla różnych wartości S/N,<br />
parametry integratora binarnego (N z M), prawdopodobieństwo fałszywego<br />
alarmu (pfalse), oraz maksymalną wartość S/N (snmax). Funkcja najpierw<br />
wylicza odwrotne dystrybuanty rozkładów, czyli prawdopodobieństwa, że sygnał<br />
przekroczy pewną wartość progową, potem każdą wartość<br />
prawdopodobieństwa modyfikuje w oparciu o wzór na schemat Bernouliego, a<br />
następnie wylicza i zwraca na wyjście wektor wartości S/N (równomiernie<br />
rozłożone wartości od zera do snmax) oraz wektor prawdopodobieństw detekcji<br />
dla założonej wartości pfalse. Dalej na kolejnych wykresach 4.7a,b,c,d<br />
pokazano uzyskane tą funkcją przykładowe krzywe detekcji dla różnych<br />
wartości F, N oraz M. W tabelach 4.2a,b dla przykładu zestawiono zysk z<br />
integracji dla integratora binarnego w stosunku do detekcji pojedynczego<br />
impulsu dla D=0,9. Pogrubieniem zaznaczono najlepszy integrator na tym<br />
poziomie prawdopodobieństwa detekcji. Na wykresie 4.8 dla lepszego<br />
uwidocznienia została pokazana zawartość tabel 4.2a,b.<br />
Tab. 4.2a. Zysk w dB z zastosowania integratora binarnego dla N=10, D=0,9<br />
M<br />
Zysk w dB dla N=10, D=0,9<br />
F=10 -6 F=10 -4<br />
1 1.321 1.513<br />
2 2.474 2.556<br />
3 2.986 2.992<br />
4 3.236 3.192<br />
5 3.362 3.261<br />
6 3.390 3.254<br />
7 3.346 3.178<br />
8 3.204 3.004<br />
9 2.934 2.686<br />
10 2.331 2.020<br />
89
Tab. 4.2b. Zysk w dB z zastosowania integratora binarnego dla N=5, D=0,9<br />
1<br />
M<br />
Zysk w dB dla N=5, D=0,9<br />
F=10 -6 F=10 -4<br />
1 1.000 1.141<br />
2 1.965 1.990<br />
3 2.273 2.213<br />
4 2.256 2.124<br />
5 1.835 1.616<br />
F=1e-6, N=10<br />
D<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
N=1, M=1<br />
M=1<br />
M=2<br />
M=3<br />
M=4<br />
M=5<br />
M=6<br />
M=7<br />
M=8<br />
M=9<br />
M=10<br />
0<br />
0 1 2 3 4 5 6 7 8<br />
S/N<br />
Rys. 4.7a. Charakterystyki detekcji integratora binarnego dla F=10 -6 i N=10. Krzywa N=1,M=1<br />
jest charakterystyką dla pojedynczego impulsu<br />
90
1<br />
F=1e-4, N=10<br />
D<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
N=1, M=1<br />
M=1<br />
M=2<br />
M=3<br />
M=4<br />
M=5<br />
M=6<br />
M=7<br />
M=8<br />
M=9<br />
M=10<br />
0<br />
0 1 2 3 4 5 6 7 8<br />
S/N<br />
Rys. 4.7b. Charakterystyki detekcji integratora binarnego dla F=10 -4 i N=10. Krzywa N=1,M=1<br />
jest charakterystyką dla pojedynczego impulsu<br />
D<br />
1<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
F=1e-6, N=5<br />
N=1, M=1<br />
M=1<br />
M=2<br />
M=3<br />
M=4<br />
M=5<br />
0<br />
0 1 2 3 4 5 6 7 8<br />
S/N<br />
Rys. 4.7c. Charakterystyki detekcji integratora binarnego dla F=10 -6 i N=5. Krzywa N=1,M=1<br />
jest charakterystyką dla pojedynczego impulsu<br />
91
1<br />
F=1e-4, N=5<br />
D<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
N=1, M=1<br />
M=1<br />
M=2<br />
M=3<br />
M=4<br />
M=5<br />
0<br />
0 1 2 3 4 5 6 7 8<br />
S/N<br />
Rys. 4.7d. Charakterystyki detekcji integratora binarnego dla F=10 -4 i N=5. Krzywa N=1,M=1<br />
jest charakterystyką dla pojedynczego impulsu<br />
3.5<br />
Zysk w dB z integracji w stosunku do detekcji jednego impulsu dla D=0,9<br />
3<br />
Zysk w dB<br />
2.5<br />
2<br />
1.5<br />
F=1e-6, N=10<br />
F=1e-4, N=10<br />
F=1e-6, N=5<br />
F=1e-4, N=5<br />
1<br />
1 2 3 4 5 6 7 8 9 10<br />
M<br />
Rys. 4.8. Zysk w dB z zastosowania integratora binarnego w stosunku do detekcji<br />
pojedynczego impulsu dla D=0,9 i różnych wartości F, N<br />
92
4.4. ROZKŁADY SYGNAŁU ZA INTEGRATOREM DZIAŁAJĄCYM<br />
BEZPOŚREDNIO NA AMPLITUDZIE<br />
Analiza integratora działającego bezpośrednio na amplitudzie sygnału i<br />
sumującego impulsy będzie podzielona na dwie części, gdyż w zależności od<br />
poziomu sygnału można mówić o dwóch różnych urządzeniach.<br />
Zgodnie z tym, co powiedziano w punkcie 3.3 jeśli amplituda impulsu jest<br />
duża w porównaniu szumami, integrator sumuje impulsy zgodnie z poniższym<br />
wyrażeniem:<br />
∑<br />
i<br />
S Z i<br />
2<br />
σ<br />
Jeśli amplituda impulsu jest skrajnie mała lepiej integrator liniowy zastąpić<br />
kwadratowym:<br />
∑<br />
i<br />
2<br />
S i<br />
Z<br />
4σ<br />
W obu wyrażeniach σ jest odchyleniem standardowym szumu na wejściu<br />
integratora, zaś S i współczynnikami wagowymi mającymi zniwelować<br />
modulację paczki przez charakterystykę anteny radaru.<br />
W przypadku detektora liniowego sytuacja jest dość prosta. Aby znaleść<br />
rozkład prawdopodobieństwa sumy zmiennych losowych o takich samych<br />
rozkładach, który równy jest splotowi rozkładów sumowanych zmiennych,<br />
należy postąpić podobnie, jak przy analizie układu CFAR, gdy liczyło się rozkład<br />
średniej. Zamiast wykonywać wiele operacji splotów, należy skorzystać z<br />
przekształcenia rozkładu na funkcję charakterystyczną. Takie sumowanie<br />
wykonuje funkcja sumpdf.<br />
0i<br />
2<br />
0i<br />
4<br />
Aby znaleźć rozkład sygnału za integratorem kwadratowym najpierw<br />
należy obliczyć rozkład zmiennej losowej Y=X 2 , gdzie X o rozkładzie p X (x) jest<br />
sygnałem przed integratorem. Skoro przekształcenie g:R→R ma postać<br />
2<br />
() x x<br />
g = (4.31)<br />
to przekształcenie odwrotne i jej pochodna mogą być zapisane jak poniżej [5]:<br />
g<br />
( y)<br />
=<br />
y,<br />
−1<br />
dg ( y)<br />
dy<br />
=<br />
2<br />
1<br />
y<br />
(4.32)<br />
93
Rozkład prawdopodobieństwa zmiennej losowej Y równy jest:<br />
1<br />
pY<br />
( y)<br />
= pX<br />
( y)<br />
⋅<br />
(4.33)<br />
2 y<br />
Można go uzyskać np. za pomocą funkcji sqrtpdf podstawiając zamiast x<br />
pierwiastek kwadratowy z x i wynik funkcji mnożąc jak w wyrażeniu powyżej.<br />
Mając rozkład zmiennej losowej Y=X 2 należy najpierw wektor x podzielić, a<br />
wektor krzywej rozkładu pomnożyć przez 4, a następnie metodami takimi, jak<br />
dla integratora liniowego znaleźć rozkład sumy zmiennych losowych.<br />
Znając rozkłady dla różnych wartości S/N można za pomocą funkcji<br />
detect stworzyć charakterystyki wykrywania. Na kolejnych wykresach 4.9a,b<br />
znajdują się charakterystyki detekcji dla integratora liniowego i kwadratowego,<br />
oraz dla porównania dla najlepszego integratora binarnego. Uzyskano je za<br />
pomocą wyżej omówionych funkcji. Dalej w tabeli 4.3 zestawiono zysk dla<br />
integratorów w stosunku do detekcji pojedynczego impulsu, dla D=0,9.<br />
Tab. 4.3. Zysk w dB z zastosowania różnych typów integratorów dla D=0,9 i różnych M w<br />
stosunku do pojedynczego impulsu<br />
Typ<br />
Zysk w dB, D=0,9<br />
N M<br />
INT.<br />
F=10 -6 F=10 -4<br />
Lin 5 − 2.929 2.812<br />
Lin 10 − 4.035 3.875<br />
Sqr 5 − 2.840 2.725<br />
Sqr 10 − 3.952 3.800<br />
Bin 5 3 2.273 2.213<br />
Bin 10 6 3.390 −<br />
Bin 10 5 − 3.261<br />
94
1<br />
F=1e-6<br />
D<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
N=1, M=1<br />
lin: N=5<br />
lin: N=10<br />
sqr: N=5<br />
sqr: N=10<br />
bin: N=5, M=3<br />
bin: N=10, M=6<br />
0<br />
0 1 2 3 4 5 6 7 8<br />
S/N<br />
Rys. 4.9a. Charakterystyki detekcji dla różnych integratorów dla F=10 -6. Krzywa N=1,M=1 jest<br />
charakterystyką dla pojedynczego impulsu. Wartości S/N są dla pojedynczego impulsu<br />
95
1<br />
F=1e-4<br />
D<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
N=1, M=1<br />
lin: N=5<br />
lin: N=10<br />
sqr: N=5<br />
sqr: N=10<br />
bin: N=5, M=3<br />
bin: N=10, M=6<br />
0<br />
0 1 2 3 4 5 6 7 8<br />
S/N<br />
Rys. 4.9b. Charakterystyki detekcji dla różnych integratorów dla F=10 -4. Krzywa N=1,M=1 jest<br />
charakterystyką dla pojedynczego impulsu. Wartości S/N są dla pojedynczego impulsu<br />
W rozdziale trzecim (punkt 3.3) wspomniano, iż w krańcowej sytuacji, gdy<br />
poziomy sygnałów (impulsów) są bardzo małe w porównaniu z zakłóceniami,<br />
detektor kwadratowy będzie lepszy od liniowego. Tak przynajmniej wynika z<br />
kształtu krzywej ln I 0<br />
( u)<br />
. Jak widać na przedstawionych wykresach 4.9a i 4.9b<br />
integrator liniowy nie jest gorszy od kwadratowego. Jest nawet w pokazanych<br />
przypadkach w niewielkim stopniu lepszy. To, jaki typ integratora korzystniej<br />
zastosować zależy od energii pojedynczego impulsu w stosunku do mocy<br />
szumu, żądanego poziomu prawdopodobieństwa fałszywego alarmu czy liczby<br />
integrowanych impulsów. Generalnie dla małych prawdopodobieństw<br />
fałszywego alarmu i dużych prawdopodobieństw detekcji poziom sygnału<br />
progowego dla obu typów integratorów jest taki sam [5]. Na wykresie 4.10<br />
pokazano skrajny przypadek, gdzie integrator kwadratowy jest nieco lepszy od<br />
liniowego. Zysk jest tak minimalny, że jego stosowanie zamiast liniowego i<br />
niepotrzebne komplikowanie układu nie ma sensu.<br />
96
1<br />
F=1e-1<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
D<br />
0.5<br />
0.4<br />
lin: N=10<br />
sqr: N=10<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2<br />
S/N<br />
Rys. 4.10. Charakterystyki detekcji dla integratorów liniowego i kwadratowego dla F=10 -1 i N=10<br />
97
PODSUMOWANIE<br />
W pracy dokonano analizy statystycznej różnego rodzaju detektorów<br />
cyfrowych, stosowanych we współczesnych systemach radarowych.<br />
Przedstawiono podstawy teoretyczne procesu optymalnej detekcji oraz<br />
rozważania prowadzące od teoretycznego optymalnego detektora do jak<br />
najbliższych mu praktycznych realizacji. Dla rzeczywistych rozwiązań opisano<br />
metody pozwalające określić rozkłady prawdopodobieństw sygnałów w<br />
przypadkach odbierania jedynie zakłóceń oraz gdy odbiera się sumę zakłóceń i<br />
sygnału użytecznego.<br />
W oparciu o te metody napisano zestaw funkcji pracujących w środowisku<br />
MATLAB, pozwalających na numeryczne wyznaczenie rozkładów<br />
prawdopodobieństw, a także na wykreślenie na ich podstawie charakterystyk<br />
detekcji dla różnych typów detektorów. Zdecydowano się na to środowisko z<br />
uwagi na jego uniwersalność, a przede wszystkim na łatwość implementacji<br />
różnorodnych algorytmów obliczeń numerycznych. MATLAB, jako środowisko i<br />
język programowania wysokiego poziomu, idealnie nadaje się do tego typu<br />
zadań obliczeniowych. Co najważniejsze, środowisko to jest otwarte i pozwala<br />
na integrację własnych procedur z już istniejącymi.<br />
W dodatkach A i B znajdują się opis stworzonych funkcji, służących do<br />
analizy detektorów cyfrowych oraz wydruk ich kodu źródłowego. Z ich<br />
wykorzystaniem dokonano przedstawionej w rozdziale czwartym analizy<br />
wybranych detektorów w przypadku, gdy zakłócenia mają postać szumu białego<br />
o rozkładzie Gauss’a oraz dzięki możliwościom graficznym MATLABA<br />
zobrazowano wyniki na wykresach.<br />
Uzyskane wykresy i wyniki świadczą o przydatności opracowanego<br />
zestawu oprogramowania do analizy detektorów cyfrowych. Napisane funkcje<br />
98
pracujące w środowisku MATLAB mogą służyć jako baza przy tworzeniu<br />
bardziej rozbudowanych i wyspecjalizowanych aplikacji.<br />
99
DODATEK A:<br />
OPIS ZESTAWU FUNKCJI SŁUŻĄCYCH DO<br />
ANALIZY DETEKTORÓW CYFROWYCH<br />
Niniejszy dodatek stanowi dokumnetację zestawu funkcji służących do analizy detektorów<br />
cyfrowych. Funkcje te zostały napisane i przetestowane w środowisku MATLAB w wersji 5.2. Niektóre z<br />
nich wewnątrz siebie wywołują zarówno inne funkcje z pakietu, jak i te należące do standardowej<br />
dystrybucji MATLAB’a. Z tego powodu istnieje możliwość, że w starszych wersjach środowiska<br />
zadziałają niepoprawnie. W skład pakietu wchodzą następujące funkcje:<br />
binint<br />
dbloss<br />
detect<br />
normaliz<br />
pdftocdf<br />
ricepdf<br />
wylicza charakterystyki detekcji dla integratora binarnego<br />
liczy różnicę w decybelach między dwoma charakterystykami detekcji dla określonego<br />
poziomu prawdopodobieństwa detekcji<br />
wylicza charakterystyki detekcji dla pojedynczego impulsu<br />
wylicza rozkład prawdopodobieństwa zmiennej losowej Z=X/Y<br />
wylicza dystrybuantę zmiennej losowej P(x) lub krzywą 1-P(x)<br />
wylicza krzywą rozkładu prawdopodobieństwa Rice’a<br />
sqrtpdf wylicza rozkład prawdopodobieństwa zmiennej losowej<br />
sumpdf<br />
2<br />
Z = X +<br />
Y<br />
2<br />
generuje rozkład prawdopodobieństwa zmiennej losowej będącej<br />
sumą N niezależnych zmiennych losowych o takich samych<br />
rozkładach.<br />
Na kolejnych stronach znajdują się dokładne opisy wyżej wymienionych funkcji,<br />
natomiast dodatek B zawiera ich kod źródłowy.<br />
binint<br />
SKŁADNIA:<br />
[d, sn]=binint(x, p, N, M, pfalse, snmax)<br />
OPIS:<br />
Funkcja generuje charakterystyki detekcji dla układu integratora binarnego (zwanego też dwuprogowym<br />
lub M z N) przy zadanym poziomie prawdopodobieństwa fałszywego alarmu. Na podstawie rozkładów<br />
prawdopodobieństw sygnału dla różnych wartości stosunków SYGNAŁ/SZUM<br />
p( x E)<br />
gdzie E jest energią sygnału użytecznego najpierw oblicza “odwrotną”<br />
dystrybuantę<br />
1− P(<br />
x E)<br />
100
czyli prawdopodobieństwo, że sygnał przekroczy pewien poziom x. Robi to wywoływana wewnątrz<br />
binint funkcja pdftocdf (jej opis znajduje się kilka stron dalej). Następnie zgodnie ze wzorem na<br />
schemat Bernouliego liczy prawdopodobieństwo, że M i więcej impulsów z N w paczce przekroczy<br />
poziom x. Z tak uzyskanych danych dla zadanego poziomu prawdopodobieństwa fałszywego alarmu F<br />
wyliczane są krzywe detekcji. Ponieważ rozkłady prawdopdobieństw mają postać dyskretną (zarówno<br />
zmienna losowa X, jak i odpowiadające jej wartości prawdopodobieństw zmieniają się w sposób<br />
skokowy), to aby określić prawdopodobieństwo dla x 0 o wartości z pomiędzy danych x-ów tzn.<br />
zastosowano metodę aproksymacji liniowej.<br />
x <<br />
0<br />
: x1<br />
< x0<br />
x2<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X (inaczej wektor wartości,<br />
jakie może przyjmować sygnał i szum w pojedynczym impulsie)<br />
p − macierz, w której każda kolumna jest rozkładem<br />
prawdopodobieństwa zmiennej losowej X dla pojedynczego<br />
impulsu, przy czym kolumna pierwsza jest rozkładem tylko dla<br />
szumu, zaś kolejne kolumny rozkładami sumy sygnał+szum dla<br />
różnych coraz większych wartości stosunku SYGNAŁ/SZUM<br />
N, M − parametry integratora<br />
pfalse − ustalone dopuszczalne prawdopodobieństwo fałszywego<br />
snmax<br />
alarmu<br />
− wartość maksymalnego stosunku SYGNAŁ/SZUM (dla rozkładu<br />
z ostatniej kolumny macierzy p)<br />
WYJŚCIE:<br />
sn − wektor kolumnowy stosunku SYGNAŁ/SZUM (wektor<br />
równomiernie rozłożonych wartości od zera do snmax<br />
d<br />
− wektor kolumnowy prawdopodobieństw detekcji<br />
PRZYKŁAD:<br />
Poniższa sekwencja wyliczy charakterystykę detekcji dla integratora binarnego<br />
typu 5 z 10 przy założeniu, że pojedynczy impuls ma rozkład Rice’a,<br />
maksymalny stosunek SYGNAŁ/SZUM wynosi 20, a prawdopodobieństwo<br />
fałszywego alarmu F=10 -6 . Funkcja ricepdf nie jest częścią Matlaba. Jej opis<br />
znajduje się kilka stron dalej.<br />
E=[0:0.5:20]’; x=[0:0.1:40]’;<br />
for i=1:length(E)<br />
p(:,i)=ricepdf(x, 1, E(i));<br />
end<br />
[d sn]=binint(x, p, 10, 5, 1e-6, 20);<br />
101
dbloss<br />
SKŁADNIA:<br />
d=dbloss(x1, f1x, x2, f2x, l)<br />
OPIS:<br />
Funkcja liczy różnicę w decybelach między dwoma charakterystykami detekcji dla określonego poziomu<br />
prawdopodobieństwa detekcji tzn. różnicę między stosunkami SYGNAŁ/SZUM, dla których obie krzywe<br />
mają taką samą wielkość prawdopodobieństwa detekcji. Funkcja także działa dobrze dla wszystkich<br />
krzywych niemalejących. Jeśli po wywołaniu funkcji pojawi się komunikat o błędzie i niezdefiniowaniu<br />
zmiennych i1 lub i2, oznacza to, że któryś z przebiegów dla zadanego poziomu l nie ma określonej<br />
wartości.<br />
PARAMETRY WEJŚCIOWE:<br />
x1 − wektor kolumnowy dziedziny (wartości stosunków<br />
SYGNAŁ/SZUM) pierwszej krzywej<br />
fx1 − wektor kolumnowy zbioru wartości (prawdopodobieństw<br />
detekcji) pierwszej krzywej<br />
x2, fx2 − wektory kolumnowe dziedziny i zbioru wartości drugiej krzywej<br />
l − wartość, dla której liczona jest różnica stosunków<br />
SYGNAŁ/SZUM<br />
WYJŚCIE:<br />
d<br />
− różnica w dB między stosunkami SYGNAŁ/SZUM, dla których<br />
obie krzywe mają taką samą wartość prawdopodobieństwa<br />
detekcji<br />
PRZYKŁAD:<br />
Liczona jest różnica dla dwóch różnych wartości l:<br />
x1=[1 2 3 4 5]';<br />
fx1=[1 2 3 4 5]';<br />
x2=[6 7 8 9 10]';<br />
fx2=[1 3 3 7 10]';<br />
dbloss(x1,fx1,x2,fx2,3) % ans = 3.67976785294594<br />
dbloss(x1,fx1,x2,fx2,6) % błąd, bo dla l=6 fx1 nie ma<br />
określonej wartości<br />
102
detect<br />
SKŁADNIA:<br />
[d, sn]=detect(x, p, pfalse, snmax)<br />
OPIS:<br />
Funkcja generuje charakterystyki detekcji dla pojedynczego impulsu przy zadanym poziomie<br />
prawdopodobieństwa fałszywego alarmu. Na podstawie rozkładów prawdopodobieństw sygnału dla<br />
różnych wartości stosunków SYGNAŁ/SZUM<br />
p( x E)<br />
gdzie E jest energią sygnału użytecznego, oblicza najpierw “odwrotną”<br />
dystrybuantę<br />
1− P(<br />
x E)<br />
czyli prawdopodobieństwo, że sygnał przekroczy pewien poziom x. Robi to wywoływana wewnątrz<br />
detect funkcja pdftocdf (jej opis znajduje się kilka stron dalej). Z tak uzyskanych danych dla<br />
zadanego poziomu prawdopodobieństwa fałszywego alarmu F wyliczane są krzywe detekcji. Ponieważ<br />
rozkłady prawdopdobieństw mają postać dyskretną (zarówno zmienna losowa X, jak i odpowiadające jej<br />
wartości prawdopodobieństw zmieniają się w sposób skokowy), to aby określić prawdopodobieństwo dla<br />
x 0 o wartości z pomiędzy danych x-ów tzn.<br />
x <<br />
zastosowano metodę aproksymacji liniowej.<br />
0<br />
: x1<br />
< x0<br />
x2<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X (inaczej wektor wartości,<br />
jakie może przyjmować sygnał i szum w pojedynczym impulsie)<br />
p − macierz, w której każda kolumna jest rozkładem<br />
prawdopodobieństwa zmiennej losowej X dla pojedynczego<br />
impulsu, przy czym kolumna pierwsza jest rozkładem tylko dla<br />
szumu, zaś kolejne kolumny rozkładami sumy sygnał+szum dla<br />
różnych coraz większych wartości stosunku SYGNAŁ/SZUM<br />
pfalse − ustalone dopuszczalne prawdopodobieństwo fałszywego<br />
snmax<br />
alarmu<br />
− wartość maksymalnego stosunku SYGNAŁ/SZUM (dla rozkładu<br />
z ostatniej kolumny macierzy p)<br />
WYJŚCIE:<br />
sn − wektor kolumnowy stosunku SYGNAŁ/SZUM (wektor<br />
równomiernie rozłożonych wartości od zera do snmax<br />
d<br />
− wektor kolumnowy prawdopodobieństw detekcji<br />
PRZYKŁAD:<br />
103
Poniższa sekwencja wyliczy charakterystykę detekcji dla opisanego w rozdziale<br />
pierwszym przypadku miernika wychyłowego, gdzie mierzona wielkość zmienia<br />
się od zera do 5, błąd pomiaru ma rozkład Gaussa o σ=0,2, F=10 -4 :<br />
X=[0:0.5:5]’;<br />
y=[-10:0.1:10]’;<br />
for i=1:length(X)<br />
p(:,i)=normpdf(x, X(i), 0.2);<br />
end<br />
[d sn]=detect(x, p, 1e-4, 5);<br />
104
normaliz<br />
SKŁADNIA:<br />
[p]=normaliz(x, m, 'fun', varargin)<br />
OPIS:<br />
Funkcja generuje rozkład prawdopodobieństwa zmiennej losowej Z:<br />
Z = X<br />
Y<br />
gdzie X jest zmienną losową, której rozkład tworzony jest na bazie argumentu x<br />
przez dowolną funkcję oznaczoną w składni jako fun, zaś wartości<br />
prawdopodobieństw rozkładu zmiennej Y zawiera wektor m. Wektor m może<br />
mieć inną długość niż x, ale przyjmuje się, że zmienna Y tak jak i X należy do<br />
przedziełu<br />
x<br />
min<br />
; x max<br />
.<br />
Funkcja określona jako fun musi być tak napisana, aby jej pierwszym<br />
argumentem był wektor x. Szczegóły na temat metody zastosowanej do<br />
generacji rozkładu zmiennej Z można znaleźć w rozdziale czwartym.<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X<br />
m<br />
'fun'<br />
varargin<br />
− wektor kolumnowy rozkładu zmiennej losowej Y<br />
− nazwa funkcji generującej rozkład zmiennej X<br />
− zamiast tego napisu należy podać wszystkie pozostałe<br />
argumenty (oddzielone przecinkami) dla funkcji fun<br />
WYJŚCIE:<br />
p<br />
− wektor kolumnowy opisujący rozkład zmiennej losowej Z<br />
PRZYKŁAD:<br />
Sekwencja na następnej stronie wyliczy rozkłady prawdopodobieństwa sygnału<br />
za układem CFAR dla N=16. Moc sygnału zmienia się od zera do 20.<br />
x=linspace(0,40,1024)';<br />
m=sumpdf(linspace(0,40,8192)',<br />
raylpdf(linspace(0,40,8192)',1),16);<br />
for A=0:0.25:20<br />
n(:,A)=normaliz(x, m,'ricepdf', 1, A);<br />
105
end<br />
106
pdftocdf<br />
SKŁADNIA:<br />
[c]=pdftocdf(x, p, 'fwd')<br />
[c]=pdftocdf(x, p, 'inv') lub [c]=pdftocdf(x, p)<br />
OPIS:<br />
Funkcja na podstawie rozkładu prawdopodobieństwa generuje dystrybuantę<br />
zmiennej losowej X:<br />
P(x)<br />
lub krzywą<br />
1− P(<br />
x)<br />
określającą prawdopodobieństwo, że zmienna losowa będzie większa od<br />
wartości x. Z uwagi na to, że zarówno zmienna losowa x, jak i odpowiadające<br />
jej wartości prawdopodobieństw zmieniają się w sposób skokowy dystrybuanta<br />
liczona jest nie poprzez całkowanie (np. metodą trapezów) ale jako suma<br />
kumulatywna wartości wektora p(x) pomnożona przez krok, co jaki zmieniają się<br />
wartości wektora x. Sumę kumulatywną liczy bardzo szybka wbudowana<br />
funkcja MATLAB’a cumsum. W celu szybkiego wyliczenia krzywej 1-P(x)<br />
zastosowano przed i po wywołaniu cumsum funkcję flipud odwracającą<br />
kolejność danych w wektorze.<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X<br />
p<br />
‘fwd’<br />
‘inv’<br />
− wektor kolumnowy funkcji gęstości prawdopodobieństwa p(x).<br />
Jeśli argument p jest macierzą, to jej kolumny są traktowane<br />
jako rozkłady warunkowe tej samej zmiennej losowej X<br />
− liczona jest dystrybuanta zmiennej losowej X: P(x)<br />
− liczona jest "odwrotna" dystrybuanta tzn. 1-P(x). Niepodanie<br />
parametru jest równoważne podaniu 'inv'<br />
WYJŚCIE:<br />
107
c<br />
− "prosta" lub "odwrotna" dystrybuanta zmiennej X (wektor<br />
kolumnowy lub macierz, jeśli argument wejściowy p jest<br />
macierzą)<br />
PRZYKŁAD:<br />
Poniższa sekwencja wyliczy i wykreśli dystrybuantę standardowego rozkładu<br />
normalnego:<br />
x=[0:0.5:5]’;<br />
p=normpdf(x, 0, 1);<br />
c=pdftocdf(x, p, 'fwd');<br />
108
icepdf<br />
SKŁADNIA:<br />
[p]=ricepdf(x, sigma, A)<br />
OPIS:<br />
Funkcja generuje rozkład prawdopodobieństwa Rice’a o parametrach σ<br />
oraz A zgodnie z poniższym wzorem:<br />
2 2<br />
x x + A xA<br />
p x)<br />
= exp( − ) ⋅ I<br />
0<br />
( ), x<br />
2<br />
σ 2σ<br />
σ<br />
( ><br />
2 2<br />
gdzie I<br />
0<br />
jest zmodyfikowaną funkcją Bessela pierwszego rodzaju zerowego rzędu. W funkcji zmieniono<br />
odpowiednio kolejność obliczeń tak, aby dla dużych x-ów nie dochodziło do liczenia iloczynu " 0 ⋅ ∞"<br />
W<br />
przypadku, gdy A=0 wzór znacznie się upraszcza:<br />
2<br />
x x<br />
p x)<br />
= exp( − ), x<br />
σ 2σ<br />
( ><br />
2 2<br />
Opisuje on funkcję gęstości prawdopodobieństwa Rayleya.<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X<br />
0<br />
0<br />
sigma, A<br />
− parametry rozkładu: σ, A<br />
WYJŚCIE:<br />
p<br />
− wektor kolumnowy opisujący rozkład zmiennej losowej X<br />
PRZYKŁAD:<br />
Następująca sekwencja wygeneruje i wykreśli rozkład Rice’a o parametrach σ=1 oraz A=5:<br />
x=[0:0.01:10]’;<br />
p=ricepdf(x, 1, 5);<br />
plot(x,p);<br />
109
sqrtpdf<br />
SKŁADNIA:<br />
[p]=sqrtpdf(x, 'fun1', 'fun2', varargin)<br />
[p]=sqrtpdf(x, '', '', mu1, mu2, sigma1, sigma2)<br />
OPIS:<br />
Funkcja generuje rozkład prawdopodobieństwa zmiennej losowej Z:<br />
2<br />
Z = X +<br />
gdzie X jest zmienną losową, której rozkład tworzony jest na bazie argumentu x<br />
przez dowolną funkcję oznaczoną w składni jako fun1, zaś Y analogicznie<br />
przez funkcję oznaczoną w składni jako fun2. Obie funkcje muszą być tak<br />
napisane, aby ich pierwszym argumentem był wektor x. W przypadku<br />
niepodania nazw funkcji (drugi sposób wywołania) zmienne X i Y będą miały<br />
rozkład Gaussa o parametrach:<br />
X: µ X =mu1, σ X =sigma1<br />
Y: µ Y =mu2, σ Y =sigma2<br />
Szczegóły na temat metody zastosowanej do generacji rozkładu zmiennej Z<br />
można znaleźć w rozdziale czwartym.<br />
Y<br />
2<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X i Y<br />
'fun1'<br />
'fun2'<br />
varargin<br />
− dowolna nazwa istniejącej funkcji generującej rozkład zmiennej<br />
X<br />
− jak wyżej dla rozkładu zmiennej Y<br />
− zamiast tego napisu należy podać wszystkie pozostałe<br />
argumenty (oddzielone przecinkami) dla funkcji fun1 i fun2<br />
kolejno: arg1_fun1, arg1_fun2, arg2_fun1, arg2_fun2, ...<br />
WYJŚCIE:<br />
p<br />
− wektor kolumnowy wartości prawdopodobieństw dla rozkładu<br />
zmiennej losowej Z (wartości zmiennej Z opisuje wektor x)<br />
PRZYKŁAD:<br />
Poniższa sekwencja wyliczy i wykreśli rozkład Rice’a o parametrach σ=1 oraz A=5. Jest równoważna<br />
przykładowi podanemu dla funkcji ricepdf.<br />
x=[0:0.01:10]’;<br />
110
p=sqrtpdf(x, 'normpdf', 'normpdf', 0, 5, 1, 1);<br />
plot(x,p);<br />
111
sumpdf<br />
SKŁADNIA:<br />
[py y]=sumpdf(x, px, N, 'mean') lub [py y]=sumpdf(x, px, N)<br />
[py y]=sumpdf(x, px, N, 'sum')<br />
OPIS:<br />
Funkcja generuje rozkład prawdopodobieństwa zmiennej losowej będącej sumą N<br />
niezależnych zmiennych losowych X o takich samych rozkładach. W zależności od<br />
tego, jaki podano czwarty argument funkcji, generuje ona rozkład średniej<br />
opisany poniższym wzorem<br />
N<br />
1<br />
Y = ∑ X − gdy podano 'mean'<br />
N<br />
lub rozkład sumy zmiennych X:<br />
Y<br />
=<br />
N<br />
∑<br />
i=<br />
1<br />
i=<br />
1<br />
X<br />
−<br />
dla czwartego argumentu 'sum'<br />
W celu przyspieszenia obliczeń zamiast N-razy liczyć splot zastosowano<br />
przejście przez funkcję charakterystyczną, która równa jest transformacie<br />
Fouriera z rozkładu prawdopodobieństwa. Funkcja sumpdf najpierw za<br />
pomocą metody FFT liczy dyskretną transformatę Fouriera o ilości<br />
punktów N razy długość wektora x, następnie podnosi do N-tej potęgi i<br />
liczy odwrotną DTF. W zależności od tego, czy liczony jest rozkład<br />
średniej, czy sumy wykonywane jest odpowiednie skalowanie wyników<br />
przez N.<br />
PARAMETRY WEJŚCIOWE:<br />
x<br />
− wektor kolumnowy zmiennej losowej X<br />
px<br />
N<br />
‘mean’<br />
‘sum’<br />
− wektor kolumnowy funkcji gęstości prawdopodobieństwa p(x)<br />
− liczba sumowanych zmiennych losowych<br />
− funkcja wygeneruje rozkład średniej<br />
− funkcja wygeneruje rozkład sumy. Parametr ten jest opcjonalny.<br />
Niepodanie go jest równoważne podaniu 'mean'<br />
WYJŚCIE:<br />
py<br />
y<br />
− wektor kolumnowy opisujący rozkład zmiennej losowej Y<br />
− wektor kolumnowy zmiennej losowej Y<br />
112
PRZYKŁAD:<br />
Następująca sekwencja wygeneruje rozkład estymatora wartości średniej dla N=10 pomiarów, gdzie<br />
mierzona wartość przyjmuje wartości od zera do 10:<br />
x=[0:0.01:10]’;<br />
px=ones(length(x),1).*0.1<br />
[py y]=sumpdf(x, px, 10, 'mean');<br />
plot(x,px, y, py);<br />
113
DODATEK B:<br />
KODY ŹRÓDŁOWE FUNKCJI SŁUŻĄCYCH DO<br />
ANALIZY DETEKTORÓW CYFROWYCH<br />
binint.m<br />
function [d, sn]=binint(x, p, N, M, pfalse, snmax)<br />
%<br />
%[d, sn]=binint(x, p, N, M, pfalse, snmax)<br />
%<br />
% Generuje charakterystyke detekcji, czyli wykres prawdopodobienstwa<br />
% detekcji od stosunku SYGNAL/SZUM dla ukladu integratora binarnego<br />
% (integratora typu M z N), przy zadanym poziomie prawdopodobienstwa<br />
% falszywego alarmu<br />
%<br />
% PARAMETRY WEJSCIOWE:<br />
% x - zmienna losowa X (wektor kolumnowy), czyli wektor<br />
% wartosci, jakie moze przyjmowac sygnal i szum w<br />
% pojedynczym impulsie<br />
% p - macierz, w ktorej kazda kolumna jest rozkladem<br />
% prawdopodobienstwa zmiennej losowej X dla pojedynczego<br />
% impulsu, przy czym kolumna pierwsza jest rozkladem<br />
% tylko dla szumu, zas kolejne kolumny rozkladami<br />
% sumy sygnal+szum dla roznych coraz wiekszych wartosci<br />
% stosunku SYGNAL/SZUM<br />
% N, M - parametry integratora binarnego (M z N)<br />
% pfalse - ustalone dopuszczalne prawdopodobienstwo falszywego<br />
% alarmu<br />
% snmax - warotsc maksymalnego stosunku SYGNAL/SZUM (dla<br />
% rozkladu z ostatniej kolumny macierzy 'p')<br />
% WYJSCIE:<br />
% sn - wektor kolumnowy stosunku SYGNAL/SZUM (wektor<br />
% rownomiernie rozlozonych wartosci od zera do 'snmax'<br />
% d - wektor kolumnowy prawdopodobienst detekcji<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
%tic<br />
if (N
for i=1:siz(1)<br />
for j=1:siz(2)<br />
p_out=0;<br />
%p_out=sum(binopdf([M:1:N]', N, p(i,j)));<br />
for k=M:N<br />
p_out=p_out+(nchoosek(N,k).*(p(i,j).^k).*((1-p(i,j)).^(Nk)));<br />
end<br />
p(i,j)=p_out;<br />
%i<br />
end<br />
end<br />
for i=1:siz(1)-1<br />
if p(i,1)>pfalse & p(i+1,1)
% niezdefiniowana, to oznacza, ze ktorys z przebiegow<br />
% dla zadanego poziomu 'l' nie ma okreslonej wartosci<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
len=length(f1x);<br />
for i=1:len-1<br />
if f1x(i,1)=l<br />
i1=i;<br />
i2=i+1;<br />
break;<br />
end<br />
end<br />
a=(f1x(i2,1)-f1x(i1,1))./(i2-i1);<br />
b=f1x(i2,1)-a.*i2;<br />
xx=(l-b)./a;<br />
a=(x1(i2,1)-x1(i1,1))./(i2-i1);<br />
b=x1(i1,1)-a.*i1;<br />
d1=a.*xx+b;<br />
len=length(f2x);<br />
for i=1:len-1<br />
if f2x(i,1)=l<br />
i1=i;<br />
i2=i+1;<br />
break;<br />
end<br />
end<br />
a=(f2x(i2,1)-f2x(i1,1))./(i2-i1);<br />
b=f2x(i2,1)-a.*i2;<br />
xx=(l-b)./a;<br />
a=(x2(i2,1)-x2(i1,1))./(i2-i1);<br />
b=x2(i1,1)-a.*i1;<br />
d2=a.*xx+b;<br />
d1, d2<br />
d=abs(10*log10(d2)-10*log10(d1));<br />
detect.m<br />
function [d, sn]=detect(x, p, pfalse, snmax)<br />
%<br />
%[d, sn]=detect(x, p, pfalse, snmax)<br />
%<br />
% Generuje charakterystyke detekcji, czyli wykres prawdopodobienstwa<br />
% detekcji od stosunku SYGNAL/SZUM dla sygnalu ukrytego w szumie,przy<br />
% zadanym poziomie prawdopodobienstwa falszywego alarmu<br />
%<br />
% PARAMETRY WEJSCIOWE:<br />
% x - zmienna losowa X (wektor kolumnowy), czyli wektor<br />
% wartosci, jakie moze przyjmowac sygnal i szum<br />
% p - macierz, w ktorej kazda kolumna jest rozkladem<br />
% prawdopodobienstwa zmiennej losowej X, przy czym<br />
% kolumna pierwsza jest rozkladem tylko dla szumu, zas<br />
% kolejne kolumny rozkladami sumy sygnal+szum dla<br />
% roznych coraz wiekszych wartosci stosunku SYGNAL/SZUM<br />
% pfalse - ustalone dopuszczalne prawdopodobienstwo falszywego<br />
% alarmu<br />
% snmax - warotsc maksymalnego stosunku SYGNAL/SZUM (dla<br />
% rozkladu z ostatniej kolumny macierzy 'p')<br />
116
% WYJSCIE:<br />
% sn - wektor kolumnowy stosunku SYGNAL/SZUM (wektor<br />
% rownomiernie rozlozonych wartosci od zera do 'snmax'<br />
% d - wektor kolumnowy prawdopodobienst detekcji<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
tic<br />
p=pdftocdf(x, p);<br />
siz=size(p);<br />
for i=1:siz(1)-1<br />
if p(i,1)>pfalse & p(i+1,1)
% fun - nazwa funkcji generujacej rozklad zmiennej X<br />
% varargin - dodatkowe argumenty funcji 'fun'<br />
% (pierwszym parametrem, ktorego sie tu nie podaje jest<br />
% zawsze 'x')<br />
% WYJSCIE:<br />
% p - wektor kolumnowy opisujacy rozklad zmiennej losowej Z<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
X=linspace(x(1),x(length(x)),length(m))';<br />
MX=m.*X;<br />
Z=zeros(length(m),1);<br />
p=zeros(length(x),1);<br />
%tic<br />
for i=1:length(x)<br />
Z=feval(fun, x(i,1).*X, varargin{:});<br />
Z=Z.*MX;<br />
p(i,1)=trapz(X,Z);<br />
%i<br />
end<br />
%toc<br />
pdftocdf.m<br />
function [c]=pdftocdf(x, p, todo)<br />
%<br />
%[c]=pdftocdf(x, p, 'fwd')<br />
%[c]=pdftocdf(x, p, 'inv') lub [c]=pdftocdf(x, p)<br />
%<br />
% Generuje dystrybuante zmiennej losowej X: P(x) lub<br />
% "odwrotna" dystrybuante tzn. 1-P(x)<br />
%<br />
% PARAMETRY WEJSCIOWE:<br />
% x - wektor kolumnowy zmiennej losowej X<br />
% p - wektor kolumnowy funkcji gestosci<br />
% prawdopodobienstwa p(x).<br />
% Jesli argument 'p' jest macierza, to jej kolumny sa<br />
% traktowane jako rozklady warunkowe tej samej<br />
% zmiennej losowej X<br />
% 'fwd' - liczona jest dystrybuanta zmiennej losowej X: P(x)<br />
% 'inv' - liczona jest "odwrotna" dystrybuanta tzn. 1-P(x).<br />
% Niepodanie parametru jest rownowazne podaniu 'inv'<br />
% WYJSCIE:<br />
% c - "prosta" lub "odwrotna" dystrybuanta zmiennej X<br />
% (wektor kolumnowy lub macierz, jesli argument<br />
% wejsciowy 'p' jest macierza)<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
%tic<br />
if exist('todo')==0 | isempty(todo)<br />
todo='inv';<br />
end<br />
step=abs(x(2)-x(1));<br />
if strcmp(todo, 'inv')<br />
118
p=flipud(p);<br />
c=cumsum(p).*step;<br />
c=flipud(c);<br />
else<br />
c=cumsum(p).*step;<br />
end<br />
%toc<br />
ricepdf.m<br />
function [p]=ricepdf(x, sigma, A)<br />
%<br />
%[p]=ricepdf(x, sigma, A)<br />
%<br />
% Generuje funkcje gestosci prawdopodobienstwa Rice'a<br />
% (lub Rayley'a, jesli A=0) zgodnie ze wzorem:<br />
%<br />
% p(x)=x/sigma^2 * exp(- x^2+A^2/2sigma^2) * I (xA/sigma^2)<br />
% 0<br />
% PARAMETRY WEJSCIOWE:<br />
% x - wektor kolumnowy zmiennej losowej X<br />
% sigma, A - parametry rozkladu<br />
%<br />
% WYJSCIE:<br />
% p - wektor kolumnowy opisujacy rozklad zmiennej losowej X<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
%tic<br />
%p=(x./(sigma.^2)).*exp(-<br />
((x.^2)+(A.^2))./(2.*sigma.^2)).*besseli(0,(x.*A)./(sigma.^2));<br />
p=(x./(sigma.^2)).*exp((-(x.^2)+2.*A.*x)./(2.*sigma.^2)).*exp(-<br />
(A.^2)./(2.*sigma.^2));<br />
p=p.*besseli(0,(x.*A)./(sigma.^2),1);<br />
%for i=1:length(p)<br />
% if isnan(p(i)) | isinf(p(i))<br />
% p(i)=0;<br />
% end<br />
%end<br />
%toc<br />
sqrtpdf.m<br />
function [p]=sqrtpdf(x, fun1, fun2, varargin)<br />
%<br />
%[p]=sqrtpdf(x, 'fun1', 'fun2', varargin)<br />
%[p]=sqrtpdf(x, '', '', mu1, mu2, sigma1, sigma2)<br />
%<br />
% Generuje funkcje gestosci prawdopodobienstwa zmiennej losowej<br />
% Z = sqrt( X.^2 + Y.^2 ), gdzie:<br />
% X: zmienna losowa o rozkladzie tworzonym na bazie parametru 'x'<br />
% przez funkcje 'fun1'<br />
% Y: jak wyzej, rozklad tworzony przez 'fun2' na bazie<br />
% parametru 'x'<br />
% Zastosowano metode przejscia przez rozklad dwuwymiarowy tzn.<br />
% /<br />
% f(z)=|f(x,y)dy, zas<br />
% /<br />
% f(x,y)=f(x1*cos y1)*f(x1*sin y1)*|x1| jesli zmienne sa niezalezne.<br />
119
% Skorzystano przy tym z przeksztalcenia g:R^2-->R^2 jak ponizej:<br />
% z = sqrt(x.^2+y.^2) ---\ x = z*cos fi<br />
% fi = arctan(y/x) ---/ y = z*sin fi<br />
%<br />
% PARAMETRY WEJSCIOWE:<br />
% x - wektor kolumnowy zmiennej losowej X i Y<br />
% fun1 - nazwa funkcji generujacej rozklad zmiennej X<br />
% fun2 - nazwa funkcji generujacej rozklad zmiennej Y<br />
% varargin - dodatkowe parametry dla 'fun1' i 'fun2'<br />
% (kolejno arg1_fun1, arg1_fun2, arg2_fun1, ...)<br />
% pierwszym parametrem 'fun1' i 'fun2' jest zawsze 'x'<br />
% Jesli skorzysta sie z drugiej metody wywolania funkcji tzn. nie<br />
% poda sie 'fun1' i 'fun2', wowczas zmienne losowe X i Y beda mialy<br />
% rozklad Gaussa o parametrach kolejno mu1, sigma1 oraz mu2, sigma2<br />
%<br />
% WYJSCIE:<br />
% p - wektor kolumnowy opisujacy rozklad zmiennej losowej Z<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
%tic<br />
FILEN=256;<br />
fi=linspace(0,2*pi,FILEN)';<br />
Z=zeros(length(x),1);<br />
p=zeros(length(x),1);<br />
if isempty(fun1) | isempty(fun2)<br />
for i=1:length(x)<br />
Z=(exp(-0.5.*(varargin{3}.^(-2)).*((x(i,1).*cos(fi))-<br />
varargin{1}).^2)./(sqrt(2*pi).*varargin{3})).*(exp(-<br />
0.5.*(varargin{4}.^(-2)).*((x(i,1).*sin(fi))-<br />
varargin{2}).^2)./(sqrt(2*pi).*varargin{4})).*abs(x(i,1));<br />
p(i,1)=trapz(fi,Z);<br />
end<br />
else<br />
for i=1:length(x)<br />
Z=feval(fun1, x(i,1).*cos(fi),<br />
varargin{1:2:length(varargin)}).*feval(fun2, x(i,1).*sin(fi),<br />
varargin{2:2:length(varargin)}).*abs(x(i,1));<br />
p(i,1)=trapz(fi,Z);<br />
end<br />
end<br />
%toc<br />
sumpdf.m<br />
function [py, y]=sumpdf(x, px, N, todo)<br />
%<br />
%[py y]=sumpdf(x, px, N, 'mean') lub [py y]=sumpdf(x, px, N)<br />
%[py y]=sumpdf(x, px, N, 'sum')<br />
%<br />
% Generuje funkcje gestosci prawdopodobienstwa zmiennej losowej<br />
% bedacej suma N tych samych zmiennych losowych X:<br />
% N<br />
% Y = sum(X)<br />
% i=1<br />
%<br />
% lub zmienna bedaca estymatorem wartosci sredniej tzn. jesli<br />
% X - zmienna losowa wejsciowa, to<br />
120
% N<br />
% Y = 1/N * sum(X)<br />
% i=1<br />
%<br />
% Zeby przyspieszyc obliczenia dla duzego N zastosowano przejscie<br />
% przez funkcje tworzaca rozkladu<br />
%<br />
% PARAMETRY WEJSCIOWE:<br />
% x - wektor kolumnowy zmiennej losowej X<br />
% px - wektor kolumnowy funkcji gestosci<br />
% prawdopodobienstwa p(x)<br />
% N - patrz wzor na Y<br />
% 'mean'<br />
% 'sum' - okresla, czy funkcja wygeneruje rozklad sredniej<br />
% ('mean'), czy sumy ('sum') zmiennych losowych.<br />
% Parametr ten jest opcjonalny. Niepodanie go jest<br />
% rownowazne podaniu 'mean'<br />
% WYJSCIE:<br />
% py - wektor kolumnowy opisujacy rozklad zmiennej losowej Y<br />
% y - wektor kolumnowy zmiennej losowej Y<br />
%<br />
% Sprawdzone w srodowisku MATLAB 5.x<br />
%<br />
%tic<br />
if exist('todo')==0 | isempty(todo)<br />
todo='mean';<br />
end<br />
step=x(2)-x(1);<br />
PX=fft(px,length(px).*N);<br />
PY=PX.*step;<br />
PY=PY.^(N-1);<br />
PY=PY.*PX;<br />
if strcmp(todo, 'mean')<br />
y=x;<br />
py=N.*abs(ifft(PY));<br />
else<br />
y=x.*N;<br />
py=abs(ifft(PY));<br />
end<br />
%decimate 'py' N times<br />
py=py(1:N:length(py));<br />
%toc<br />
121
LITERATURA:<br />
1. Brandt S.: "Analiza danych - metody statystyczne i obliczeniowe", PWN,<br />
Warszawa 1998<br />
2. Czekała Z.: "Parada radarów", Dom Wydawniczy BELLONA, Warszawa 1999<br />
3. Hellwig Z.: "Elementy rachunku prawdopodobieństwa i statystyki<br />
matematycznej", PWN, Warszawa 1980, wydanie dziewiąte<br />
4. Helstrom C. W.: "Statystyczna teoria detekcji", WNT, Warszawa 1964<br />
5. Kącki T., Szyszkiewicz J., Majewski T., Słomiński L.: "Statystyczna teoria<br />
radiolokacji", Wydział Wydawniczy WAT, Warszawa 1966<br />
6. Knoch L., Ekiert T.: "Modulacja i detekcja", WKŁ, Warszawa 1979<br />
7. Mrozek B., Mrozek Z.: "MATLAB, uniwersalne środowisko do obliczeń<br />
naukowo-technicznych", Wydawnictwo PLJ, Warszawa 1996<br />
8. Pacut A.: "Prawdopodobieństwo - teoria, modelowanie probabilistyczne w<br />
technice", WNT, Warszawa 1985<br />
9. Papoulis A.: "Prawdopodobieństwo, zmienne losowe i procesy stochastyczne",<br />
WNT, Warszawa 1972<br />
10. Seidler J.: "Statystyczna teoria odbioru sygnałów", PWN, Warszawa - Wrocław<br />
1963<br />
11. Skolnik M. I.: "Radar Handbook", Mc Graw-Hill, New York 1970<br />
12. Smirnow N. W., Dunin-Barkowski I. W.: "Kurs rachunku prawdopodobieństwa i<br />
statystyki matematycznej dla zastosowań technicznych", PWN, Warszawa<br />
1969, wydanie drugie<br />
13. Szabatin J.: "Podstawy teorii sygnałów", WKŁ, Warszawa 1982<br />
14. MATLAB 5.2 User’s Guide<br />
122