【无线电控制与数据链探测系统】第3章 经典信号检测方法与统计基础

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

本章建立信号检测的统计框架并给出若干经典检测器的严格推导与性能表达式。内容包括:假设检验的数学模型与 Neyman–Pearson 最优性准则;能量检测与匹配滤波的精确分布、阈值与误差概率;基于循环平稳性的谱相关检测的数学定义与实现伪码;多天线(阵列)检测中协方差矩阵与样本协方差估计的性质与检验统计量;以及性能评估的量化工具(ROC、AUC、最小可检测 SNR),并通过数值示例给出逐步计算过程。


3.1 假设检验框架与 Neyman–Pearson 准则

3.1.1 问题建模

3.1.2 似然比检验(Likelihood Ratio Test, LRT)与 Neyman–Pearson 引理

3.1.3 扩展:广义似然比检验(GLRT)


3.2 能量检测与匹配滤波:阈值与误差概率导出

3.2.1 基本高斯模型与已知波形情形(匹配滤波)

3.2.2 未知波形情形:能量检测(energy detection)

3.2.3 未知振幅情形(广义似然比检验的具体化)


3.3 循环平稳性检测与周期性特征

3.3.1 循环平稳过程的数学定义

3.3.2 检测问题与统计量

3.3.3 循环相关/谱相关的估计方法(离散时间)

3.3.4 实现伪码(估计与检验)

伪码给出一种实用实现流程,便于教材与工程复现(伪代码以离散采样表示,假定复基带采样):

输入: 复基带序列 x[0..N-1], 循环频率候选集合 Alpha = {α_1,...,α_M}, 频率点集合 FreqIdx = {k_1,...,k_L}
参数: 窗长 Lw, 重叠步长 Hop, 阈值设定方法(理论 / 模拟 / 自适应)

1. 对每个窗口起始 n0 从 0 到 N-Lw 以 Hop 步长:
    a) 取窗口片段 xw[m] = x[n0 + m], m = 0..Lw-1
    b) 乘窗: xw[m] *= w[m]  (窗函数 w[m], 如汉宁窗)
    c) 对每个 α ∈ Alpha:
         i) 形成序列 y[m] = xw[m] * exp(-j*2π*α*(n0+m)*T_s)
        ii) 计算自相关 r_y[τ] = Σ_{m} y[m+τ] * conj(y[m])  (τ 在合适范围)
       iii) 对 r_y 做 DFT 得到 S_y(f)(谱相关在本窗口)
    d) 汇总窗口内的 S_y(f)(如平均或累加)

2. 对每对 (α,f):
    计算统计量 T_{α,f} = |Ŝ_x^{α}(f)|^2 或标准化版本
    依据阈值判断是否存在循环成分

3. 阈值设定:
    若假设噪声为零均值平稳过程,可通过估计噪声的循环谱方差或空/备用数据进行阈值校准以达到目标 P_FA

3.3.5 性能与优缺点

循环谱检测对载波、调制或码片引入的周期性成分高度敏感,能够在低 SNR 下(信号能量难以用能量检测分辨)检测到信号,因为周期性在频域上表现为谱分量间的相关性。然而其实现复杂度高(需要二维估计与更多统计量),并且在频偏、采样抖动或非理想同步条件下需作补偿(如先做粗频偏估计再检测)。


3.4 多天线统计检测:协方差矩阵与样本协方差估计

3.4.1 多通道观测模型

3.4.2 样本协方差矩阵的定义与无偏性

3.4.3 已知协方差情形下的线性/匹配检测器

3.4.4 协方差未知时的适应性(样本协方差替代)与 GLRT 思路


3.5 性能评估:ROC、AUC、最小可检测 SNR(含示例计算)

3.5.1 ROC 曲线与 AUC

3.5.2 匹配滤波器的解析 ROC

3.5.3 最低可检测 SNR 的求解

3.5.4 数值示例(逐步算术)

3.5.5 其它检测器的性能评估要点


本章小结

经典检测理论以 Neyman–Pearson 框架建立了在误报约束下的最优检测器结构:在已知分布的情形下采用似然比检验;在参数未知时采用广义似然比检验或近似统计量。匹配滤波与能量检测分别对应已知波形与未知波形的典型策略,其误差概率与阈值表示可由高斯或(非)中心卡方分布严格给出。循环平稳性检测以谱相关为核心,可在低 SNR 下利用调制/码序引入的周期性信息提高检测灵敏度。多天线系统通过协方差矩阵与空间滤波进一步提升检测性能,但对样本协方差估计的稳健性与辅助数据量有严格要求。性能评估以 ROC 曲线、AUC 与最小可检测 SNR 为主要量化手段,给出了闭式解与逐步数值计算示例,以便工程设计与教材教学使用。

【无线电控制与数据链探测系统】第1章 理论基础:定义、模型与基本推导 侧重统计推导、算法改进、深度学习与评估(参照第3–6、10章)。:侧重链路预算、算法复杂度、实时实现与优化(参照第5、13章)。:关注指标定义、可测性、数据集与基准(参照第11、14章)。这是天线理论的基本关系(来自天线辐射与接收对偶性)。 阅读详情

相关推荐

人工智能技术白皮书 —— 你的AI入门手册

深入定义状态 (State, S)、动作 (Action, A)、奖励 (Reward, R) 以及状态转移概率 (Transition Probability, P),构建一个完整的决策模型。强化学习是关于“决策”的科学,它让智能体(Agent)在与环境的持续互动中,通过试错和回报,学习一套能获得最大长期利益的最优行为策略。学习它,就是学习如何驱动机器的“想象力”。:一个迷宫地图,智能体(小机器人)在每个交叉口(状态)选择方向(动作),根据路径上的宝藏(奖励)或陷阱,更新自己的寻宝地图(策略)。

VectorShift的博客 1397

【无线电控制与数据链探测系统】第4章 频谱感知与宽带检测

窄带逐频扫(sequential sweeping):用高选择性窄带滤波器或窄带接收通道对频率轴逐段扫描。优点:硬件简单,单次处理负载小;在扫描周期允许的场合实现高灵敏度。缺点:总体扫描延迟成比例增长;对短时瞬发信号(bursty)或快速频谱变化不适应。并行滤波器组 / FFT 基于滤波器组(filter bank / FFT):用多通道或高速 ADC + FFT 实现对整个带宽的并行测量。优点:瞬时覆盖整个频带;对短时事件敏感。缺点:高采样率与大数据吞吐量要求;

VectorShift的博客 1139

【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学——系列二 电磁学理论模型 02

微波与射频工程是一个建立在坚实的电磁学物理模型网络与系统抽象、以及计算与实现方法之上的复杂学科。其模型库可被组织成一个从物理基础到系统功能计算电磁学的前沿,正经历从“计算”到“认知”目标演变:从“仿真一个已知设计”​ 到“探索未知设计空间”​ 和“预测系统在不确定环境下的行为”。方法论融合“第一性原理数值计算”“物理启发模型”​ 与“数据驱动AI”​ 三者的界限日益模糊,形成“物理信息机器学习”​ 等新范式。系统复杂度:从“单一物理场、单一尺度、确定性”​ 的问题,转向应对。

weixin_49199313的博客 1171

【无线电控制与数据链探测系统】第13章 系统实现细节:硬件、嵌入式与加速

本章围绕用于信号处理与机器学习加速的硬件平台选型、实时流处理的理论基础、在资源受限平台(FPGA / 嵌入式)上部署模型的压缩与整数量化原理,以及系统级监控与远程更新的可靠性保障展开。每一节均从数学模型出发,给出推导、界与证明,以便作为教材中算法与工程实现部分的正式章节内容。

VectorShift的博客 785

Unity Acceleratorc与Cache Server unity的缓存服务器

文章目录1.作用概述2.用法(使用,看这个就够了)服务端下载部署Unity Acceleratorc修改http管理端口修改Editor连接端口客户端使用(设置好一次提交设置,团队拉取即可全部生效)3.测试平台切换测试资源导入测试(打开编辑器的情况下)项目启动测试(不打开编辑器的情况下)4.不同版本表现5.服务端监控6.服务端缓存7.冲突8.预警9.不同项目/不同配置-同种资源10.缓存清除 1.作用概述 编辑器模式下,导入资源,切换平台unity都会重新识别资源,大型项目很浪费时间,使用Cache Ser

euphorias的博客 3813

基于Meteoinfo与TrajStat的后向轨迹聚类分析实战:从数据准备到可视化制图

本文详细介绍了基于Meteoinfo与TrajStat进行后向轨迹聚类分析的完整实战流程。从Java环境配置、Meteoinfo软件与TrajStat插件安装,到精准获取NOAA气象数据、设置参数进行批量轨迹计算,再到利用聚类分析提炼主要气流路径,并最终完成专业地图可视化与制图。文章旨在帮助环境与气象研究者快速掌握从数据准备到成果输出的全链路操作。

p4q5r6s7t的博客 805

低温ECR-MOCVD生长(002)GaN:椭偏仪测厚与电学性能

本研究用ECR-MOCVD在Si(111)和蓝宝石衬底上低温生长GaN薄膜,蓝宝石1.0SCCM、2h样品呈完全(002)择优取向,椭偏仪测厚32.81nm,迁移率10.42cm²/(V·s)。文章梳理了生长温度、TMGa流量与生长时间对结晶取向、膜厚、粗糙度、光学带隙和电学性能的影响。

Flexfilm_的博客 404

相机基础知识讲解:CMOS和CCD

相机基础知识讲解:CMOS和CCD

Coppa的博客 5万+

【第84期】过拟合欠拟合与复杂度对照的实验与排查

系列:《从小白到 AI 大模型开发工程师的进阶之路》 技术点:AI-0306 过拟合与欠拟合 主人公:小蓝伞 前置:AI-0302 本期产出:学习曲线小蓝伞用越来越高次的多项式拟合一条带噪曲线,训练误差继续下降,但这不能说明他更接近真实关系。本期固定训练样本与噪声,只改变多项式次数,比较对训练点和无噪参考曲线的误差,并区分验证曲线与学习曲线。教学情境用来组织问题,下面的执行数据来自构造实验。

qq_36085846的博客 205

WRFDA如何读取风云四号A 星的GIIRS数据?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值。

**My Coding Family** 1031

lammps后处理:堆垛层错和孪晶的数量统计

python调用ovito包可以免费实现ovito pro版本的功能,不需要安装ovito pro软件,如统计位错线长度、CNA结构、键角分布等,如需深入学习,可考虑报名python ovito后处理课程,或lammps一对一课程。lammps金属变形模拟中,可能会产生堆垛层错或者孪晶等结构,但是ovito免费版本无法统计这些结构的数量。使用python和ovito软件包,则可以方便的统计出这些结构的数量。大家好,我是小马老师。

lammps_jiayou的博客 469

小批量训练的JAX机器学习

本文介绍基于BFGS的小批量训练算法,针对全批量方法在高样本量下计算复杂度高的问题,结合JAX的自动微分与高效计算,实现快速收敛。通过optimtool库中的改进的bfgs优化器与小批量策略,支持分类与回归任务,具备早停机制与灵活监控选项,显著提升大规模机器学习训练效率。

林景的博客 144

Cadence PCB仿真使用Allegro PCB SI S参数配置方法图文教程

S参数即S-Parameter是指散射参数,描述信号在传输线中的正反向传输和正反向反射的情况。本文讲述在使用Allegro PCB SI进行信号完整性仿真前,S参数的配置方法。

fydar的博客 2178

新品快讯 | ROHM支持GaN高频开关的TP-PFC控制器IC

另一方面,传统的TP-PFC控制技术广泛使用MCU,但对于小型电源设备而言,除了功耗、电路规模和成本方面的挑战外,如何实现针对GaN HEMT高频开关的控制也成为亟需解决的难题。全球知名半导体制造商ROHM(总部位于日本京都市)宣布,开发出有助于实现小型高效率AC-DC电源的Totem Pole PFC*1(图腾柱PFC,以下简称“TP-PFC”)控制器IC“BM85060FV”,其特点是可在支持GaN HEMT*2高频开关的MHz频段工作。GaN(氮化镓)是一种用于新一代功率元器件的化合物半导体材料。

ONEYAC唯样的博客 236

Windows10环境下激活虚拟环境报错【source : 无法将“source”项识别为 cmdlet、函数、脚本文件或可运行程序的名称】

在使用Django创建Web程序前,需要创建一个虚拟的工作环境,在使用【source ll_env/bin/activate】命令激活虚拟环境时报错:source : 无法将“source”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写,如果包括路径,请确保路径正确,然后再试一次。所在位置 行:1 字符: 2。

提供C#相关开发 、云计算、运维测试、网络安全相关技术分享与服务,有意向可联系。 1万+

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 581

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 281

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 156

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 179

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 485

LoRA的低秩数学与QLoRA实现

本文系统解析了LoRA及其进阶版QLoRA在十亿参数模型微调中的高效机制。通过低秩假设,将权重更新量ΔW近似为低秩矩阵积,显著压缩可训练参数与显存占用;QLoRA进一步将基座模型量化至4比特(NF4),结合双重量化与分页优化器,实现65B模型单卡微调。文章详解了B初始化为零、缩放系数α/r设计、挂载位置选择等关键实操细节,并给出可运行代码。实践表明:4比特基座+高精度LoRA在多数任务上媲美全参微调,且训练效率极高。超参方面,r不宜过大,学习率需上调,数据质量重于数量。最后强调:LoRA适用于风格适配与领域

2601_96733043的博客 344

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 206

SVM支持向量机通俗解析:找到机器学习的“最优分界线”

一、爆款钩子:同样是画分界线,为何SVM能成为机器学习的“王者选手”?做机器学习的人,几乎都绕不开一个问题:如何给混乱的数据“分家”?有人用逻辑回归,有人用KNN,但有一个算法

2601_96798737的博客 172

机器学习03,端到端02

个人笔记

qq_59247073的博客 296

GaN 动态导通电阻测试专题:电流崩塌从哪来,测量窗口怎么选

但器件装到实际电路上跑一段时间,或者用双脉冲台架模拟开关工况再测导通压降,数值往往明显高于手册静态值,而且关断应力越强(母线电压越高、应力保持越久),抬升越明显;:使用钳位电压探头,把示波器通道的工作区间限制在低电压区(常见做法是钳位在 1.5V 附近的导通压降区),应力高压段由钳位电路吸收,导通段以高分辨率采样。台架搭建相对简单,是器件表征最常用的方案。双脉冲台的难点不在发脉冲,而在采样:漏源电压要从几百伏的应力电平瞬间跌落到毫伏至伏级的导通压降,示波器单一量程难以兼顾"扛住高压"和"分辨毫伏"。

Namisooft的博客 278
上一篇: 【无线电控制与数据链探测系统】第2章 无线电与数据链基础
下一篇: 【无线电控制与数据链探测系统】第4章 频谱感知与宽带检测
VectorShift
博客等级 码龄1年 1844粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值