1

Detectia semnalelor

Detectia semnalelor presupune determinarea prezentei sau

absentei unui semnal cu semnificatie (exemple: ecoul in radar sau
in sonar, la transmisii de date prezenta sau absenta unor simboluri
dintr-un alfabet finit si cunoscut ).
1. Modelul sistemelor de detectie a semnalelor
r(t)
Sursa Receptor
Modulator Canal
simbol Si Decizii Di
s(t)
n(t)

simboluri purtatoare perturbatie ipoteze Hi decizii

modulare perturbare verificare

ipoteze
spatiul spatiul
simbolurilor deciziilor
Si spatiul spatiul Di
semnalelor emise observatiilor
si(t) r(t) = si(t) + n(t)
Obs.:
• la receptie se verifica toate ipotezele relative la simbolurile Si si
daca ipoteza Hi este adevarata se ia decizia Di ca semnalul
receptionat r(t) corespunde simbolului Si.
• ipotezele pot fi simple (Si ⇔ si(t) ca punct in spatiul semnalelor)
sau compuse (Si ⇔ si(t) ca domeniu in spatiul semnalelor)
• observatiile pot fi discrete (esantioane ale r(t)) sau continue
(pentru intregul semnal r(t)).

2. Detectie binara (i = 0,1) cu observatii discrete (o singura

observatie pe simbol)
Si 0 1 1 0
T t
s(t)
s0(t) s1(t) observatii

r(t) t

Di 1 d. eronata1 1 0
 2

In detectia binara avem doua simboluri (S0 si S1) si doua ipoteze (H0
si H1):
H0: a fost transmis 0 (S0)
H1: a fost transmis 1 (S1)
Se urmareste gasirea unui criteriu de stabilire a ipotezei corecte, pe
baza unei singure observatii asupra R. Se presupun cunoscute
densitatile de probabilitate ale R in cele doua ipoteze:
f R| H 0 ( r | H 0 ) úL f R| H1 (r | H1 ). Dac P( H i | r ) cu i = 0,1
reprezinta probabilitatea ipotezei Hi la receptia r:
se alege H 0 dac P ( H 0 | r ) > P ( H1 | r )
se alege H1 dac P ( H1 | r ) > P( H 0 | r ) sau, concis :
H1
P ( H1 | r ) >
<
1
P( H 0 | r )
H0
• Criteriul de decizie MAP (maximum a posteriori
probability). Criteriul dedecizie duce la partitia spatiului
observatiilor in doua regiuni R0 si R1 si se alege H0 daca r
este continut in R0 si H1 daca r este continut in R1. Cu regula
Bayes se poate scrie:
 3
f R| H1 (r | H i ) P( H i )
P( H i | r ) = úL atunci criteriul de
f R (r )
mai sus se rescrie :
H1
f R | H 1 ( r | H 1 ) P ( H1 )
> 1 sau :
<
f R| H 0 (r | H 0 ) P ( H 0 ) H0
H1
f R | H 1 ( r | H1 ) P( H 0 )
> sau :
<
f R| H 0 (r | H 0 ) H0 P ( H1 )
H1
Λ(r ) >
< K
H0

daca se noteaz raportul de plauzibilitate Λ(r )

si pragul testului K cu :
f R | H 1 ( r | H1 ) P( H 0 )
Λ(r ) = K=
f R| H 0 (r | H 0 ) P ( H1 )

f R| H 0 (r | H 0 ) f R | H 1 ( r | H1 )

accept H0 accept H1

0 K 1 r

P(D0| H1) P(D1| H0)

Din cauza zgomotului se pot lua decizii eronate. Pot fi urmatoarele

situatii:
a) se decide D0 cand H0 este adevarat
b) se decide D1 cand H1 este adevarat
c) se decide D0 cand H1 este adevarat
d) se decide D1 cand H0 este adevarat
primele doua decizii sunt corecte iar ultimele doua sunt eronate.
Eroarea de tip c) se numeste eroare de pierdere (miss) si are
 4
probabilitatea PM = P(D0| H1). Eroarea de tip d) se numeste alarma
falsa (false alarm) si are probabilitatea PF = P(D1| H0). Ca masura a
performantei sistemului se alege probabilitatea medie de eroare :
Pe = P( H 0 ) P( D1 | H 0 ) + P ( H1 ) P( D0 | H1 )

• Criteriul de decizie Bayes

Acest criteriutine cont de “costurile” deciziilor in procesul de
detectie binara. In acest proces apar perechi (Di, Hj). Fiecarei
perechi i se poate asocia un cost Cij. Criteriul de decizie Bayes
minimizeza costul mediu. Costul mediu se defineste cu relatia:
C = ∑ ∑ Cij P( Di , H j ) = ∑ ∑ Cij P( H j ) P( Di | H j )
i = 0,1 i = 0,1
j = 0,1 j = 0,1

C = C00 P ( D0 | H 0 ) P( H 0 ) + C10 P ( D1 | H 0 ) P ( H 0 ) +
+ C01P ( D0 | H1 ) P ( H1 ) + C11P ( D1 | H1 ) P ( H1 ) =
= C00 P( H 0 ) ∫R f R| H 0 ( r | H 0 )dr + C10 P( H 0 ) ∫R f R| H 0 (r | H 0 )dr +
0 1

+ C01P ( H1 ) ∫R f R| H1 (r | H1 )dr +C11P( H1 ) ∫R f R| H1 (r | H1 )dr

0 1

UH rezonabil c decizia incorect cost mai mult decât

se face prezum ia
cea corecta :
C10 > C00 si C01 > C11
si se face uz de faptul ca R1 ∪ R0 = (−∞, ∞) si R1 ∩ R0 = φ si atunci :
C = C10 P ( H 0 ) + C11P( H1 ) + ∫R {[ P ( H1 )(C01 − C11 ) f R| H1 (r | H1 )] −
[P( H 0 )(C10 − C00 ) f R|H ]
0

0
(r | H 0 ) }dr
Cea mai mica valoare a costului mediu se obtine cand integrandul
ecuatiei de mai sus este negativ pentru toate valorile lui r ∈ R0. Se
poate accepta ipoteza H0 daca:
 5
P( H1 )(C01 − C11 ) f R| H1 (r | H1 ) < P( H 0 )(C10 − C00 ) f R| H 0 (r | H 0 )
sau concis :
H1
f R | H 1 ( r | H1 ) > P( H 0 )(C10 − C00 )
Λ(r ) = <
=K
f R| H 0 (r | H 0 ) P ( H1 )(C01 − C11 )
H0
Se vede ca pentru C10 - C00 = C01 - C11, criteriul Bayes devine
criteriul MAP.
Se poate arata ca daca: C00 = C11= 0 si C10 = C01 =1, atunci criteriul
Bayes minimizeaza probabilitatea deciziilor eronate.
 6
3. Detectia binara (i = 0, 1) cu observatii multiple pe simbol
(daca r > 0 ⇒ 1, daca r < 0 ⇒ 0)

Si 0 1 1 0
T
s(t) t
s0(t) s1(t)

r(t)
t

Di 0 1 1 0
dispare decizia eronata

t
1 2............N
momentele
observatiilor

Daca receptorul observa N esantioane ale r(t) in intervalul (0, T),

notate r1, r2, ..., rN, se defineste vectorul
r = [r1 , r2 ,..., rN ]T ca si densitatile de probabilitate :
f (r1 , r2 ,..., rN / H 0 ) = f R|H (r / H 0 )
0

f (r1 , r2 ,..., rN / H1 ) = f R| H ( r / H1 )
1

rN Se urmareste gasirea unor decizii

D0 corecte, pe baza mai multor
observatii asupra R . Se presupun
r2 cunoscute densitatile de
r1
D1
probabilitate ale R in cele doua
ipoteze:
f R| H (r | H 0 ) úL f R| H (r | H1 ).
0 1
Criteriile de decizie deduse pentru o singura observatie se pot
rescrie pentru N observatii, dupa cum urmeaza:
 7
H1
Λ(r ) >
<


K
H0

unde pentru MAP :

f R | H ( r | H1 ) P( H 0 )
Λ(r ) = 1
K=
f R| H (r | H 0 ) P ( H1 )
0

pentru plauzibilitate maxima :

f R | H ( r | H1 )
Λ(r ) = 1
K =1
f R| H (r | H 0 )
0

pentru Bayes :
f R | H ( r | H1 ) P( H 0 ) C10 − C00
Λ(r ) = 1
K= ⋅
f R| H (r | H 0 ) P( H1 ) C01 − C11
0

pentru Neyman - Pearson :

f R | H ( r | H1 )
Λ(r ) = 1
K se alege din conditia PF ≤ α
f R| H (r | H 0 )
0

Daca se noteaza cu
f Ri | H 0 (ri | H 0 ) si f Ri | H 0 (ri | H 0 ) densitatile de probabilitate
ale observatiei ri in ipotezele H 0 , H1 si daca observatiile sunt
statistic independente, avem :
N
f R| H ( r |H 0 ) = ∏ f Ri | H 0 (ri | H 0 )
0 i =1

N
f R| H (r |H1 ) = ∏ f Ri | H1 (ri | H1 )
1 i =1


Exemplu: detectia a doua semnale de forma cunoscuta

s0 (t ) = a0 s (t ) 0 ≤ t ≤ T
s1 (t ) = a1s (t ) 0 ≤ t ≤ T
 8
a0 ⇐ H 0
r (t ) = as (t ) + n(t )
a=
a1 ⇐ H1
Se presupune ca zgomotul este gaussian, de valoare medie nula si de
varian  σ2.
Densitata de probabilitate pentru un esantion de semnal receptionat
este:

 1
1 
f Ri | H 0 (ri | H 0 ) = exp  − 2 (ri − a0 si ) 2  ⇐ H 0
2πσ2  2σ 
1  1 
f Ri | H1 (ri | H1 ) = exp  − 2 (ri − a1si ) 2  ⇐ H1
2πσ2  2σ 
densitatea de probabilitate pentru vectorul receptionat este :
1  1
N 
f R| H (r | H 0 ) = ( ) ∏ exp  − 2 (ri − a0 si ) 2 
N
⇐ H0
0
2πσ2 i =1  2σ



1 N  1 
f R | H ( r | H1 ) = ( ) N ∏ exp  − 2 (ri − a1si ) 2  ⇐ H1
1
2πσ2 i =1 

 2σ 
sau :
1  1 N 
f R| H (r | H 0 ) = ( ) N exp  − 2 ∑ (ri − a0 si ) 2  ⇐ H 0
0
2πσ2  2σ i =1 


 1 N
1 
f R | H ( r | H1 ) = ( ) N exp  − 2 ∑ (ri − a1si ) 2  ⇐ H1
1
2πσ2  2σ i =1  

raportul de plauzibilitate este :

[ ]
f R | H ( r | H1 )  1 N 
Λ(r ) = 1
= exp− 2 ∑ (ri − a1si ) 2 − (ri − a0 si ) 2 
f R| H (r | H 0 )  2σ i =1 


0

ln Λ (r ) =
2σ
1
2
N

i =1

[
∑ (ri − a1si ) − ( ri − a0 si ) =
2 2
]
 9
1   N N
2 
=  (a0 − a1 ) − 2 ∑ ri si + (a 0 + a1 ) ∑ si 
2σ 2   i =1 i =1  
 

Criteriul plauzibilitatii maxime se poate scrie :

H1
lnΛ(r ) > ln K = ln 1 = 0


<


H0
H1
N a0 + a1 N 2
∑ ri si <> ∑ si


i =1


2 i =1 

H0
pentru a0 = 0, a1 = 1, si = s
H1 H1
1 N > s > s
∑ ri si daca N = 1 r
 

< <
 

N i =1


2 2
H0 H0
pentru a0 = −1, a1 = 1, si = s
H1 H1
1 N > >
∑ ri 0 si pentru N = 1 : r
 

<


<
0
N i =1


H0 H0
Probabilitatea de eroare este :
Pe = P( D0 , H1 ) + P ( D1 , H 0 ) =
P( H1 ) ∫R f R| H (r | H1 )dr + P ( H 0 ) ∫R f R| H ( r | H 0 ) dr
0 1 1 0

Observatie: Desi problema de detectie pe care ne-am propus sa o

solutionam este formulata pentru un spatiu multidimensional,
decizia se ia dupa o singura coordonata, care este, pentru cazul
N
general: ∑ ri si , iar pentru cazurile particulare mentionate
i =1 

1 N
mR = ∑ ri
N i =1 

Aceasta unica coordonata dupa care se poate lua decizia se numeste

“Statistica suficienta”.
 10
4. Detectie binara cu observatii multiple in ipoteza compusa

In ipoteza compusa, simbolului Si ii corespunde in spatiul

semnalului nu un punct si(t) ci un domeniu Σi .

Exemplu: Semnal de amplitudine variabila

θM
s(t,θ)
θ
θm tn tn+1M t

H 0 ⇒ r (t ) = s0 (t , θ) + n(t ) = n(t )
H1 ⇒ r (t ) = s1 (t , θ) + n(t )
unde θ este un parametru care ia valori in domeniul Π = (θm , θ M )
in timp ce semnalul s1 (t , θ) este cuprins in domeniul Σ1
{ }
P s1 ∈ Σ1 = P{θ ∈ Π}
f R| H (r | H1 ) = f R|θ (r | θ)
1

f R| H (r | H1 ) = f R| H (r | s1 ∈ Σ1 ) = f R|θ ( r | θ ∈ Π ) = ∫Π f R|θ (r , θ)dθ =

1 1

= ∫Π f R|θ (r | θ) f Θ (θ)dθ
Raportul de plauzibilitate este :
f R | H ( r | H1 ) ∫Π f R|θ (r | θ) f Θ (θ)dθ
Λ(r) = 1
=
f R| H (r | H 0 ) f R| H (r | H 0 )
0 0

Pentru cazul particular al unui semnal de amplitudine variabila,

cu amplitudinile uniform distribuite:
 11
1
f Θ (θ) =
θ M − θm
N
 1  N  (r − θ) 2 
f R|θ (r | θ) =   ∏ exp − i 
 i =1  2 
2σ 
 2πσ
2
 


N
 1  N  ( )2 
f R| H (r | H 0 ) =   ∏ exp − ri 
 i =1  2σ 2 
 2πσ
2
0
 



 N 2
θM  ∑ (ri − θ) 
1
∫ exp −  dθ
i =1 

θM − θm θm  2σ 2 
 
Λ(r ) =   iar pt. N = 1 :
 N 2
 ∑ ri 
exp − i =1 2 


 2σ 
 
 
1 θM  (r − θ) 2 
∫ exp −  dθ
θM − θm θm  2σ 
2
Λ(r ) =
 (r ) 2 
exp − 2 
 2σ 

daca se noteaza :
1 x  1 2  θ−r
F ( x) = ∫ exp − u du  ; x= atunci raportul devine :
2π − ∞ 

 2

 σ
2πσ2  n 2    θM − r   θ − r 
Λ(r ) = exp 2  ⋅  F   − F m 
θM − θm  2σ    σ   σ 
iar daca pragul testului este K = 1, atunci testul Bayes este :
H1
2πσ2  n 2    θM − r   θ − r 
exp 2  ⋅  F   − F m  >

<
1
θM − θm σ   σ   σ 


 2  H0
 12
5. Detectia secventiala
Daca este necesar sa reducem timpul de decizie, se lucreaza cu un
numar m de observatii variabil, cautandu-se reducerea acestuia.
Pentru vectorul rm = (r1 ,..., rm ) raportul de plauzibilitate este :
fR (rm |H1 )
m | H1
Λ(rm ) =
fR (rm |H 0 )
m |H 0

Algoritmul de testare este :

a) pentru prima observatie m = 1, rm = r1 , se calculeaza Λ (r1 ), care se
compara cu doua praguri A,B cu A > B :
• daca Λ(r1 ) ≥ A ⇒ D1
• daca Λ(r1 ) ≤ B ⇒ D0
• daca B < Λ(r1 ) < A ⇒ nu se ia decizie si se trece la la a doua obsevare r2
b) se calculeaza si se testeaza Λ (r2 ); daca din nou nu se ia nici o decizie se
calculeaza Λ(r3 ) s. a. m. d. pana cand Λ (rm ) ≥ A ⇒ D1 sau Λ(r1 ) ≤ B ⇒ D0
Pentru determinarea A, B se procedeaza astfel :
• daca se ia decizia D1 avem :

fR (rm | H1 )
m | H1
Λ(rm ) = ≥ A sau fR (rm | H1 ) ≥ Af R (rm | H 0 )
fR (rm | H 0 ) m | H1 m |H 0
m |H 0
 13
• daca se ia decizia D0 avem:

fR ( rm | H1 )
m | H1
Λ( rm ) = ≤ B sau fR ( rm | H1 ≤ Bf R (rm | H 0 )
fR (rm | H 0 ) m | H1 m |H 0
m |H 0

daca R1 cuprinde observatiile rm carora le corespunde D1 :

∫R1 f Rm | H1 ( rm | H1 )dRm ≥ A∫R1 f Rm | H 0 (rm | H 0 )dRm sau PD ≥ APF
de unde :
P
A≤ D
PF
daca R0 cuprinde observatiile rm carora le corespunde D0 :
∫R0 f Rm | H1 ( rm | H1 )dRm ≤ B ∫R0 f Rm | H 0 (rm | H 0 )dRm sau PM ≤ B(1 − PF )
de unde :
P
B≥ M
1 − PF
in cele de mai sus reamintim ca :
PD → probabilitatea de detectie
PF → probabilitatea deciziei eronate, de alarma falsa (prob. deciziei D1 cand
sursa a emis S 0 )
PM → probabilitatea deciziei eronate, de pierderea tintei (prob. deciziei D0 cand
sursa a emis S1 )