简介：围绕《信号检测与估计理论与应用》关欣译本整理的课后答案包，面向通信工程、信号处理及相关专业的学习者，用于对照教材习题梳理检测与估计的基本框架，并借助可运行材料检查理解偏差。压缩包共95个文件、约9.55MB，以74个m文件为主体，配合11个PDF章节解答、5个mdl仿真模型以及mat数据、txt说明等，覆盖从习题推导到MATLAB复现的完整链路。已有1563人学习下载，说明其在课程复习与自学场景中具有一定参考价值。读者可结合PDF核对各章计算过程，围绕贝叶斯决策、虚警概率与检测概率、最大似然估计、最小二乘估计及卡尔曼滤波等知识点，利用m文件和Simulink模型复现典型例题，观察参数变化对检测性能与估计结果的影响。目录按章节与代码模块组织，便于按知识点检索，适合作为课堂作业对照、考前查漏补缺和课程设计的辅助材料。

1. 从半夜厨房那声"咔哒"说起：信号检测与估计到底在算什么

深夜，厨房传来一声"咔哒"。你躺在床上，脑子里瞬间跑完两道题：第一，这是冰箱热胀冷缩，还是真的有人进来了？第二，如果真有人，他现在离卧室大概多远？前一道题是从几个可能性里挑一个，后一道题是从一段连续范围里定一个数。信号检测与估计这套理论，干的就是这两件事——把人类靠直觉完成的判断，翻译成可写、可算、可复现的数学流程。它之所以值得搞懂，是因为雷达、通信、医疗影像、语音唤醒、工业质检，底层都是同一个问题：观测里混着噪声，我怎么从噪声里把"有没有"和"是多少"抠出来。而配套教材的课后答案，本质上就是把这些流程走给你看。

2. 一份习题解答为什么值得单独整理：这门课的骨架长什么样

2.1 从假设检验一路走到滤波：教材的知识地图

信号检测与估计这类教材，骨架大体是三大块，顺序几乎不会变。

第一块是经典检测理论。它处理的是"离散决策"：候选答案只有有限个，你要选一个。二元假设检验是原点——H0 表示只有噪声，H1 表示噪声加信号。围绕这个原点，教材会依次铺开贝叶斯准则、最小错误概率准则、奈曼-皮尔逊准则、极小化极大准则，再扩展到复合假设、多元假设和序贯检测。这一块的核心产物是判决规则和门限。

第二块是经典估计理论。它处理的是"连续取值"：你要估的那个量在一个区间里可以取任意值，比如信号幅度、到达时延、载波频率、来波方向。教材会先给评价标准——无偏性、方差、均方误差、一致性、有效性——再介绍贝叶斯估计、最大似然估计、最小二乘估计、线性最小均方误差估计，最后落到克拉美-罗下界这条"任何无偏估计量都跨不过去的线"。

第三块是应用与扩展。匹配滤波器把检测问题化简成一次内积，维纳滤波在频域给出平稳过程的最优线性估计，卡尔曼滤波把估计从"一次算完"变成"边观测边修正"的递推过程。再往后可能还有谱估计、阵列处理之类的专题。

把这三块串起来看，你会发现这门课其实在反复问一句话：已知什么、未知什么、代价多大、噪声什么脾气。习题就是把这句话换个场景再问一遍。

2.2 习题考的不是算术，是把一段白话翻译成模型

初学的人常有一种错觉，觉得这门课的题难在积分。真做过十几道就会发现，卡住的地方几乎从来不是积分，而是建模的前三步：

• 这段描述里到底有几个假设？是二元还是多元？
• 待求的量是随机的（有先验分布）还是未知但固定的（没有先验）？
• 代价怎么给？漏检和虚警哪个更贵？先验概率告没告诉你？

这三步答错，后面算得再漂亮也是白搭。举个常见的翻车现场：某同学做一道"通信接收机判断本时隙有没有数据包"的题，题目里明说数据包出现的概率是 0.2，他图省事直接按等先验算，似然比门限取成了 1。结果判决门限偏了一大截，检测概率算出来比标准答案高了十几个百分点，还以为自己找到了更优解。

这类错误靠看书很难自查，因为教材正文的例题往往把建模过程压缩成一句话。而一份整理好的习题解答，恰恰会把"为什么这里假设参数是非随机的""为什么这里能用高斯近似"这类过渡句保留下来。它的价值不在最后那个数字，而在中间那条路径。

2.3 答案集的真正用法：对照路径，而不是对照结果

把答案当答案抄，收益接近于零；把它当"建模过程的旁白"读，收益会完全不同。一个比较有效的用法是：

先自己完整写一遍，包括假设、判据、门限形式和最终表达式，但先不代数字。然后翻开解答，只对照三件事——假设列得全不全、判据选得对不对、门限表达式有没有漏掉先验或代价项。最后才看数值。数值对不上时，优先怀疑中间某一步的近似条件，比如把非高斯当高斯、把相关噪声当白噪声。

提示：如果一道题的答案和你算的差一个常数因子，先别改公式，去检查噪声方差是单边功率谱密度还是双边、是 N0 还是 N0/2。这是这门课最高频的对答案分歧来源。

3. 检测与估计的分野：一字之差，两套思路

3.1 检测：在有限个假设里挑一个

检测问题的输出是离散的。哪怕候选假设有一百个，答案也只能是其中之一。所以检测理论的关键词是"判决"和"门限"。

以最经典的二元检测为例。观测到 x，两个假设 H0 和 H1，各自对应一个条件概率密度 p(x|H0) 和 p(x|H1)。最直观的做法是比大小：哪个假设下这个观测更可能出现，就判哪个。这就是最大似然判决。它等价于把两个密度的比值——似然比——和 1 比较。

一旦引入先验概率和代价，门限就从 1 挪开了。如果 H1 本来就很罕见，门限会往上抬，逼你看到更强的证据才敢下判；如果漏检的代价远高于虚警，门限会往下压，宁可误报也不能漏。所有检测准则，说到底都是在决定这个门限放在哪。

评价检测器好坏，靠的是一对互相拉扯的指标：虚警概率 Pfa 和检测概率 Pd。门限降低，Pd 上去，Pfa 也跟着上去。把不同门限下的 (Pfa, Pd) 画成曲线，就是接收机工作特性曲线。这条曲线越往左上角鼓，检测器越好。

3.2 估计：在一个连续区间里定位一个数

估计问题的输出是连续的。信号幅度可能是 0.83，也可能是 0.84，理论上可以取任意实数。所以估计理论的关键词是"误差"和"下界"。

因为输出连续，"判对判错"这种评价方式失效了。取而代之的是一整套统计语言：估计量的均值等于真值叫无偏；围绕真值波动的剧烈程度叫方差；两者合起来叫均方误差。一个估计量在样本量趋于无穷时收敛到真值，叫一致。在所有无偏估计量里方差最小的那个，叫有效估计量。

这套评价体系有个很讨巧的地方：它允许你在没算出具体估计量之前，就先知道"最好能好到什么程度"。克拉美-罗下界给出的正是这条线。算出下界，你就知道手上那个估计量的方差离理论极限还差多远——差得不多，说明方法已经到位；差出一个数量级，说明要么方法选错了，要么模型里有额外信息没用上。

3.3 一张表把两者的差别钉死

表格之外还有一点值得单独说：两者经常串在一起用。雷达先做检测判断"这一帧有没有目标"，检测通过后再做估计算"目标距离和角度"。这就是教科书里常说的"先检测后估计"。而一旦估计做出来，又可以反过来辅助下一轮检测，形成跟踪闭环。卡尔曼滤波之所以在这门课里地位特殊，就是因为它同时吃进了检测结果和估计误差。

4. 判据怎么落地：从贝叶斯代价到克拉美-罗下界

4.1 贝叶斯准则：把先验和代价折成一个门限

贝叶斯准则的思路很朴素：每种判决错误都有代价，把所有可能的代价按概率加权平均，得到一个平均风险，让这个平均风险最小。

二元情形下，平均风险由四项组成——判对的两项代价通常记为零，判错的两项分别是虚警代价和漏检代价。把风险表达式按观测整理，会自然分离出一个只与观测有关的部分（似然比）和一个只与先验、代价有关的常数（门限）。于是最优判决规则变成一句极简的话：似然比超过门限就判 H1。

门限的构成值得反复体会。它等于"先验概率之比"乘以"代价之比"。这两个因子任何一个变动，门限都会移动：

• 目标出现概率极低时，先验比很小，门限被抬高，系统变得更保守。
• 漏检代价远高于虚警代价时，代价比很大，门限被压低，系统变得更激进。

把这两句话代入火灾报警器就很好理解。火灾是小概率事件，按先验该保守；但漏报的代价是灾难性的，按代价该激进。两个因子方向相反，最终门限落在哪，取决于你把哪一头看得更重。这类权衡在教材习题里会被反复设置成参数让你算，目的就是让你对门限的手感变准。

4.2 最大似然与最大后验：两个"M"差在先验

最大似然估计问的是：哪个参数值能让眼前这组观测最可能出现。它只用似然函数 p(x|θ)，完全不管 θ 本身服从什么分布。

最大后验估计问的是：看到这组观测之后，哪个参数值最可能。它用后验密度 p(θ|x)，而根据贝叶斯公式，后验正比于似然乘以先验。

两者的差别就一句话：先验是均匀的或者说参数压根没有先验时，最大后验退化成最大似然。这也是为什么工程上最大似然用得更多——它不需要你先给参数编一个分布，代价是先验信息白白浪费了。

什么时候必须用最大后验？当先验确实存在且很强的时候。比如某个器件参数的出厂分布集中在标称值附近，你已经知道它八成落在这个范围里，此时把先验扔了就是自废武功。

4.3 估计量的评价：无偏、方差和那条跨不过去的线

评价一个估计量，教材通常按这个顺序展开。

先看偏差：估计量的期望减真值。为零就是无偏。有些估计量是有偏的，但在样本量增大时偏差趋于零，这叫渐近无偏。

再看方差：估计量围绕自身期望的散布程度。无偏加方差小，才算稳定。均方误差等于方差加偏差平方，是更综合的指标——有些场景下，用一点点偏差换大幅方差下降是划算的，这叫有偏估计的胜利，正则化就属于这一类思路。

最后看下界。克拉美-罗下界给的是：任何无偏估计量的方差都不可能低于某个值，这个值由费希尔信息量决定。费希尔信息量衡量的是"似然函数对参数有多敏感"——敏感度高，观测里携带的信息多，能估得准；敏感度低，你怎么算都估不准。

这条下界的实战意义在于它给了你一个"止损点"。算出来下界是 0.01，你手上的估计量方差是 0.0105，那就别再折腾了，方法已经基本榨干；如果方差是 0.5，说明还有很大改进空间，得回去检查是不是漏用了观测、选错了模型。不过要留个心眼：下界只对无偏估计量成立，而且不是所有问题都能达到，有些非线性问题里下界是"够不着"的。

4.4 匹配滤波器：把判决化简成一次内积

检测问题到了确知信号加白高斯噪声这个经典设定下，会得到一个极其漂亮的结果：最优判决等价于把观测和已知波形做一次内积，看结果是否超过门限。这个内积的物理实现就是匹配滤波器，它的冲激响应是已知波形的时间反转。

理解这一步的关键在于"内积就是相关性"。观测里如果真藏着这段波形，内积会把波形的能量累加起来；如果只有噪声，内积就是噪声的随机投影，期望为零。所以内积输出在信号存在时会明显冒尖，峰值位置还顺带给出了时延估计。

下面这段代码用两个小例子把这个过程跑一遍：

import numpy as np # 例一：单样本二元检测，H0 为纯噪声，H1 为已知幅度信号叠加噪声 rng = np.random.default_rng(0) N = 20000 sigma = 1.0 # 噪声标准差 A = 0.8 # 已知信号幅度，信噪比不高 H = rng.integers(0, 2, N) # 真实假设，0 和 1 各占一半 x = A * H + rng.normal(0, sigma, N) # 观测样本 # 等先验、等代价下，贝叶斯似然比门限退化为 1， # 取对数后等价于判决 x 是否大于 A/2 threshold = A / 2 H_hat = (x > threshold).astype(int) pfa = np.mean(H_hat[H == 0] == 1) # 虚警概率：没信号却判有 pd = np.mean(H_hat[H == 1] == 1) # 检测概率：有信号判出有 print("Pfa=%.4f Pd=%.4f" % (pfa, pd))

这段代码里，A是信号幅度，sigma是噪声标准差，两者之比决定了可检测性。把A调小到 0.2，会看到检测概率迅速塌向虚警概率——这不是代码写错了，而是信噪比不够时信息量本身就不支持可靠判断。threshold取A/2是因为两个假设的先验相等、代价相等；如果改成数据包出现概率只有 0.2，门限就要相应上移。

import numpy as np # 例二：匹配滤波，等价于用已知波形和观测做滑动相关 s = np.array([1.0, 0.5, -0.3, 0.2]) # 已知波形，长度 4 x = np.array([0.1, 1.0, 0.6, -0.2, 0.3, 0.0]) # 观测，前段埋了信号 y = np.correlate(x, s, mode="valid") # 逐点滑动内积，长度为 6-4+1 peak = int(np.argmax(y)) # 峰值位置即最佳定时估计 print("相关输出:", np.round(y, 3)) print("峰值位置:", peak)

这里s是已知波形，x是观测，mode="valid"表示只在完全重合的位置计算内积。输出的峰值位置对应信号在观测中的起点，峰值大小反映匹配程度。加入噪声后峰值位置可能偏移一两个采样点，这正是定时估计误差的来源，也是为什么实际系统要在峰值附近做插值。

5. 常见误区与易混概念：四个最容易翻车的坑

5.1 误区一：检测概率高就等于系统好

易混点：看到某检测器 Pd 达到 0.99，就认为它比 Pd 只有 0.9 的那个强。

为什么混：检测概率和虚警概率是一根绳上的两端，只报一头等于只报了一半事实。把门限一路往下压，Pd 可以逼近 1，代价是虚警也跟着逼近 1——系统变成"永远报警"，检测概率满分，但一点用没有。

怎么区分：看配对指标。要么同时给出在某个固定 Pfa 下的 Pd，要么直接看接收机工作特性曲线下的面积。教材习题里凡是只给一个数字的情况，通常都在暗示你要么先验已知，要么虚警被约束住了，得把隐藏条件找出来。奈曼-皮尔逊准则的处理方式就是把 Pfa 钉在某个值上再最大化 Pd，这个约束本身就是对上述陷阱的制度化防范。

5.2 误区二：把克拉美-罗下界当成实际能达到的方差

易混点：算出下界是 0.02，就认为自己的估计量方差应该等于 0.02。

为什么混：下界这个名字太有暗示性，容易读成"目标值"。实际上它只是一条理论地板线，而且有三个前提：估计量无偏、正则条件满足、下界可达。

怎么区分：记住三句话。第一，有偏估计量的方差完全可以低于这条线，因为偏差换来了方差下降。第二，参数空间有边界、似然函数不满足正则条件时，下界可能不成立。第三，即使下界成立，能达到它的只有有效估计量，而有效估计量通常只在高信噪比或大样本下才存在。所以正确用法是拿它当参照系，而不是当目标值。

5.3 误区三：把卡尔曼滤波当成一种高级低通滤波

易混点：看到卡尔曼滤波输出的曲线比原始观测平滑，就把它归类成"平滑去噪".

为什么混：表面上确实是在平滑，但低通滤波的权重是固定的，卡尔曼滤波的增益每一步都在变，而且变化依据是当前的不确定度。

怎么区分：看它到底在算什么。卡尔曼滤波是线性高斯假设下的递推最小均方误差估计，它同时维护两个量——状态估计和估计误差协方差。预测步让协方差变大（因为时间过去了，不确定性增加），更新步用观测把协方差压小。增益的大小正是这两个协方差的比值：观测不可靠时增益小，多信模型；模型不可靠时增益大，多信观测。这个自调节机制是固定权重的低通滤波器给不了的。也正因为这套假设，遇到强非线性场景直接套卡尔曼滤波就会明显跑偏，得换扩展卡尔曼或者粒子滤波。

5.4 误区四：照着答案的数字反推解题过程

易混点：自己算出来 0.87，答案写 0.93，于是回头改中间步骤，硬凑到 0.93。

为什么混：数值好对照，过程难对照，人天然倾向于抓容易抓的那一头。而且这门课的题经常有多个等价表达式，看着不一样其实是一回事，更容易让人以为是算错了。

怎么区分：把校验顺序倒过来。先检查量纲和边界——概率类的答案必须在 0 到 1 之间，方差不能为负，信噪比趋零时检测概率应该趋近虚警概率。再检查极限行为——把某个参数推到 0 或无穷，表达式是否退化成你熟悉的经典结果。最后才逐项核对中间式。硬凑数值最危险的地方在于，它会把你本来正确的建模直觉改坏，等到考试或者真实项目里没有答案可对，问题就暴露了。

注意：这四个误区有一个共同点——都发生在"从公式回到物理意义"这一步。公式推完不回头看一眼它在说什么，几乎是所有人都会踩的坑。

6. 什么时候该翻开答案，什么时候该合上：一份使用边界

一份习题解答最合适的用法，是当"第二意见"，不是当"第一解法"。它擅长的场景很明确：你已经独立写完一版解答，需要一个外部视角来校准建模假设；或者某道题卡在判据选择上超过半小时，需要看看别人是从哪个角度切入的；又或者你算出了结果但对数量级没把握，想验证一下量纲和极限行为是否合理。这几种情况下，答案提供的信息增量最大。

不合用的场景同样明确。第一种，题目还没读透就去翻——你会得到一堆正确的式子，却不知道它们为什么长这样，下次换个场景照样不会。第二种，把答案当作复习主体——解答写得再详细，也是别人嚼过的，缺少了自己挣扎的那段过程，记忆留存率会低很多。第三种，拿答案去校验一个你根本没建的模——这时候数字对上了也只是巧合。

有个习惯我保持了挺久：每做完一章习题，先不看答案，把自己所有的假设和判据单独抄在一页纸上，隔一天再翻解答对照那一页。隔一天这个动作很关键——当天的记忆还在，你会不自觉地"认领"答案里的思路；隔一天之后，哪些是自己真想出来的，哪些是看来的，一清二楚。刚开始这么干的时候，我发现自己有一半的"独立解答"其实是前一天翻答案时留下的残影，那感觉挺不好受的，但也正是从那时起，我对先验概率和代价项这两个东西变得格外敏感，看到题先圈出来再说。希望帮到你。

本文还有配套的精品资源，点击获取