Кривые рабочей характеристики приемника (ROC) представляют графические сводные данные эффективности детектора. Можно сгенерировать кривые ROC с помощью rocpfa и rocsnr функций.
Если вы заинтересованы в изучении эффекта изменения вероятности ложного предупреждения на вероятность обнаружения для фиксированного ОСШ, можно использовать rocsnr. Для примера порога ОСШ для детектора Неймана-Пирсона одной выборки в реальном Гауссовом шуме составляет приблизительно 13,5 дБ. Использование rocsnr для построения графика вероятность обнаружения изменяется как функция от скорости ложного предупреждения в этом ОСШ.
T = npwgnthresh(1e-6,1,'real'); rocsnr(T,'SignalType','real')
Кривая ROC позволяет легко считать вероятность обнаружения для заданной частоты ложных предупреждений.
Можно использовать rocsnr для проверки эффективности детектора для различных типов принимаемых сигналов при 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
Кривые ROC четко демонстрируют превосходную вероятность эффективности обнаружения для когерентных и некогерентных детекторов в реальном случае.
The rocsnr функция принимает вход вектора ОСШ, позволяя вам быстро изучить несколько кривых ROC.
SNRs = (6:2:12); rocsnr(SNRs,'SignalType','NonfluctuatingNoncoherent')
График показывает, что, когда ОСШ увеличивается, поддержки распределений вероятностей под ядром и альтернативные гипотезы становятся более непересекающимися. Поэтому для заданной вероятности ложного предупреждения вероятность обнаружения увеличивается.
Вы можете изучить вероятность обнаружения как функцию ОСШ для фиксированной вероятности ложного предупреждения с rocpfa. Чтобы получить кривые ROC для целевой модели Swerling I с вероятностями ложного предупреждения (1e-6,1e-4,1e-2,1e-1), используйте
Pfa = [1e-6 1e-4 1e-2 1e-1]; rocpfa(Pfa,'SignalType','Swerling1')
% Использование rocpfa изучить эффект ОСШ на вероятность обнаружения для детектора, используя некогерентное интегрирование с вероятностью ложного предупреждения 1e-4. Предположим, что цель имеет неколеблющуюся RCS и что вы интегрируете более 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)');
