Приложение П.8.1. Алгоритмы вычисления обобщенной Q-функции МаркумаП.8.1.1. Постановка задачиПри обнаружении сигналов в гауссовском шуме с равномерной спектральной плотностью мощности в пределах рассматриваемой полосы частот статистика, по которой принимается решение, имеет нецентральное -распределение. При этом параметр нецентральности равен удвоенному отношению сигнал-шум , число степеней свободы равно удвоенному произведению длительности наблюдения на ширину полосы пропускания входных цепей обнаружителя . В отсутствии сигнала статистика имеет центральное -распределение. Поэтому для расчета вероятностей ложной тревоги и обнаружения сигналов требуется вычислять интегралы от плотности вероятностей -распределения с степенями свободы, которое определяется следующим образом. Если - независимые нормально распределенные случайные величины с параметрами , соответственно, то распределение случайной величины (П.8.1.1) называется нецентральным -распределением с степенями свободы и параметром нецентральности . (П.8.1.2) При распределение называется центральным -распределением. Классические алгоритмы расчета нецентрального -распределения, применяемые в математической статистике, становятся малоэффективными при тех значениях параметров, которые имеют место в задачах обнаружения. Поэтому в настоящее время не ослабевает интерес к разработке эффективных алгоритмов расчета функции нецентрального -распределения с высокой точностью, о чем свидетельствует ряд публикаций [87,98-106]. При этом расчет рабочих характеристик обнаружителей выделен в специфическую задачу, связанную с вычислением обобщенной -функции Маркума или -функции. Алгоритмы расчета указанных функций используют разложение в степенные ряды [100,101] или ряды по функциям Бесселя (ряды Неймана) [102,103], численное интегрирование, основанное на методе перевала вычисления контурных интегралов [105,106], а также различные варианты гауссовской аппроксимации. Ниже приводятся систематизация разрозненных подходов к расчету распределения , модификация алгоритмов, анализ вычислительной устойчивости и границ применимости, сравнение результатов, полученных по различным алгоритмам. Как известно [87,98,99], рабочие характеристики энергетических обнаружителей: вероятности - ложного обнаружения, - обнаружения и - пропуска сигнала выражаются через интегральные функции центрального и нецентрального -распределения , (П.8.1.3) где - (П.8.1.4) интегральная функция центрального -распределения; - (П.8.1.5) интегральная функция нецентрального -распределения; - порог обнаружения; - число степеней свободы (, - время, - ширина полосы). В классическом варианте нецентральное -распределение выражается через центральное. Действительно, плотность вероятностей для нецентрального -распределения с учетом представления функции Бесселя в виде степенного ряда (П.8.1.6) запишется следующим образом , (П.8.1.7) где - (П.8.1.8) плотность вероятностей центрального -распрсделения. После интегрирования (П.8.1.7) получим выражение для функции распределения , (П.8.1.9) где для четных . (П.8.1.10) Таким образом, после подстановки (П.8.1.10) в (П.8.1.9) получим выражение для в виде степенного ряда . (П.8.1.11) Исторически сложилось, что наряду с распространенным в математической статистике центральным и нецентральным -распределением в задачах обнаружения рассматриваются обобщенная -функция Маркума и - функция, которые с помощью замены переменных сводятся к распределению . Для этих функций имеют место следующие интегральные представления [100-102]: , (П.8.1.12) где и - параметры; (П.8.1.13) обозначает вероятность некогерентного обнаружения импульсов; - отношение сигнал-шум для одного импульса; - нормированный порог обнаружения. Между указанными функциями существует взаимосвязь: (П.8.1.14) Таким образом, имея расчетные формулы для одной из функций, можно рассчитать другие функции, а, следовательно, и рабочие характеристики обнаружителей. Для расчета обобщенной -функции Маркума хорошо известно представление в виде ряда Неймана [102]: ; (П.8.1.15) . (П.8.1.16) Представления через степенные ряды (П.8.1.11) и ряды Неймана (П.1.15), (П.1.16) являются основой для построения целого ряда эффективных вычислительных алгоритмов. Для удобства сравнения с результатами, опубликованными в первоисточниках, сохраним обозначения, используемые в них.
|