1.

Detekcija
Izvor (predajnik)

medijum prijemnik

Prostor dogaanja poruka

Prostor signala

Prostor opaanja/ mjerenja

Prostor odluka

Jednozrano Preslikavanje

vjerovatnoa prelaska

prostor odluivanje

Opti model detekcije/odluivanja Izvor medijum prijemnik

Model: - iz konanog skupa moguih poruka/dogaaja, prostor dogaanja (event space), izvor emituje jednu u trejanju simbola - jednoznano se predstavlja signal (iz prostora signala) i emituje (moe i nekoliko sukcesivnih poruka) predstaviti jednim signalom bitna jednoznanost Vjerovatnoe pojedinih poruka mogu biti poznate na prijemu / ali ne moraju
+

Medij / kanal smetnja/ Signal je podvrgnutprobablistikoj transformaciji opisana: - vjerovatnoom

- gustinom vjerovatnoe odgovarajuih skupova signala Skup primljenih signala: prostor opaanja/mjerenja (Observation) prijemink: na osnovu pravila odluivanja (decision rule) primljenom signalu pridruuje se jedan od moguih simbola (poruka) u prostoru. odluka problem detekcije: singularan:

neka oblast za koju je vjerovatnoa hipotza nenulta

ostale ?????

Oblast preklapanja Greke cijena greke Odreuje kriterije (zavisno od podataka ,cilja)

Odluka o hipotezama i odabiranju hipoteza. Na osnovu Jednog mjerenja Na osnovu viestrukog mjerenja

Primjer I : Gaussova raspodjela sa srednjom vrijednou -mo Uz iste varijanse -m1 jednostavna (hipoteza) Primjer II: binarni prijenos u osnovnom opsegu - u prisustvu n(t)/Gaussov um - neka je jedan nivo / Bit 0 / mo= 0 - neka je drugi nivo nepoznat / m1 / alternativna hipoteza: Gaussova raspodjela nepoznate srednje vrijednosti Sloena (Composite) hipoteza Mogue je da obadvije hipoteze budu sloene (nepoznato mo ili je nepoznata i snaga uma) Zakljuak: kod sloenih hipoteza mogu se znati tipovi gustine raspodjele i neki njihovi parametri (ali ne svi) ili se ak ne znaju ni tipovi raspodjele.

Model optimalnog pravila odluivanja/detekcije - mogu da budu poznate apriorne vjerovatnoe: hipoteze (binarne ili viestruke) - gustine vjerovatnoe pod pojedinim hipotezama (jednostavne - poznati svi parametri) - cijene greaka (ili ak i cijene za sluaj kada nema greaka pri odluivanju) implicira: razliite kriterijume odluivanja: 1. Jedno osmatranja - Bajesov kriterijum - Kriterijum maksimalne aposteriorne vjerovatnoe i maksimalne vjerodostojnosti (najboljeg izbora), - Minimaksni kriterijum - Nejman- Pirsonov kriterijum 2. Odluivanje na osnovu viestrukog osmatranja / koncept prostih hipoteza gdje se posmatraju binarne odluke 3. Viestruke/alternativne hipoteze 4. Sekvencijalno odluivanje 5. Sloene hipoteze 2. ELEMENTI ESTIMACIJE Prethodno razmatranje: odluivanje (detekcija) Naredni korak: procjena (estimacija) parametara signala u umu.

Model estimacije:
Izvor predajnik Medij

Prijemnik

Prostor parametara

Prostor(opa anja) mjerenja

Prostor procjene

Prbabilsticko preslikavanje

Pravilo procijene

Prostor parametara: - skalaran - viedimenzionalan (vektor)

: sluajna promjenjiva
Q1 Q Prostor parametra um X(Q)1 X(Q) Prostor opaanja Vektor Promijena

Pitanje : koje pravilo estimacije (procjene) izabrati da bi se dobila optimalna procjena vrijednosti nepoznatog parametra. ... Daje se procjena vrijednosti Q (X)

Izbor pravila: - dostupni podatci - elje posmatraa

situacije

1. Diskretni sluajni proces koji se posmatra ima poznatu gustinu vjerovatnoe i M nepoznatih parametara Q(Q1,Q2, ...QM , )

2. Poznato je n uzoraka sluajnog procesa u prostoru opaanja (predpostavlja se da se osobine procesa ne mjenjaju u toku intervala posmatranja) 3. Definisan je prostor parametara dimenzije M 4. Poznata je gustina vjerovatnoe W( Q ) definisana u prostoru parametara 5. za svaku sekvencu mjerenja (vektor X ) vektor parametara ( Q ) i procjenu parametara Q( X ) poznata je skalarna funkcija cijene. C Q,Q( X ) U zavisnosti od dostupnih podataka mogu se primjenjivati razliiti kriterijumi:

I. Bajesov kriterijum ( minimalna srednja cijena) Ukoliko se ne raspolae sa svih pet nabrojanih tipova podataka II. Ako nedostaje gustina vjerovatnoe moe se primjeniti minimaksni kriterijum. III. Ako se ne poznaju niti cijene ( dostupna samo prva tri tipa podataka) Moe se primjeniti kriterijum maksimalne vjerodostojnosti (najboljeg izbora) parametarska procjena parametra.
suprotno: neparametarska procjena parametra (ne poznaje se ni tip gustine vjerovatnoe sluajnog procesa) IV. Poznaje se ipak originalna gustina vjerovatnoe i zna se da se samo malo modifikovana (kontaminirana ) umom Robusna procjena izmjenjeni repovi raspodjele Zakljuak o teoriji detekcije i estimacije Osnova: Midlton, An introdution to statistical communication theory 1958 god. dobre osobine slabosti

teorije detekcije i estimacije I 1. Pristup veoma generalan -koristi sve raspoloive informacije

-ukljuuje posmatraevo neznanje (kroz gustine vjerovatnoe parametara ili apriorne vjerovatnoe parametara ili apriorne vjerovatnoe hipoteze ) -dovodi do optimalne strukture sistema: - daje procjenu performansi optimalnog sistema i kvantitativnu metodu za poreenje stvarnih sistema sa teorijskim optimalnim: - suboptimalni Prijemnici -realni Konkretno rijeavaju probleme II- izvjesna proizvoljnost u pripisivanju cijena odlukama - obino su i apriorne informacije nedovoljne i izbor kriterija moe biti proizvoljan (proizvoljnost cijena) nije toliko kritino u telekomunikacijama konano: teorija omoguava unificiran, ali pomalo i ogranien pristup kvantitativnoj teoriji optimalnosti procjene i poreenja sistema. metoda zavisi od posmatraa. 3. OPTIMALNI PRIJEMNIK Cilj : - prikaz direktne primjene rezultata statistike teorije detekcije u telekomunikacijama - sinteza na osnovu izloene teorije, optimalni digitalnih telekomunikacionih sistema 3.1 odluivanje na osnovu viestrukog osmatranja Model : 1. donoenje odluke na osnovu viestrukih osmatranja Posmatraju se sluajne promjenjive: 1 , 2 ,..., n koje mogu da predstavljaju sukcesivna mjerenja:

-iste veliine -istovremeno mjerenje razliitih veliina, ili -kombinacija ove dvije mogunosti 2.dobijeni rezultat mjerenja : Vektor X ( x1 , x2 ,..., xn ) 3. pod hipotezama posmatraju se zdruene gustine vjerovatnoe: W0 ( X ) = W0 ( x1 , x2 ,..., xn ) i

W1 ( X ) = W1 ( x1 , x2 ,..., xn ) Ako ove gustine ne sadre nikakve nepoznate parametre tada se opet radi o prostim hipotezama (jednostavnim) 4. i dalje e biti posmatrane binarne odluke. Moe se proiriti teorija na sluaj viestrukih hipoteza. Za ovakve gustine vjerovatnoe moe se nai odnos vjerodostojnosti (najboljeg izbora) W (X ) ( X ) = 1 W0 ( X ) Ovaj kolinik za svaki skup izvrenih mjerenja je nenegativni skalar.
Numerika vrijednost koja se dobije kada se u izraz zamijene konkretno izmjerene vrijednosti (za W0 ( X ) = 0 singularni sluaj) Na osnovu poznatih veliina i usvojenih kriterija mogu se izarunati odgovarajui pragovi vjerodostojnosti. Poreenjem sa tim pragovima

 ( x1 , x2 ,..., xn )

H 1 > < H 0

Biraju odgovarajue hipoteze . Parg 0 moe biti odreen po Bajesovom minimaksnom, Nplman - Pirsonovom kriteriju, ili na drugi nain Umjesto primjera za ( X ) gdje se vri direktno poreenje vjerodostojnosti sa pragom, moe se koristiti i bilo koja druga monotona funkcija ove veliine. G =G ( X )
Najee se koristi logoritamska funkcija, logoritamski kolinik vjerodostojnosti (logarithmic likelihood ratio) L( X ) = ln ( X ) Primjer : posmatra se binarni prenos u aditivnom bijelom Gassovom umu n (t ) = 0; 2 = 1 Bit 0 : tri sukcesivna impulsa amplitude -1 (-1,-1,-1) Bit 1: +1, +1,+1 / tri impulsa 1 P(0) =P(1)= 2 Na svaki impuls se superponiraju nezavisne vrijednosti uma n1, n2 i n3 . Prema tome: primljenje vrijednosti x1, x2, x3 predstavljaju superpoziciju -1 ili 1 sa ni.

Odgovarajue vjerovatnoe pod hipotenuzama su :

W0 ( x1 , x2 , x3 ) =
i =1 3

1 e 2

Wn ( x1 , x2 , x3 ) =
i =1

2 =1 2 ( xi 1) 1 2 e 2

( xi +1)2
2

Pretpodstavlja se: cijene greaka meusobno jednake i poto su hipoteze podjednako vjerovatne, primjenjeno pravilo maximalne vjerodostojnosti (najboljeg izbora)

W1 ( x1 , x2 , x3 )

> H1 < H0

Wo ( x1 , x2 , x3 ) / log

H > 0 zbog znaka (-1 u exponatu) ( xi 1) ( xi + 1) < i =1 <H H 1 1

3 2

> 0

Radi se o euklidskim rastojanjima primljenog vektora (take) od taaka (-1,-1,-1), (1,1,1)

( xi 1) 2 > ( xi + 1) 2 < 2 > 2 xi 2 xi + 1 < xi + 2 xi + 1 H > 1 3 T = xi 0 ( x1 + x2 + x3 = 0) i =1 < H0

Novi aspekt gledanja: ravan x1 + x2 + x3 = 0 daje oblast dijeljena na dvije oblasti odluivanja. (upravna na du koja spaja take (-1,-1,-1,) i (1,1,1) Na slian nain tretira se i sluaj : Kada se vri mjerenje u veem broju taaka / kada se jedan bit prenosi sa vie sukcesivnih impulsa. Ovo se moe shavtiti i kao zatitno kodiranje trostrukim ponavljanjem : vjerovatnoe greke pri ovakvom odluivanju su : 1 1 Pe = P ( H 0 H1 ) + P ( H1 H 0 ) = P ( H1 H 0 ) = P ( H 0 H1 ) 2 2 = P (T > 0 H 0 ) =

1 2
2 3

( t + m3 )2
2 2 3

dt = 0,042

2 1 1 1 3 m = = = 1 + 1 + 1 = 3 3 3

sabiraju se srednje vrijednosti

nezavisni procesi (sabiraju se i2 )

Pitanje: ta bi bilo da je koriteno odluivanje koje se esto primjenjivalo, pri FEC-u, ponavljanjem (naputen princip) O svakom impulsu bi se posebno odluivalo i odluka donosila majoritetnom logikom. Greka bi bila: ako bi od tri primljena impulsa za dva donijeta pogrena odluka. Ako je vjerovatnoa greke po jednom impulsu P

P=
0

1 ( x +1)2 e dx = 0,1587 2

Tada se vjerovatnoa greke za bit kodovan trostrukim ponavljanjem Pe = P 3 + 3P 2 (1 p ) = 0,0675

Posljedica subtimalne strategije: Tvrdo ( hard) odluivanje Predhodni sluaj Pe=0,042: Mehko (soft) odluivanje Za n=2 (mjere se samo dvije vrijednosti)

3.2 Primjer optimalne sinteze Objanjeno odluivanje na osnovu viestrukog osmatranja , primjer 1; (1,1,1) i 0: (-1,-1,-1,) Po tri impulsa Problematski se posmatra sljedei model:

- koriste se dva elementarna signala S0(t) i S1(t) poznatog oblika i jednakog trajanja T - na ulazu u prijemnik djeluje aditivni Gaussov um n(t), n(t ) = 0 i snage 2 . Cilj : na kraju intervala T (osmatranje zapoinje u t = 0) prijemnik treba da se opredjeli za jednu od dvije hipoteze: Vezane za signal X(t) X(t)=S0(t)+n(t) X(t)=S1(t)+n(t) (H0) (H1)

Predpostavka: - ulazni filter idealan i ne izobliava primljeni korisni signal - prijemnik ima pravo da primjeni bilo kakav nain osmatranja i odluivanja , - na osnovu izabranog kriterija odreuje se optimalna vrijednost praga 0 i kolinik vjerodostojnosti poredi se sa pragom da bi se donijela odgovarajua odluka. -neka je u prijemniku primjenjeno viestruko osmatranje. Na intervalu T, prijemnik uzima n uzoraka ulaznog signala u ti ( i=1,2,....,n) Kao rezultat dobije se sluajni vektor. X (x1,x2,....xn) sa komponentama s + n ( H 0 ) x(ti ) = xi 0i i s1i + ni ( H1 ) ni : sluajne promjenjive s0i, s1i: uzroci deterministikih signala

xi : Gassove sluajne promjenjive varijanse 2 sa srednjim vriednostima s0i i s1i. Predpostavka: 1.ulazni filtar idealan u opsegu [-fg, fg] N 2. spektralna gustina snage 0 zbog uslova nekorelisanosti 2 uzimaju se uzorci uma u intervalima .

T 1 uslov po teoremu o odmjeravanju , t = t 2 fg Teorema o odabiranju, uslov nekoreliranosti n=

Posljedica : nezavisne sluajne promjenive imaju gaussovu raspodjelu sa srednjim vrijednostima s0i i s1i i istim varijansama 2 .
2 n x s ( ) i 0i exp i =1 n 2 2

W0 ( X ) =

( (

1 2 2

) )

W1 ( X ) =

1 2 2

2 n x s ( ) i 1i exp i =1 n 2 2

Kolinik vjerodostojnosti je: N1 ( X ) 1 n 2 ( X ) = = exp 2 ( 2 xi s0i 2 xi s1i + s12i s0 i ) N0 ( X ) 2 i =1 Predpostavka: neka je izabran prag vjerodostojnosti 0 H1 usvojena: ( X ) 0

log ( X ) =
i =1

xi s0i

+
i =1

xi s1i

2 2 s0 i s1i + 2 2 i =1 n

N0 No 2 f f N = 2 = = g g 0 2 2t ln 0 N 2 = 0 2t

i =1

xi s1i
2

i =1

xi s0i

2 ( s12i soi ) 2 ln 0 + / 2 2 i =1 n 2

1 n 2 ( s1i s02i ) xi s1i xi s0i ln 0 + 2 i =1 Formalna blok ema prijemnika

S0i

X
Xi

( ) i=
1

Odluka

H0 H1

( )
i =1

S1i

Zakljuak: Realizirati model za vrijeme posmatranja T Cilj: realizovati optimalni prijemnik za cijelokupni (kontinuirani) vremenski oblik signala Pretpostavka: granica filtra f g

t = n=

1 0 / 2 fg

1 t
t 0

Odnosno lim n t = T

 2 n 2 n 1 n 2 2 x s t s s lim xi s1i t ln ( 0 0i 1i ) i 0i t 0 N N N 0 i =1 0 i =1 0 i =1 n

2 =
T

No 2 t
T T

2 2 1 2 x t s t dt x t s t dt s12 ( t ) s0 ( ) ln ( ) ( ) ( ) ( t ) )dt ( 1 0 0 No 0 N0 0 No 0
T

1 No 2 2 s t dt s t s ( ) ( ) ( ) ( ) ln ( ) (t ) x t s t dt x t + 1 0 0 1 0 dt 2 2 0 0 0
T 1 0 o

x(t ) s (t )dt x(t ) s (t )dt b

0 0

Korelaconi prijemnik Za notaciju x(t) r(t) Ei E0

T

r (t ) s1 (t )dt r (t ) s0 (t )dt
0 0

N0 ln 0 2

r ( t ) = ( t ) u ( t T ) + n ( t ) = si ( t ) + n ( t )

Implicira 2 sluaja 1. const, sluajan, p ( ) = 1 ) 2 II kanal sa constantnim parametrima

2. p( ) i p ( ) apriori nepoznate kanal sa sluajnim parametrima

Posljedica : 1) Fluktuacija spora pa je mogue estimirati koherentni prijemnik 2. sloena estimacija nekoherentni prijemnik Zakljuak: potrebno je znati oblike (sliku) polaznih signala -potrebno je znati i vrijeme dolaska.

Kopija So(t)

X
r(t)

( )
0

t=T

+
T

Odluka

H0 H1

( )
0

Kopija S1(t)

Problem: Si = ui , > 0 , srtuktura zavisi od u prkasi se drzi u opsegu vriednosto ARP Optimalni prijemnik na bazi prilagoenog filtera.

x(t) X

y(t)
y ( t ) = x ( t ) s ( t ) dt
0

( )
0

s(t) x(t) y(t)

y ( t ) = h ( ) x ( t ) d
t =T
T T

y (T ) = h( ) x(T )d = s (T ) x (T ) d
O 0

T = t y (T ) = s (t ) x(t )dt
0 T

Zakljuak: za t=T isti odziv imaju i korelator i prilagoeni filter. Varijante optimalnog koherentnog prijemnika

Kopija S 0 (t)

X
r(t)

( )
0

Pril. Filter S1(t)

nT

nT

+ X

r(t)
Pril. Filter S2(t)

( )
0

Kopija S (t) 1

r(t)

nT

r(t)
Prilag. Filtar S1(t)-S2(t)

nT

( )
0

Kopija S1-S2(t)

Prednost prilagoenog filtera : asinhrona detekcija usamljenog impulsa (RADAR)

B. Vjerovatnoa greke
Pretpostavka : - vjerovatnoa signala na ulazu u prijemnik P(s1) = P(so) = 1/2 - cijene C00 C11 = 0 C10 C01 =1 Posljedica 0 =1=> ln 0 = 0 , Tada se odluivanje o hipotezama vri na osnovu odnosa :
T > H1 1 2 2 G = x(t ) [ S1 (t ) S0 (t ) ] dt + S0 (t ) S1 (t ) dt < 0 2 H0 0 0 T

Uz ovaj uslov PeminPe

T T T N0 1 2 2 G = x(t ) s1 (t )dt x(t ) s0 (t )dt ln 0 + S1 S0 dt 2 2o 0 0

No ln 0 0 ne utie na prag 2 No ln 0 0 prag zavisi od uma 0 1 2 0 = 1 Cilj: odrediti vjerovatnou greke, treba odrediti raspodjelu signala x(t)(s1(t)-s0(t)) pod hipotezama. s(t)konstanta u statistikom smislu s1(t)-s0(t)

x(t)[s1(t)-s0(t)] Gaussov proces

implicira normalnu raspodjelu x(t)

Za procese: x(t)(s1(t)-s0(t)) +1/2 (....) Treba znati srednju vrijednost i varijansu. I. srednja vrijednost G pod hipotezom H0 je
T E [G / H 0 ] = E ( s0 (t ) + n(t ) [ s1 (t ) s0 (t ) ] dt o 1 + ( s0 2 (t ) + s12 (t )dt 20 E [ n (t ) ] = E [G / H 0 ] = s0 (t ) s1 (t )dt s0 2 (t )dt +
0
o T T T T

1 2

s
0

(t ) s12 (t ) dt
T

1 = [ ( s0 (t ) s1 (t )] 2 dt 20 II. srednja vrijednost G pod hipotezom H1 je:

T s ( t ) + n ( t ) s ( t ) s ( t ) dt ][1 ] [ 1 0 0 E [ G H1 ] = E T 1 2 2 + s0 (t ) s1 (t ) dt 2 0

E [G H1 ] = E [G H 0 ] simetrija III. izraunavanje varijanse, G pod H0

2G / Ho = E G H 0 E [ G H 0 ] =
2

= E G H 1 E [ G H 1 ]
T

simetrija

G H 0 E [G H 0 ] = [ s0 (t ) + n(t ) ]i[ s1(t ) s0 (t ) ]dt

0

1 1 2 2 2 2 + s t s t dt s t s dt ( ) ( ) ( ) (t ) 0 1 1 0 20 20
G H 0 E [G H 0 ] = n(t ) [ s1 (t ) s0 (t ) ] dt
0 T

Varijansa e biti 2G H 0
T T

T = E n(t ) [ s1 (t ) s0 (t ) ] 0

= E n(t ) n(u ) [ s1 (t ) s0 (t ) ] [ s1 (u ) s0 (u ) ] dtdn

0 0

E [ n(t ) n(u ) ] =

N0 (n t ) 2

2 G H0

No = (n t ) [ s1 (t ) s0 (t ) ] [ s1 (u ) s0 (u ) ]dtdu 2 0 0 No 2 s t s t dt = 2G H1 = ( ) ( ) [ ] 1 0 2 0
T

T T

2 G H0

Za sluaj da su energija signala nejednake

T

2 s dt s0 (t )dt 2 1 0

E1 Eo Moe se pisati uslov za hipotezu pod G/H0 i G/H1 , kao odnos vjerodostojnosti 0 , 1 , pri emu e greka nastupiti kada se 1 < 0 greka 2 G/H1 2 G/H0 Zakljuak: 1. raspodjele pod hipotezama su Gaussove i to:
2 2 2 G /H = G/H = =
0 0

1 = N 0 Eekv Eek = [ s1 (t ) s0 (t ) ] dt 2 0 = E1 + E0 2 s1 (t ) s0 (t )dt

0 T

n0 = mG H 0 = mG H1 = m1 2. neka je emitovan x(t) = s1(t) + n(t) Pojava greke je ako je

2 < 1 1 s1 2 s0

tada je

[ s1 (t ) + n (t )] [ s1 (t ) s0 (t )] dt <
0 T

1 ( E1 E0 ) 2

1 2 ( ) ( ) ( ) ( ) ( ) n t s t s t dt < s t s t dt [ ] [ ] 1 0 1 0 2 0 0

Gaussov proces

< 0,5 Eek

Pa je Pe =
1 Eekv 2

P( )d =

1 Eekv 2

2 exp 2 d 2 2

Eekv Pe = Q No 2
1 u Q( x) = exp du 2 x 2 erf ( x) = I sluaj s1(t)=s0(t): antipodni 2
2

u e du
2

Eekv = 4 E E1 = E2 = 2 E = E

=1
E1 = E2 = E

erf c ( x ) =

u2

e
x

du

= 1 erf ( x) 1 x Q( x) = erf c 2 2 erf c ( x) = 2Q( 2 x )

4E Pe = Q =Q 2 No B-PSK : s1 (t ) = cos w0 (t ) s0 (t ) = cos( w0t + )

2 2 ,2

E odnos signal um N0

II sluaj:

s1 (t ) s0 (t )
T

s (t ) s (t )dt = 0
1 2 0

2E 2 =Q Pe = Q No Postoje razliite klase ovih signala FSK: f1 f 0 = n T f1 f 0 = k 2T