Приложение П.8.1. Алгоритмы вычисления обобщенной Q-функции Маркума
П.8.1.1. Постановка задачи
При
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.