Professional Documents
Culture Documents
Detekcija
Detekcija
Detekcija
Izvor (predajnik)
medijum prijemnik
Prostor signala
Prostor odluka
Jednozrano Preslikavanje
vjerovatnoa prelaska
prostor odluivanje
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
+
- 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:
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 procjene
Prbabilsticko preslikavanje
Pravilo procijene
: 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)
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.
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
> 0
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
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
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 .
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
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
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 )
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
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
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)
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
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)
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
2G / Ho = E G H 0 E [ G H 0 ] =
2
= E G H 1 E [ G H 1 ]
T
simetrija
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 ) ] =
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
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
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
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
2 2 ,2
E odnos signal um N0
II sluaj:
s1 (t ) s0 (t )
T
s (t ) s (t )dt = 0
1 2 0