9.2.

8 Bộ phát hiện cho tín hiệu ngẫu nhiên với phổ chưa biết trên băng
tần chưa biết

Các bộ phát hiện được phát triển trong Phần.9.2.3-9.2.6 đã giả định băng tần
mà tín hiệu xảy ra đã biết và vì vậy chỉ những bin DFT đó mới được sử dụng để
tạo ra bộ phát hiện. Trong nhiều trường hợp, băng tần chính xác mà tín hiệu xảy ra
không được biết chính xác. Ví dụ, các đối tượng quan tâm di chuyển với các tốc độ
khác nhau sẽ có các tín hiệu quan tâm bị ảnh hưởng bởi thang tần số (hoặc sự dịch
tín hiệu băng hẹp) phụ thuộc vào vận tốc hướng tâm tương đối có thể thay đổi theo
thời gian. Một ví dụ khác có thể được tìm thấy trong sự phát xạ âm thanh của động
vật có vú ở biển mà thành phần phổ tần có thể thay đổi theo nhiều yếu tố. Các dẫn
xuất chi tiết của các bộ phát hiện được trình bày trong phần này có thể được tìm
thấy trong chuỗi các báo cáo của A. Nuttall [19-24] về việc phát hiện các tín hiệu
ngẫu nhiên Gauss khi biết rất ít về cấu trúc của thành phần tần số.
Hai bộ phát hiện được trình bày trong phần này giải thích cho một tín hiệu
chưa biết PSD trong một băng tần chưa biết. Đầu tiên là một cải biên của bộ phát
hiện năng lượng GLR từ Phần. 9.2.6.2 và loại thứ hai là một lớp chung của bộ phát
hiện luật mũ bao gồm các thành phần phụ là bộ phát hiện năng lượng tiếng ồn
chuẩn hóa và bộ phát hiện được hình thành bằng cách lấy giá trị của bin DFT
chuẩn hóa lớn nhất làm thống kê quyết định. Khi mô tả và phân tích các bộ phát
hiện này, dữ liệu DFT-bin được giả định là chuẩn hóa theo ước lượng (hoàn hảo)
của PSD tiếng ồn,

(9.122)

cho m = 1, ..., M. Khi chỉ có tiếng ồn, mẫu Zm thứ m được phân phối theo
cấp số nhân với kỳ vọng đơn vị. Khi có tín hiệu ngẫu nhiên Gauss, dữ liệu vẫn
được phân phối theo cấp số nhân, nhưng với kỳ vọng là 1+ Sd. Để đơn giản hóa
việc phân tích các bộ phát hiện, nó sẽ được giả định là các tín hiệu chỉ chiếm Ms ≤
M của các bin DFT với SNR trên mỗi bin DFT không đổi là Sd. Do đó, tổng SNR
có sẵn cho bộ phát hiện là MsSd.
 9.2.8.1 Bộ phát hiện năng lượng tỉ lệ hợp lẽ tổng quát cải biên

Nhớ lại rằng hàm bộ phát hiện năng lượng GLR trong (9.90) được hình
thành bằng cách yêu cầu MLE của SNR trong mỗi bin DFT là không âm, dẫn đến
chỉ sử dụng những bin có mô-đun bình phương chuẩn hóa Zm> 1. Tổng quát về
hàm phát hiện, do A. Nuttall trong [19] cho J. Wolcin, yêu cầu SNR phải lớn hơn
một giá trị nhỏ nhất nào đó Smin ≥ 0. Khi đó, hàm phát hiện năng lượng GLR được
cải biên là

(9.123)

trong đó z0 = 1 + Smin. Lưu ý rằng (9.90) cũng đã được cải biên bằng cách
thêm 1 − z0 + logz0 để g (z0) = 0. Khi đó, thống kê quyết định của bộ phát hiện là
tổng trên M các bin DFT

(9.124)

tuy nhiên, chỉ các bin DFT có Zm> z0 mới góp phần.

Hiệu suất của bộ phát hiện năng lượng GLR cải biên đã được phân tích rộng
rãi trong [19]. Bản chất phi tuyến tính của g(z) và tổng tiếp theo của M các bin
ngăn cản việc đánh giá hiệu suất phân tích trực tiếp. Các phương pháp tiếp cận
được trình bày trong [19] bao gồm tính gần đúng g(z) là tuyến tính từng đoạn đối
với các điểm ngắt lớn và xấp xỉ hàm đặc trưng bằng cách khai triển bậc 4 đối với
các điểm ngắt nhỏ. Một giải pháp thay thế được trình bày ở đây trong đó phân phối
của thống kê quyết định được xấp xỉ bởi gamma dịch, yêu cầu ba mômen đầu tiên
của g(Z). Trong [19], các mômen thu được thông qua tích phân số. Một cách tiếp
cận thay thế liên quan đến sự khác biệt bằng số của hàm sinh mômen của g(Z), chỉ
yêu cầu đánh giá hàm gamma không hoàn chỉnh, được trình bày trong Phụ lục 9.B.
Độ chính xác của phân bố gamma dịch được thể hiện trong Hình 9.7 đối với bộ
phát hiện năng lượng GLR tiêu chuẩn (tức là, z0 = 1) với các giá trị khác nhau của
M khi một nửa số bin DFT chứa tín hiệu sao cho tổng SNR là 14dB. Các xấp xỉ sử
dụng hai mômen đầu tiên của T(z) để khớp với phân bố gamma và Gauss cũng
được biểu diễn. Mặc dù tất cả các xấp xỉ đều chính xác khi M rất lớn, nhưng xấp xỉ
Gauss suy giảm nhanh chóng khi M giảm (lưu ý rằng nó không được hiển thị cho
M = 10 hoặc 40).

Phân bố gamma là chính xác hợp lý ngoại trừ khi M nhỏ, trong đó phân bố
gamma dịch rõ ràng là xấp xỉ tốt nhất.

Khi số lượng các bin DFT có tín hiệu là một phần nhỏ trong tổng số bin, việc tăng
điểm ngắt z0 có thể dẫn đến cải thiện hiệu suất.

Hình 9.7 Các đường cong ROC thông qua mô phỏng và các xấp xỉ khác nhau đối
với bộ phát hiện năng lượng GLR cho các giá trị khác nhau của M với một nửa số
bin chứa tín hiệu (Ms = 0,5M). Mặc dù tất cả các xấp xỉ đều chính xác khi M lớn,
nhưng xấp xỉ gamma dịch cung cấp sự phù hợp tốt hơn khi M nhỏ

Điều này được minh họa trong Hình.9.8 trong đó chỉ có Ms = 10 bin DFT
chiếm tín hiệu trong tổng số M = 1000. Việc tăng điểm ngắt lên z0 = 8 cung cấp
một sự cải thiện đáng kể về hiệu suất bằng cách giảm độ loãng(the dilution) của
T(z) bởi rất nhiều bin DFT chi phối tiếng ồn. Ví dụ này cũng mô tả sự suy giảm
của các gamma và xấp xỉ gamma dịch đối với các điểm ngắt lớn, trong đó xác suất
quan sát các bin DFT có tiếng ồn là chính vượt quá z0 trở nên quá nhỏ nên tổng
không chứa đủ lớn các đầu vào khác 0. Chất lượng phù hợp có thể được dự đoán
bằng tham số hình dạng phân bố gamma, nên trên khoảng năm(which should be
above about five). Trong các ví dụ, trường hợp M = 10 trong Hình.9.7 và trường
hợp x0 = 8 trong Hình.9.8 không đạt điều kiện này và do đó không được mong đợi
cung cấp một giá trị gần đúng chính xác. Trường hợp M = 40 cho phép xấp xỉ
gamma trong Hình.9.7 nằm ngay trên đỉnh với thông số hình dạng là 5,08 dưới H0.

9.2.8.2 Bộ phát hiện năng lượng luật mũ

Các bộ phát hiện năng lượng GLR từ các phần.9.2.6.2 và 9.2.8.1 được suy ra
theo giả định rằng mọi bin DFT có thể chứa tín hiệu và SNR trong mỗi bin có thể
khác nhau, điều này tạo nên rất ít thông tin về cấu trúc của tín hiệu PSD. Một kịch
bản thay thế đã được xem xét trong [21] trong đó giả định rằng tín hiệu chiếm một
tập con các bin (Ms ≤ M), nhưng vị trí của các bin đó trong dải tần là không xác
định. Mặc dù ví dụ được mô tả trước đây về tín hiệu nguồn bị ảnh hưởng bởi tỉ
xích Doppler không xác định được trình bày trong kịch bản này, nhưng các giả
định sẽ tổng quát hơn vì các bin DFT chứa tín hiệu không nhất thiết phải liền nhau.
Ví dụ, giả sử tín hiệu được biết là chỉ tồn tại trong một bin DFT nhưng không biết
trong bin nào. Việc áp dụng bộ phát hiện tỉ số hợp lẽ tổng quát cho vị trí không xác
định dẫn đến thống kê quyết định bằng giá trị của mô-đun bình phương bin DFT
chuẩn hóa lớn nhất,
 (9.125)

(9.126)

Hình 9.8 đường cong ROC thông qua mô phỏng và các xấp xỉ phân bố
gamma cho bộ phát hiện năng lượng GLR được cải biên cho M = 1000, Ms = 10 và
hai điểm ngắt khác nhau. Xấp xỉ gamma dịch hoạt động tốt hơn so với xấp xỉ
gamma khi điểm ngắt tăng lên nhưng có thể không chính xác ở các phần đuôi

Công tác "cực đại" trong (9.125) cũng có thể được mô tả bằng cách nâng
từng mẫu dữ liệu lên lũy thừa p, tính tổng trên dữ liệu, nâng tổng lên lũy thừa 1/p
và để p tiến đến vô cùng như được thể hiện trong (9.126 ). Khi p tăng, giá trị lớn
nhất của Z1, ..., Zm có ảnh hưởng lớn hơn so với các số hạng khác trong tổng và
được tách ra dưới dạng p → ∞.
 Trong [21], Nuttall cho thấy cách một bộ phát hiện GLR cho Ms bin DFT có
tín hiệu với các vị trí chưa biết hoạt động theo cách tương tự như một bộ phát hiện
năng lượng theo luật mũ được hình thành bởi tổng Zm trên tất cả các bin DFT,

(9.127)

trong đó p lớn khi Ms nhỏ và bằng một khi tín hiệu chiếm tất cả các bin DFT
(Ms = M). Do đó, bộ xử lý luật mũ trong (9.127) có thể chạy trong dải giữa bộ phát
hiện năng lượng tiếng ồn chuẩn hóa (p = 1) thích hợp khi tất cả các bin tần số chứa
tín hiệu đến bộ phát hiện “cực đại” (p → ∞) thích hợp khi chỉ có một bin chứa tín
hiệu. Bộ xử lý luật mũ như vậy cũng được áp dụng để phát hiện một cụm tín hiệu
ngẫu nhiên Gauss xảy ra tại một thời điểm không xác định trong một mẫu tiếng ồn
Gauss dài hơn trong [25]. Ứng dụng tín hiệu đột phát chỉ khác với ứng dụng hiện
tại(the current one) ở chỗ nó được áp dụng cho giá trị tuyệt đối của phân phối dữ
liệu chuỗi-thời gian Gauss (thực) chứ không phải là mô-đun bình phương của bin
DFT các đầu ra (ví dụ: dữ liệu là phân phối χ12chứ không phải là phân phối χ22).
Trong cả hai [21, 25], người ta nhận thấy rằng luật mũ đơn (p = 2,5 cho ứng dụng
bin DFT) đã cung cấp độ phẩm chất tốt trong toàn dải của Ms. Điều này có thể
thấy trong Hình.9.9, tương tự như đường cong phẩm chất được tìm thấy trong [21,
22], cho thấy tổng SNR tính bằng decibel (tức là 10log10 (MsSd)) cần thiết để đạt
được điểm công tác Pd = 0,5 và Pf = 10−3. Kết quả cho bộ phát hiện luật mũ p =
2,5 nằm trong khoảng 1,3dB của bộ phát hiện luật mũ tốt nhất cho Ms nằm trong
khoảng từ 1 đến 1000 với M = 1000. Cùng được biểu diễn trên hình là bộ phát hiện
năng lượng GLR từ Phần.9.2.6.2 (vạch đen đứt nét), bộ phát hiện năng lượng GLR
được cải biên từ Phần.9.2.8.1 với x0 = 3 (vạch đen dash-dot) và bộ phát hiện năng
lượng tiếng ồn chuẩn hóa chỉ sử dụng các bin có tín hiệu (vạch đen liền). Mặc dù
bộ phát hiện năng lượng GLR cải biên hoạt động tốt hơn bộ phát hiện năng lượng
GLR khi Ms nhỏ, nhưng nó không phù hợp với phẩm chất đạt được của bộ phát
hiện năng lượng luật mũ p = 2,5. SNR tổng cần cho bộ phát hiện năng lượng tiếng
ồn chuẩn hóa làm việc chỉ trên các bin tín hiệu được chỉ ra để minh họa mức độ tổn
thất về phẩm chất gây bởi việc làm suy yếu tri thức về PSD tín hiệu. Trong [22],
Nuttall giới thiệu kiến thức về một cấu trúc giả thuyết, giới hạn cho các vị trí của
bin tần số tín hiệu để lấy ra một đường bao phẩm chất để so sánh với các giả định
yếu hơn mà các bộ phát hiện khác được tạo ra và hoạt động. Với Ms, luôn có thể
tìm thấy một bộ xử lý luật mũ nằm trong khoảng 0,1dB của đường bao về SNR cần
thiết để đạt được điểm công tác. Đối với trường hợp được xem xét trong [22], luật
mũ p = 2,4 được phát hiện là nằm trong khoảng 1,2dB của bộ xử lý tốt nhất trong
dải khảo sát của Ms ngay cả khi SNR thay đổi trên các bin có tín hiệu [23]. Việc
tính toán chuẩn hóa [24] dẫn đến sự suy giảm phẩm chất dự kiến, nhưng cũng làm
giảm độ nhạy đối với luật mũ tối ưu.

Hình 9.9 Tổng SNR tính bằng decibel (tức là 10log10 (MsSd)) cần thiết cho một tín
hiệu ngẫu nhiên Gauss để đạt được Pd = 0,5 và Pf = 10−3 đối với các bộ phát hiện
khác nhau như một hàm của số bin chứa tín hiệu (Ms) cho M = 1000
Như được đề cập trong [21], phẩm chất của bộ xử lý luật mũ thu được một
cách chính xác nhất thông qua phương pháp nghịch đảo hàm đặc trưng có trong [1]
và được mô tả ở đây trong Phần.9.2.7.2 và Phụ lục 9.A. Không may, cả phân bố
gamma và gamma dịch đều không cung cấp các giá trị gần đúng đầy đủ, ngay cả
khi M lớn. Hàm đặc trưng của thống kê quyết định trong (9.127) có thể nhận được
dưới dạng tích của các hàm đặc trưng của các số hạng trong tổng mà được giả định
là độc lập. Hàm đặc trưng của Zp khi Z∼Expon (μ) là

(9.128)

(9.129)

Như đã lưu ý trong [21], dạng trong (9.129) thu được bằng cách xoay đường
tích phân để loại bỏ phần tử dao động nên tích phân phù hợp để đánh giá
bằng số. Hàm đặc trưng của thống kê quyết định khi có tín hiệu trong các bin Ms
với SNR Sd là

(9.130)

Để triển khai thuật toán nghịch đảo hàm đặc trưng của [1], giá trị kỳ vọng
của thống kê quyết định là bắt buộc và phương sai là hữu ích nhưng không bắt
buộc. Đối với thống kê quyết định trong (9.127), đây là

(9.131)

và

(9.132)

khi tín hiệu xuất hiện trong các bin Ms với SNR Sd.
 SNR cần thiết để đạt được điểm công tác cho các bộ phát hiện luật mũ được
trình bày trong Hình.9.9 được xây dựng theo [21] bằng cách sử dụng phương pháp
nghịch đảo hàm đặc trưng (tức là, (9.130) - (9.132) với Sd = 0 và thuật toán từ [1])
để đặt ngưỡng quyết định như một hàm của Pf và sau đó phân tích mô phỏng với
105 thử nghiệm để thu được SNR cần thiết để đạt được Pd. Nếu mong muốn một
đường cong ROC đơn thì phương pháp nghịch đảo hàm đặc trưng thông qua
(9.130) - (9.132) có thể là một cách tiếp cận hiệu quả hơn để thu được Pd và cũng
có thể được tổng quát hóa để tính đến các tín hiệu có SNR thay đổi theo băng tần.