Рабочие характеристики приемника

Кривые Рабочей характеристики приемника (ROC) представляют графические сводные данные эффективности детектора. Можно сгенерировать кривые ROC с помощью rocpfa и rocsnr функции.

Если вы интересуетесь исследованием эффекта варьирования ложно-сигнальной вероятности на вероятности обнаружения для фиксированного ОСШ, можно использовать rocsnr. Например, пороговый ОСШ для детектора Неимен-Пирсона одной выборки в Гауссовом шуме с действительным знаком составляет приблизительно 13,5 дБ. Используйте rocsnr построить вероятность обнаружения варьируется в зависимости от ложно-сигнального уровня в том ОСШ.

T = npwgnthresh(1e-6,1,'real');
rocsnr(T,'SignalType','real')

Figure contains an axes. The axes with title Real Receiver Operating Characteristic (ROC) Curves contains 2 objects of type line, text.

Кривая ROC позволяет вам легко прочитать вероятность обнаружения для данного ложно-сигнального уровня.

Можно использовать rocsnr исследовать эффективность детектора на различный полученный сигнал вводит в фиксированном ОСШ.

SNR = 13.54;
[Pd_real,Pfa_real] = rocsnr(SNR,'SignalType','real',...
    'MinPfa',1e-8);
[Pd_coh,Pfa_coh] = rocsnr(SNR,...
    'SignalType','NonfluctuatingCoherent',...
    'MinPfa',1e-8);
[Pd_noncoh,Pfa_noncoh] = rocsnr(SNR,'SignalType',...
    'NonfluctuatingNoncoherent','MinPfa',1e-8);
semilogx(Pfa_real,Pd_real)
hold on
grid on
semilogx(Pfa_coh,Pd_coh,'r')
semilogx(Pfa_noncoh,Pd_noncoh,'k')
xlabel('False-Alarm Probability')
ylabel('Probability of Detection')
legend('Real','Coherent','Noncoherent','location','southeast')
title('ROC Curve Comparison for Nonfluctuating RCS Target')
hold off

Figure contains an axes. The axes with title ROC Curve Comparison for Nonfluctuating RCS Target contains 3 objects of type line. These objects represent Real, Coherent, Noncoherent.

Кривые ROC ясно демонстрируют превосходящую вероятность эффективности обнаружения для когерентных и некогерентных детекторов по случаю с действительным знаком.

rocsnr функция принимает вход вектора ОСШ, позволяющий вам быстро исследовать много кривых ROC.

SNRs = (6:2:12);
rocsnr(SNRs,'SignalType','NonfluctuatingNoncoherent')

Figure contains an axes. The axes with title Nonfluctuating Noncoherent Receiver Operating Characteristic (ROC) Curves contains 8 objects of type line, text.

График показывает, что, когда ОСШ увеличивается, поддержки вероятностных распределений в соответствии с пустыми и альтернативными гипотезами становятся больше непересекающимся. Поэтому для данной ложно-сигнальной вероятности, вероятности увеличений обнаружения.

Можно исследовать вероятность обнаружения в зависимости от ОСШ для фиксированной ложно-сигнальной вероятности с rocpfa. Чтобы получить кривые ROC для Swerling, я предназначаюсь для модели в ложно-сигнальных вероятностях (1e 6,1e 4,1e 2,1e 1), использую

Pfa = [1e-6 1e-4 1e-2 1e-1];
rocpfa(Pfa,'SignalType','Swerling1')

Figure contains an axes. The axes with title Swerling1 Receiver Operating Characteristic (ROC) Curves contains 8 objects of type line, text.

% Используйте rocpfa исследовать эффект ОСШ на вероятности обнаружения для детектора с помощью некогерентной интеграции с ложно-сигнальной вероятностью 1e-4. Примите, что цель имеет неколебание RCS и что вы интегрируете более чем 5 импульсов.

[Pd,SNR] = rocpfa(1e-4,...
    'SignalType','NonfluctuatingNoncoherent',...
    'NumPulses',5);
figure;
plot(SNR,Pd); xlabel('SNR (dB)');
ylabel('Probability of Detection'); grid on;
title('Nonfluctuating Noncoherent Detector (5 Pulses)');

Figure contains an axes. The axes with title Nonfluctuating Noncoherent Detector (5 Pulses) contains an object of type line.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте