简介：面向通信工程、信号处理及相关专业学生的《信号检测与估计理论与应用》（关欣译）课后习题解答合集，对应电子科技大学该课程的教学内容，可用于对照教材逐章核对解题思路、巩固检测与估计的核心概念。压缩包共95个文件、约9.55MB，以74个.m脚本和11个PDF章节解答为主体，另含5个.mdl仿真模型、1个.mat数据文件及若干说明文本；其中PDF按章节拆分，m文件与模型对应具体习题的数值计算与仿真复现。已有1563人学习。读者可据此核对贝叶斯判决、阈值设定与虚警概率计算、最大似然估计和最小二乘估计等题目的推导过程，并借助MATLAB代码复现高斯噪声、白噪声环境下的检测性能曲线与卡尔曼滤波的预测更新流程，适合课后自查、考前复习与专题练习时参考。

1. 信号检测与估计到底是什么：一句话拆开两个动词

深夜听到楼道里有动静，你脑子里其实跑了两件事：先判断“是不是有人”，再判断“脚步声离我大概多远”。前者只有“有”和“没有”两个结果，后者要给出一个带误差的数值。信号检测与估计这门课，做的就是把这两件事写成数学。检测回答“有没有”，估计回答“是多少”。很多读者搜“信号检测与估计理论与应用 课后答案”，往往是被教材里密密麻麻的假设检验和克拉美-罗下界卡住了，答案本身不是目的，看懂那两个动词怎么被拆开、又怎么被接回去，才是。搞懂这对概念，你再看雷达、通信接收机、医学影像里的判决门限和参数精度，就不再是一团玄学。

2. 为什么要把“检测”和“估计”分开：从一个光点说起

2.1 检测输出的是判决，估计输出的是数值

想象一台老式雷达的屏幕，上面有一个微弱光点。操作员要做的第一件事不是读距离，而是决定这个光点到底目标回波，还是噪声偶然鼓起来的包。这个决定就是检测，输出只有两种：判为有目标，判为无目标。只有检测通过了，第二步才轮到估计：根据回波的时延算距离，根据多普勒频移算速度，输出一个带单位的数值。

这个顺序不是习惯问题，而是逻辑问题。检测错了，估计就失去意义。把噪声判成目标，后面的距离数值再精细也是假的；把真目标漏掉，估计模块连输入都没有。所以教材通常先讲检测、再讲估计，习题也常把两件事拆成前后两问。

用信息论的话说，检测是离散判决，估计是连续参数推断。离散判决的数学工具是假设检验，连续推断的工具是参数估计。两套工具的评价指标也不同：检测看虚警概率和检测概率，估计看偏差和方差。混在一起谈，就会出现“这个算法准确率多少”这种把两件事压成一个指标的模糊说法。

2.2 两套数学工具各自长什么样

检测的核心是把观测数据映射成两个假设之间的选择。教材里常见的写法是：

• H0：只有噪声
• H1：噪声加信号

然后构造一个统计量，比如匹配滤波器的输出，再拿它和门限比。门限往左挪，虚警变多；门限往右挪，漏检变多。整章内容基本围绕“门限怎么定”展开。

估计的核心是把观测数据映射成一个参数值。比如观测到一串含噪样本，要猜信号幅度、到达时间或频率。评价一个估计量好不好，看它是不是无偏、方差是不是接近理论下界、样本变多时会不会收敛到真值。

两者在习题里的长相也不一样。检测题常问“写出判决规则并画出 ROC 曲线”，估计题常问“求最大似然估计并验证是否达到克拉美-罗下界”。看到题目先分清问的是哪一个，比急着套公式重要得多。

2.3 为什么课后习题总在这两个词之间来回切换

一本教材的习题往往按章节推进：前半本讲检测，后半本讲估计，中间用“先检测后估计”的系统题把两者串起来。很多读者卡住，不是因为某个公式不会推，而是没意识到自己已经换了赛道。

比如一道题先让你设计匹配滤波器做检测，下一问又让你用同一段回波估计时延。前一问的评价标准是检测概率，后一问的评价标准是估计方差。如果拿检测的门限去套估计的误差，就会写出“门限越低估计越准”这种不成立的结论。

提示：做课后题之前先标一句“这问是检测还是估计”，能省掉大量返工。

这份课后答案资料的价值，恰恰在于它把每一问的赛道标出来了。它不是替你算完就完，而是让你看到同一段数据在两种任务下被怎样不同地对待。看懂这个切换点，教材里那些看似跳跃的习题就会连成一条线。

3. 检测的核心：假设检验、虚警与漏检的跷跷板

3.1 把“有没有目标”写成两个假设

检测的第一步不是算，而是把问题写成两个互斥的假设。H0 通常代表“没有信号，只有噪声”，H1 代表“信号存在”。观测到数据 x 之后，我们计算一个似然比：

# 似然比判决的骨架示意（伪代码风格，参数为占位） # x: 一次观测向量 # p0: H0 下观测的概率密度 # p1: H1 下观测的概率密度 # threshold: 判决门限 likelihood_ratio = p1(x) / p0(x) decision = "H1" if likelihood_ratio > threshold else "H0"

这段代码只表达逻辑：把两种假设下“出现当前观测的可能性”做比值，比值超过门限就判有信号。门限不是拍脑袋定的，它取决于你更怕虚警还是更怕漏检。

参数说明上，p0 和 p1 来自对噪声和信号的建模。高斯噪声下它们就是两个正态密度，指数族下可以化简成充分统计量。教材习题经常让你推导化简后的判决式，目的不是让你背公式，而是让你看清“门限到底卡在哪个物理量上”。

3.2 虚警概率与检测概率：ROC 曲线就是那条跷跷板的轨迹

虚警概率 Pf 是“没有目标却判有目标”的概率，检测概率 Pd 是“有目标且判有目标”的概率。门限一动，这两个概率同时动，方向相反。把不同门限下的 (Pf, Pd) 点连起来，就是 ROC 曲线。

ROC 曲线不是装饰图。它告诉你：在给定虚警水平下，检测概率的理论上限在哪里。两条 ROC 曲线比较，靠左上方的更好；同一个系统换门限，只是沿着同一条曲线滑动，不会跳出这条曲线。很多习题让你证明“似然比检验在给定 Pf 下使 Pd 最大”，说的就是这条曲线的最优性。

用蒙特卡洛可以直观看到门限的影响：

import numpy as np # 模拟：H1 下观测为 信号+噪声，H0 下只有噪声 rng = np.random.default_rng(0) N = 20000 signal = 1.0 noise = rng.normal(0, 1, N) x_h0 = noise x_h1 = signal + noise # 遍历门限，计算虚警概率与检测概率 for th in [0.5, 1.0, 1.5, 2.0]: pf = np.mean(x_h0 > th) # H0 被判为有目标 pd = np.mean(x_h1 > th) # H1 被判为有目标 print(f"门限={th:.1f} Pf={pf:.3f} Pd={pd:.3f}")

代码里 signal 是信号幅度，noise 的标准差是 1，门限从 0.5 往 2.0 挪，Pf 和 Pd 一起下降。跑一遍就能看到“跷跷板”不是比喻，是数值上真实存在的取舍。

3.3 判决门限怎么定：贝叶斯、极小极大与 Neyman-Pearson

门限的定法对应三种常见准则。贝叶斯准则给每种判决分配代价，再乘先验概率，让平均代价最小；极小极大准则假设先验未知，专门针对最坏情况把最大风险压到最低；Neyman-Pearson 准则最常用，它把虚警概率约束在一个可接受水平，然后让检测概率尽量大。

这三种准则在课后题里经常被拿来对比。贝叶斯题会给你代价矩阵和先验概率，让你算门限；Neyman-Pearson 题会直接给“虚警不超过 0.01”，让你构造判决式。两者的数学形式接近，但出发点不同：一个算经济账，一个算安全边界。

实际系统里，Neyman-Pearson 出现得最多，因为虚警往往有明确的运行约束。比如某图像处理 Demo 做缺陷检测，误报太多会让复检人员疲于奔命，于是先把虚警压到某个水平，再谈检出率。教材里的习题把这层工程直觉抽象成约束优化，答案资料则把每一步的拉格朗日乘子和门限解对应起来。

4. 估计的核心：从带噪观测里猜一个参数

4.1 估计量的三个评价维度：无偏、有效、一致

检测问“有没有”，估计问“是多少”。估计量是观测数据的函数，它本身也是随机的。评价一个估计量，教材通常给三个词：无偏、有效、一致。

无偏指估计量的期望等于真值。有效指它的方差接近理论下界，也就是克拉美-罗下界。一致指样本数趋于无穷时，估计量依概率收敛到真值。三个词不是同义词：一个估计量可以无偏但方差很大，也可以方差很小但有固定偏差。

初学最容易把“无偏”当成“准”。无偏只说明反复实验的平均值不偏，单次估计仍可能偏离很远。习题里让你算偏差和方差，就是要把这两个概念拆开。答案资料里如果只给一个最终数值，读者往往看不出这一步在评价什么。

4.2 克拉美-罗下界：给估计精度画一条地板线

克拉美-罗下界（CRLB）回答的是：在给定噪声模型和样本量下，任何无偏估计量的方差都不可能低于某个值。它像一条地板线，告诉你“再好的算法也不能比这更准”。

计算 CRLB 通常要写对数似然的导数，再求 Fisher 信息量。教材习题常让证明某个估计量达到下界，达到下界的估计量叫有效估计量。最大似然估计在样本量足够大时渐近达到 CRLB，这也是它被频繁使用的原因之一。

下面的代码用高斯噪声下的均值估计做一个最小验证：

import numpy as np # 观测模型：x_i = A + n_i，n_i ~ N(0, sigma^2) # 估计 A，样本均值是最大似然估计 sigma = 2.0 N = 100 A_true = 5.0 rng = np.random.default_rng(1) x = A_true + rng.normal(0, sigma, N) A_hat = np.mean(x) # 理论方差下界：sigma^2 / N crlb = sigma**2 / N print(f"估计值={A_hat:.3f} 理论方差下界={crlb:.4f}")

这段代码里 sigma 是噪声标准差，N 是样本数，A_hat 是样本均值。样本均值的方差正好等于 sigma²/N，达到 CRLB。换成均匀噪声或其他分布，样本均值未必还是有效估计量，习题就会让你比较不同估计量的方差。

4.3 最大似然估计与最小二乘：两条最常见的路

最大似然估计的思路是：把观测数据看成已经发生的事实，选那个让这组数据出现概率最大的参数值。最小二乘的思路是：选那个让模型预测和观测之间平方误差最小的参数值。高斯噪声下两者往往等价，非高斯噪声下会分道扬镳。

教材里这两条路都会讲，因为它们对应不同的建模假设。最大似然需要知道完整的概率分布，最小二乘只需要一二阶矩的信息。习题里如果只给噪声方差没给分布，通常走最小二乘；如果明确写了高斯、指数族或拉普拉斯，才轮到最大似然展开。

课后答案在这部分最容易出现“跳步”：对数似然求导、令导数为零、解方程，三步并成一行。读者对照时如果只抄结果，下次换一个噪声分布仍然不会。答案资料真正的用法，是拿它检查自己有没有漏掉边界条件，比如参数空间限制、多个驻点怎么取舍。

5. 常见误区与易混概念：检测、估计、滤波、调制别搅在一起

5.1 误区一：检测和估计是一回事

易混点：都叫“从数据里推断信息”，题目又常出现在同一章。为什么混：教材前半本讲检测、后半本讲估计，中间没有明显分界线，读者容易把“判有没有”和“算多少”压成一个动作。怎么区分：看输出。检测的输出是离散标签，评价指标是 Pf 和 Pd；估计的输出是连续数值，评价指标是偏差和方差。一道题如果问“判决规则”，它在检测赛道；如果问“估计量及其方差”，它在估计赛道。先认赛道再动笔，比背公式管用。

5.2 误区二：信噪比高就一定检测得准

易混点：直觉上信号越强越好，于是把信噪比当成检测性能的唯一指标。为什么混：信噪比确实影响 ROC 曲线，但它不是全部。观测时间、信号波形、噪声分布、先验概率都会改变判决结果。怎么区分：看 ROC 曲线而不是单点信噪比。两个系统信噪比相同，匹配滤波器不同，ROC 曲线可以差出一大截。教材里让你比较“相关接收机”和“非相干接收机”，就是在提醒你：检测性能是统计量设计的结果，不只是功率比。

5.3 误区三：估计量无偏就等于估得准

易混点：无偏听起来像“没有误差”。为什么混：日常语言里“ unbiased”常被理解成“准”，但统计上的无偏只约束期望。怎么区分：把偏差和方差分开算。一个无偏估计量单次可能偏得很远，一个有偏估计量反而方差很小。习题里让你求均方误差，就是把两者合起来看。实际工程里有时宁愿要一个带小偏差但方差更低的估计量，这类取舍在教材的估计章节里会有专门讨论。

5.4 误区四：匹配滤波器是用来“恢复波形”的

易混点：匹配滤波器名字里有“滤波”，容易被当成去噪或波形复原工具。为什么混：它确实是一个线性系统，输入输出都是波形。怎么区分：匹配滤波器的目标是在采样时刻最大化输出信噪比，服务于检测判决，不是还原原始信号形状。它的冲激响应是信号的时间反转，输出峰值对应似然比。教材习题让你画匹配滤波器输出并定采样时刻，重点在“判决时刻的信噪比”，不在波形保真。

5.5 误区五：课后答案看懂了就等于会了

易混点：答案写得顺，读的时候每一步都“嗯有道理”，合上就写不出。为什么混：看懂是识别，做题是生成，两者调用的认知过程不同。怎么区分：遮住答案，只留题目，限时写判决式或估计量；写完再对照，重点看自己卡在哪一步。答案资料最有价值的部分不是最终数值，而是中间被省略的建模假设和边界讨论。把答案当“对照检查表”，比当“阅读材料”有效得多。

注意：如果一道题你只能复述答案的推导顺序，却说不出为什么选这个准则、为什么门限落在这个值，那还停留在识别层面。

6. 这份课后答案什么时候用、什么时候别用：一个过来人的边界判断

课后答案不是万能钥匙。它最适合的场景很具体：你已经读过教材对应章节，能写出检测与估计的基本定义，但在习题的建模假设、准则选择或推导跳步上卡住。这时候拿答案对照，像是拿一张标注了路线的地图，能快速定位自己漏了哪个条件。尤其是 Neyman-Pearson 门限求解、CRLB 的 Fisher 信息量计算、最大似然的多驻点取舍这几类题，答案里的中间步骤能省掉大量反复试错。

不适合的场景同样具体。如果你还没弄懂“检测输出离散判决、估计输出连续数值”这条分界线，直接翻答案只会把两种题型混成一套模板；如果你把答案当睡前读物，顺着读一遍觉得都懂，第二天面对空白纸仍然写不出判决式；如果你做完题从不回看自己错在哪一步，答案就只是一份“别人的推导”。这几种情况下，答案越详细，越容易制造一种虚假的掌握感。

我自己的血泪经验是：曾经把一本信号检测与估计的课后答案从头到尾“读”了一遍，合上书觉得什么都会，结果第一次独立做匹配滤波器题，连 H0 和 H1 下的概率密度都写反。从那以后我每次对照答案，都强制先遮住解答，只留题目，写完再逐行比对，专门盯自己跳过的那几步。这个习惯不玄学，就是逼自己把“识别”变成“生成”。希望帮到你。

本文还有配套的精品资源，点击获取