简介：这份资料是电子科技大学《信号检测与估计理论与应用》关欣译教材的配套课后答案，面向通信工程、信号处理等专业的学生与自学者，用于在噪声背景下理解信号检测与参数估计的核心方法，巩固课堂所学并排查知识盲点。压缩包共95个文件，约9.55MB，以74个m文件与5个mdl模型文件为主，可直接在MATLAB中运行验证；另有11个pdf分章解答、1个mat数据文件及少量md、txt说明，覆盖从贝叶斯决策、最大似然估计到卡尔曼滤波等典型习题的推导与仿真。内容涉及检测概率与虚警概率计算、最优滤波器设计、高斯与有色噪声建模等应用场景，可对照章节逐步复现。目前已有1556人学习下载，适合需要系统练习与查漏补缺的中高年级学生参考。
1. 信号检测与估计：从“背答案”到“会答题”的分水岭
很多人拿到《信号检测与估计理论与应用》这本教材的课后习题，第一反应是找答案对一对，对完就翻篇。但真正在考试里拉开差距的，从来不是“这道题我见过”，而是“这道题换个数、换个条件，我还能不能推出来”。这门课的核心考点集中在假设检验、参数估计、波形检测、匹配滤波、克拉美-罗界这几块，计算量大、推导链条长，光靠背答案基本是翻车现场。这份课后答案资源的价值，不在于给你一个数字，而在于把每道题的判决规则、估计量构造、性能分析方法完整拆开，让你能照着推导过程复现一遍。适合正在准备期末、考研复试或相关认证笔试的人，尤其是那种“课上听懂了、一做题就卡住”的状态。
2. 假设检验与判决规则：高频考点拆解与答题模板
2.1 二元假设检验的判决式怎么推
假设检验是整门课的地基，几乎每套卷子都会出。题目通常给两种假设下的观测模型，比如 H0 下观测是纯噪声，H1 下观测是信号加噪声，然后让你推导似然比检验的判决规则。
答题思路分四步走。第一步，写出两种假设下的条件概率密度函数，这是所有后续推导的起点。第二步，构造似然比，也就是 H1 下的似然函数除以 H0 下的似然函数。第三步，把似然比和门限比较，门限由先验概率和代价因子决定。第四步，化简判决式，尽量写成观测量的线性函数或者能量形式，方便后续分析。
这类题面试官最想听的是你对门限物理意义的理解。门限不是随便设的，它直接控制虚警概率和检测概率的权衡。先验概率偏向 H0 时，门限会抬高，判决更保守；代价因子不对称时，门限也会偏移。
下面用一段 Python 代码演示如何数值计算判决门限和对应的虚警概率，帮助理解参数变化对判决的影响。
import numpy as np from scipy.stats import norm # 参数设置：H0 下均值为 0，H1 下均值为 mu，噪声标准差为 sigma mu = 2.0 sigma = 1.0 P_H0 = 0.6 # H0 先验概率 P_H1 = 0.4 # H1 先验概率 C10 = 1.0 # 虚警代价 C01 = 2.0 # 漏检代价 # 似然比门限：eta = (P_H0 * (C10 - C00)) / (P_H1 * (C01 - C11)) # 假设 C00 = C11 = 0 eta = (P_H0 * C10) / (P_H1 * C01) # 对数似然比判决式化简后，判决门限 gamma 满足： # (mu / sigma^2) * x > ln(eta) + mu^2 / (2 * sigma^2) gamma = (sigma**2 / mu) * (np.log(eta) + mu**2 / (2 * sigma**2)) # 虚警概率 P_fa = P(x > gamma | H0) P_fa = 1 - norm.cdf(gamma, loc=0, scale=sigma) # 检测概率 P_d = P(x > gamma | H1) P_d = 1 - norm.cdf(gamma, loc=mu, scale=sigma) print(f"似然比门限 eta = {eta:.4f}") print(f"判决门限 gamma = {gamma:.4f}") print(f"虚警概率 P_fa = {P_fa:.4f}") print(f"检测概率 P_d = {P_d:.4f}")这段代码的关键在于把先验概率和代价因子映射成似然比门限，再化简成观测域上的判决门限。参数 C10 和 C01 分别代表虚警和漏检的代价，调大 C01 会让门限降低，检测概率上升但虚警也会增加。考试里如果让你分析“代价因子如何影响判决”，直接从这个公式切入就能说清楚。
2.2 真题演练：复合假设检验与广义似然比
真题里经常出现复合假设检验，也就是假设下的参数不确定，比如信号幅度未知。这时候要用广义似然比检验，先对未知参数做最大似然估计，再把估计值代回似然比。
答题模板是这样的：先写出含未知参数的似然函数，然后对未知参数求导令其为零，解出最大似然估计量，最后把估计量代入似然比得到检验统计量。注意，广义似然比检验的统计量分布通常比简单假设检验复杂，考试里如果要求性能分析，一般会给出近似条件或者让你用蒙特卡洛仿真验证。
易错点在于：很多人直接把未知参数当成已知来推，结果判决式里还带着未知量，这是典型的失分操作。面试官看到这种答案，基本判定你没理解复合假设检验的本质。
3. 参数估计与克拉美-罗界：计算题与证明题的答题套路
3.1 最大似然估计的构造与求解
参数估计是另一大高频模块，核心考点包括最大似然估计、最小方差无偏估计、克拉美-罗界。题目通常给出一组独立同分布的观测样本，让你求某个参数的最大似然估计量，然后判断它是否无偏，最后计算方差并和克拉美-罗界比较。
答题步骤：先写出似然函数，取对数得到对数似然函数，对参数求导并令导数为零，解出估计量。然后验证无偏性，也就是求估计量的期望是否等于真值。最后计算方差，并和克拉美-罗界对比，如果方差等于界，说明这个估计量是有效估计量。
这类题的计算量集中在求导和解方程上，稍不注意就会算错。建议在草稿纸上先把对数似然函数整理成便于求导的形式，再动手。
3.2 真题演练：克拉美-罗界的推导与判断
真题里常见的形式是：给定观测模型，要求推导克拉美-罗界，并判断某个估计量是否达到该界。
克拉美-罗界的推导核心是计算费舍尔信息量，也就是对数似然函数对参数的一阶偏导的平方的期望，或者二阶偏导期望的负值。费舍尔信息量的倒数就是任何无偏估计量方差的下界。
答题时注意两点：第一，费舍尔信息量的计算要对整个观测空间求期望，不能只对某个样本求；第二，判断估计量是否达到界，要看它的方差是否等于界的倒数，如果大于，说明不是有效估计量，但可能是渐近有效的。
下面用一段代码演示如何数值计算费舍尔信息量和克拉美-罗界，帮助理解不同参数对估计精度的影响。
import numpy as np from scipy.stats import norm # 观测模型：x = A + n，n ~ N(0, sigma^2)，A 是待估参数 A_true = 1.5 sigma = 1.0 N = 100 # 样本数 # 生成观测数据 np.random.seed(42) x = A_true + sigma * np.random.randn(N) # 最大似然估计：样本均值 A_hat = np.mean(x) # 费舍尔信息量：I(A) = N / sigma^2 I_A = N / sigma**2 # 克拉美-罗界：CRB = 1 / I(A) CRB = 1 / I_A # 估计量的方差（理论值） var_A_hat = sigma**2 / N print(f"最大似然估计 A_hat = {A_hat:.4f}") print(f"费舍尔信息量 I(A) = {I_A:.4f}") print(f"克拉美-罗界 CRB = {CRB:.6f}") print(f"估计量方差 var(A_hat) = {var_A_hat:.6f}") print(f"是否达到克拉美-罗界：{np.isclose(var_A_hat, CRB)}")这段代码展示了高斯观测下样本均值的估计精度。费舍尔信息量随样本数线性增长，克拉美-罗界随之下降，说明样本越多估计越准。考试里如果让你分析“样本数对估计精度的影响”，直接引用这个关系就能得分。
3.3 最小方差无偏估计的验证方法
最小方差无偏估计的考点通常以证明题形式出现，要求你验证某个估计量是否是最小方差无偏估计。答题思路有两种：一种是通过克拉美-罗界判断，如果估计量的方差等于界，那它就是最小方差无偏估计；另一种是利用充分统计量和 Rao-Blackwell 定理，先找充分统计量，再构造无偏估计。
面试官最想听的是你对“充分统计量”的理解。充分统计量包含了观测中关于参数的全部信息，任何无偏估计量都可以通过充分统计量来改进。如果你能说清楚这一点，说明你对参数估计的理论框架有整体把握。
4. 波形检测与匹配滤波：从推导到实现的完整链路
4.1 匹配滤波器的冲激响应与输出信噪比
波形检测的核心是匹配滤波器，考点包括冲激响应设计、输出信噪比计算、以及和白噪声下最优检测的关系。题目通常给一个已知波形，让你设计匹配滤波器，并计算最大输出信噪比。
答题模板：匹配滤波器的冲激响应是信号波形的时间反转和移位，即 h(t) = s(T - t)。最大输出信噪比等于信号能量除以噪声功率谱密度的一半。这个结论在考试里可以直接用，但推导过程要能写出来，否则证明题会丢分。
易错点在于：很多人把匹配滤波器和相关器混为一谈，其实两者在输出信噪比上是等价的，但实现结构不同。考试里如果让你比较两者，要从时域卷积和频域相乘的角度分别说明。
4.2 真题演练：多脉冲检测与积累增益
真题里经常出现多脉冲检测，也就是在多个脉冲周期内观测信号，然后做相干或非相干积累。相干积累要求相位已知，非相干积累则用包络检波。
答题思路：先写出每个脉冲的观测模型，然后根据相位是否已知选择积累方式。相干积累的输出信噪比随脉冲数线性增长，非相干积累则有积累损失，脉冲数越多损失越小但不会消失。
这类题的计算量在于积累增益的推导，考试里如果时间紧张，可以直接引用结论，但要把适用条件写清楚。面试官最想听的是你对“相干与非相干”区别的理解，以及在实际系统中如何选择。
下面用一段代码演示匹配滤波器的实现和输出信噪比的计算。
import numpy as np import matplotlib.pyplot as plt # 定义信号波形：矩形脉冲 T = 1.0 fs = 1000 t = np.linspace(0, T, int(T * fs), endpoint=False) s = np.ones_like(t) # 矩形脉冲 # 匹配滤波器冲激响应：h(t) = s(T - t) h = s[::-1] # 接收信号：信号加高斯白噪声 np.random.seed(0) noise = 0.5 * np.random.randn(len(t)) x = s + noise # 匹配滤波器输出：卷积 y = np.convolve(x, h, mode='full') / fs # 输出信噪比理论值：SNR = 2E / N0 E = np.sum(s**2) / fs # 信号能量 N0 = 0.5**2 / fs # 噪声功率谱密度 SNR_theory = 2 * E / N0 print(f"信号能量 E = {E:.4f}") print(f"噪声功率谱密度 N0 = {N0:.6f}") print(f"理论输出信噪比 SNR = {SNR_theory:.2f}") # 绘制匹配滤波器输出 plt.plot(y) plt.title("匹配滤波器输出") plt.xlabel("采样点") plt.ylabel("幅度") plt.show()这段代码展示了匹配滤波器的时域实现。卷积后的输出在信号结束时刻达到峰值，峰值大小与信号能量成正比。参数 N0 控制噪声水平，N0 越小输出信噪比越高。考试里如果让你分析“噪声对检测性能的影响”，从这个公式切入就能说清楚。
4.3 检测性能分析：ROC 曲线与判决门限
检测性能分析是波形检测的收尾考点，通常要求画 ROC 曲线或者计算给定门限下的检测概率和虚警概率。答题思路是先推导检验统计量的分布，然后根据门限计算两个概率，最后画图或者列表。
面试官最想听的是你对 ROC 曲线形状的理解。ROC 曲线越靠近左上角，检测性能越好。门限向左移动，检测概率和虚警概率同时上升；门限向右移动，两者同时下降。这个权衡关系是检测理论的核心。
5. 易错点与失分点：这些坑千万别踩
5.1 判决式化简时丢掉约束条件
错在哪：推导似然比检验时，化简到一半就把某个不等式方向搞反，或者忽略了参数取值范围。为什么错：判决式的化简易错点在于不等式两边同乘或同除一个可能为负的项，符号方向会变。怎么答对：每一步化简都标注前提条件，尤其是除以一个量之前先判断它的正负。
5.2 克拉美-罗界计算时漏掉期望
错在哪：算费舍尔信息量时只对某个样本求导，忘了对整个观测空间求期望。为什么错：费舍尔信息量是期望值，不是单次观测的函数。怎么答对：先写出对数似然函数，再对参数求偏导，最后对观测的联合分布求期望，一步都不能省。
5.3 匹配滤波器输出信噪比公式记混
错在哪：把最大输出信噪比记成信号能量除以噪声功率谱密度，漏了系数 2。为什么错：匹配滤波器的输出信噪比推导中，信号能量和噪声功率谱密度的关系容易混淆。怎么答对：记住结论是 2E/N0，其中 E 是信号能量，N0 是单边噪声功率谱密度。如果题目给的是双边谱，要先换算。
5.4 复合假设检验中未知参数处理不当
错在哪：把未知参数当成已知量直接代入似然比，导致判决式里还有未知量。为什么错：复合假设检验的核心是先估计再检验，不能跳过估计步骤。怎么答对：先对未知参数做最大似然估计，再把估计值代入似然比，得到广义似然比检验统计量。
5.5 非相干积累增益计算时忽略积累损失
错在哪：把非相干积累的增益当成和相干积累一样随脉冲数线性增长。为什么错：非相干积累存在平方律检波损失，脉冲数较少时损失更明显。怎么答对：记住非相干积累的增益近似为脉冲数的平方根关系，脉冲数越多越接近相干积累，但永远不会完全消除损失。
6. 答题节奏与押题思路：把课后答案用出最大价值
这门课的考试有个特点：计算题和证明题各占一半，计算题考的是熟练度，证明题考的是推导链条的完整性。很多人计算题能拿分，证明题一写就卡，根本原因是平时看答案只看结果，没跟着推一遍。我的建议是，每道课后题至少手推两遍，第一遍对着答案推，第二遍合上答案独立推，推完再对照答案检查每一步的依据。
押题思路方面，假设检验和参数估计是必考模块，波形检测和匹配滤波通常出一道大题，克拉美-罗界可能单独出证明题，也可能嵌在参数估计里考。复习优先级建议按这个顺序：似然比检验的推导、最大似然估计的构造、克拉美-罗界的计算、匹配滤波器的设计、非相干积累的性能分析。
答题节奏上，计算题控制在十五分钟内完成，证明题留二十分钟。如果一道题卡住超过五分钟，先跳过做后面的，回头再补。考试里最怕的是在一道题上死磕，结果后面会做的题没时间写。
提示：课后答案里的推导步骤要逐行核对，尤其是符号定义和不等式方向，这些地方最容易出错。
从那以后我每次做课后题都强制走一遍“合上答案独立推”的流程，推完再对照，错在哪一目了然。希望帮到你。
本文还有配套的精品资源，点击获取
