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')
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
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')
График показывает, что, когда ОСШ увеличивается, поддержки вероятностных распределений в соответствии с пустыми и альтернативными гипотезами становятся более разделенными. 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')
Используйте rocpfa исследовать эффект ОСШ на вероятности обнаружения для детектора с помощью некогерентной интеграции с ложно-сигнальной вероятностью 1e-4. Примите, что цель имеет не колеблющийся ЭПР 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)');
