六种贝叶斯检测门限MATLAB实现：ROC曲线生成、Pfa/Pd统计验证与参数可调仿真

本文还有配套的精品资源，点击获取

简介：提供六种经典检测门限的完整MATLAB实现——贝叶斯准则、最大后验概率（MAP）、最大似然（ML）、奈曼-皮尔逊（NP）、最小错误概率（MMPoEC）和最小平均风险（MPPC）。每个门限对应独立脚本（如Bayes.m、NP.m、MLC.m等），支持灵活调整先验概率、代价因子和信噪比。运行后自动输出虚警概率（Pfa）、漏检概率（Pm）、检测概率（Pd）及对应的ROC曲线；所有结果均经10万次以上蒙特卡洛仿真（MC.m）验证，图形化展示清晰直观。配套含理论图解（如bayes_criterion.png、neyman_pearson_criterion.png）、详细注释代码、README.md说明文档、参数设置指南及典型运行示例。适用于雷达信号检测、通信系统判决设计、统计假设检验教学与算法对比研究。

1. 这不是“调个函数画条线”——六种检测门限背后的决策逻辑与工程实感

你手头可能正压着一份雷达信号处理的课程设计，或是正在调试一个通信接收机的判决模块，又或者只是想搞清楚为什么教科书里那几页贝叶斯公式，在实际仿真中会跑出完全不同的ROC曲线。我做过七年的雷达系统算法验证，也带过三届本科生做统计检测课程设计，最常听到的问题不是“怎么写代码”，而是：“Bayes和NP到底差在哪？为什么我设了同样的SNR，Pfa却对不上理论值？”——这恰恰说明，问题不在MATLAB语法，而在对检测门限本质的理解断层。

这个资源包里的六种门限：贝叶斯准则（Bayes）、最大后验概率（MAP）、最大似然（ML）、奈曼-皮尔逊（NP）、最小错误概率（MMPoEC）、最小平均风险（MPPC），它们不是并列的“六种方法”，而是一张层层嵌套的决策逻辑网。比如，MAP其实是Bayes在等代价下的特例；ML是MAP在等先验下的再特例；NP则彻底甩开了先验概率，只盯住Pfa这个硬约束；而MPPC引入了代价矩阵，把“漏检一次损失100分，虚警一次损失1分”这种真实工程权衡塞进了数学模型里。你调参时看到的Pfa跳变、ROC曲线弯曲程度、Pd饱和点位置的变化，全都是这些底层逻辑在数据上的投影。

我见过太多人直接拿Bayes.m跑一遍，发现ROC比NP.m“更靠左上”，就以为Bayes“性能更好”。但真相往往是：你没意识到Bayes的最优性依赖于先验概率的准确性——如果实际场景中目标出现概率是1%，而你误设为50%，那Bayes给出的门限反而会让系统在低信噪比下大量漏检。而NP的“稳定”恰恰来自它的“不关心先验”，它用牺牲一部分Pd为代价，换来了Pfa的绝对可控。这不是优劣之分，而是设计哲学之别：Bayes适合先验已知且稳定的场景（如固定部署的边防雷达），NP适合Pfa必须严控的场景（如航空管制中的告警系统）。

这个包的价值，不在于它提供了六个可运行脚本，而在于它把每一种门限的决策边界推导过程、参数敏感度、蒙特卡洛验证的采样策略、以及图形化结果背后隐藏的统计陷阱，都摊开在你眼前。比如MC.m里那个10万次仿真的循环，不是简单地重复10万次randn，而是严格按H0/H1假设下的联合分布采样，并在每次迭代中同步计算所有六种门限的判决结果——这样你才能真正对比出：在相同噪声实现下，哪种门限对异常值更鲁棒，哪种更容易受先验偏差影响。配套的那些.png图解（bayes_criterion.png、neyman_pearson_criterion.png）也不是装饰，它们是我当年在实验室白板上反复推演后拍下的真实笔记：左边画的是似然比Λ(x)的分布，右边标的是不同门限τ在该分布上的切割点，中间箭头指向的就是Pfa和Pd的几何意义。你看懂这张图，比背十遍公式更有用。

如果你是学生，这套流程能帮你把《统计信号处理》课本里抽象的积分符号，变成屏幕上跳动的ROC曲线和具体的Pfa数值；如果你是工程师，它提供了一套可审计、可复现、可嵌入自己项目框架的检测门限验证模板——所有脚本都采用模块化结构，输入参数清晰标注物理含义（比如snr_db不是随便一个数字，而是明确对应到σ²=1时的E_s/N_0），输出变量命名直指工程语义（pfa_mc而非out1）。它不教你“如何成为MATLAB高手”，而是帮你建立一个信号检测工程师应有的思维习惯：每一次点击运行，都要问自己——这个门限假设了什么？它忽略了什么？我的实际系统满足这些假设吗？

2. 六种门限的本质差异：从数学推导到工程落地的完整映射

2.1 贝叶斯准则（Bayes）——以全局代价最小为目标的“精算师”

贝叶斯决策的核心，是让平均风险R最小。它不孤立看待单次判决，而是站在长期运行视角，把“判H1但实际是H0”的代价C₁₀（虚警代价）和“判H0但实际是H1”的代价C₀₁（漏检代价）都纳入计算。其判决规则是：

若 Λ(x) = p(x|H1)/p(x|H0) ≥ τ_Bayes = (C₁₀·π₀)/(C₀₁·π₁)，则判H1；否则判H0。

这里τ_Bayes不是常数，而是由先验概率π₀/π₁和代价因子C₁₀/C₀₁共同决定的动态阈值。我当年在某型预警雷达项目中，就吃过这个亏：系统要求虚警率≤1e-6，但初期测试时Pfa总超标。后来发现，我们把C₁₀设得过大（认为虚警后果极其严重），导致τ_Bayes被压得极低，门限几乎贴近噪声底，自然虚警泛滥。最终调整策略是：将C₁₀/C₀₁从1000:1改为10:1，同时把π₁（目标出现概率）从0.01提高到0.05（考虑复杂电磁环境下目标活跃度），τ_Bayes才回归合理区间。这说明，Bayes不是“设个参数就完事”，它强迫你去量化那些模糊的工程权衡。

在Bayes.m脚本里，关键参数是cost_matrix = [0, C10; C01, 0]和prior_prob = [pi0, pi1]。注意，cost_matrix(1,2)对应C₁₀（H0→H1错误），cost_matrix(2,1)对应C₀₁（H1→H0错误）。很多初学者会把这两个搞反，导致门限计算符号错误。实测下来，当C₁₀远大于C₀₁时，ROC曲线会急剧左移——这意味着系统变得极度保守，宁可漏掉十个目标，也不愿虚警一次。这正是Bayes的“精算”本色：它不做道德判断，只忠实执行你输入的代价权重。

2.2 最大后验概率（MAP）——Bayes在等代价下的“简化版”

MAP是Bayes的一个重要特例：当C₁₀ = C₀₁时，代价因子抵消，判决规则退化为：

若 p(H1|x) ≥ p(H0|x)，即 Λ(x) ≥ π₀/π₁，则判H1。

此时门限τ_MAP = π₀/π₁，只取决于先验概率比。它不再需要你去主观设定C₁₀/C₀₁，降低了工程复杂度，但代价是放弃了对不同类型错误的差异化惩罚能力。在MAP.m中，你只需设置prior_prob，无需cost_matrix。我常用它做快速原型验证：先用MAP跑通流程，确认信噪比、采样点数等基础参数没问题，再切换到Bayes加入代价优化。

一个关键细节是：当π₀ = π₁ = 0.5时，τ_MAP = 1，此时MAP与ML完全等价。但现实中，π₁极少等于0.5。比如在海上监视雷达中，π₁可能低至1e-4（平均每万次扫描才出现一次目标），此时τ_MAP = 9999，门限极高，系统极其“懒惰”，必须看到非常强的信号才报警。这解释了为什么同样SNR下，MAP的Pd会显著低于ML——它不是性能差，而是策略不同：ML追求“看起来最像目标”，MAP追求“综合概率最高的假设”。

2.3 最大似然（ML）——彻底抛弃先验的“纯粹观察者”

ML准则最“干净”：它完全无视先验概率，只相信数据本身。判决规则就是：

若 p(x|H1) ≥ p(x|H0)，即 Λ(x) ≥ 1，则判H1。

门限τ_ML恒为1，与任何先验或代价无关。这使得ML具有极强的鲁棒性——无论你的先验估计有多离谱，ML的结果都不会因此扭曲。在MLC.m脚本中，你甚至看不到prior_prob这个输入参数。我把它称为“纯粹观察者”，因为它只回答一个问题：“给定这个观测x，哪个假设能更好地解释它？”

但代价是：ML无法利用任何先验知识。在低信噪比下，当p(x|H1)和p(x|H0)分布严重重叠时，ML的Pd会迅速跌落，而Bayes或MAP还能靠先验“拉一把”。一个典型场景是弱小目标检测：ML可能连续漏检，而Bayes若知道目标大概率出现在某个距离单元，就能通过先验提升该区域的判决权重。所以ML不是“低端”，而是“适用场景明确”——它最适合先验完全未知，或先验信息不可靠的场合，比如新部署的无源探测系统，初期缺乏历史目标统计。

2.4 奈曼-皮尔逊（NP）——以Pfa为铁律的“守门员”

NP准则的哲学与其他五种截然不同：它不追求全局最优，只确保Pfa不超过预设阈值α。其判决规则是：

若 Λ(x) ≥ τ_NP，且满足 ∫_{Λ(x)≥τ_NP} p(x|H0) dx = α，则判H1。

τ_NP不是由公式直接算出，而是通过求解上述积分方程反推得到。这正是NP最难实现的部分——你需要对H0下的似然比分布进行数值积分或查表。在NP.m中，我们采用二分搜索法：先设定一个τ候选值，用蒙特卡洛方法估算当前τ下的Pfa_mc，然后不断调整τ直到|Pfa_mc - α| < 1e-4。这个过程可能迭代上百次，但换来的是Pfa的精确可控。

为什么NP如此重要？因为工程系统中，Pfa往往有硬性指标。比如民航二次雷达的Pfa必须≤1e-6，否则地面站会被海量虚警淹没。这时Bayes的“平均风险最小”毫无意义——你不能说“虽然虚警超标，但平均来看损失不大”。NP就是为此而生。我在调试某型机载火控雷达时，NP.m成了每日必跑脚本：输入α=1e-7，脚本自动输出τ_NP和对应的理论Pd，再与实测数据对比，偏差超过5%就要检查前端滤波器是否引入了非高斯噪声。

2.5 最小错误概率（MMPoEC）——Bayes在等代价下的另一种面孔

MMPoEC（Minimum Probability of Error Criterion）常被误认为是MAP的同义词，但严格来说，它是Bayes在C₁₀ = C₀₁ = 1，且C₀₀ = C₁₁ = 0（正确判决零代价）这一特定代价矩阵下的产物。此时平均风险R就等于总错误概率P_error = Pfa·π₀ + Pm·π₁。所以MMPoEC的目标就是最小化P_error。

在MMPoEC.m中，你会发现它与MAP.m的代码结构几乎一致，但参数接口更聚焦：只暴露prior_prob，隐含了等代价假设。它的价值在于教学——当你想向学生展示“为什么先验会影响最优门限”时，MMPoEC比Bayes更直观：画出π₁从0.001到0.999变化时τ的变化曲线，学生立刻能看到门限如何随先验“漂移”。而在工程中，MMPoEC适用于那些错误类型后果相近的场景，比如某些生物电信号分类，判错一次的临床影响差别不大。

2.6 最小平均风险（MPPC）——引入多维代价的“高级调度员”

MPPC（Minimum Average Risk Criterion）是Bayes的广义形式，但它支持非零的正确判决代价C₀₀、C₁₁。这听起来奇怪，但有现实意义：比如在自动化质检中，“放过一个缺陷品”（C₀₁）代价极高，但“正确检出良品”（C₀₀）也可能消耗昂贵的精密检测资源，需要计入成本。此时代价矩阵是：

cost_matrix = [C00, C10; C01, C11]

MPPC.m的判决规则变为：

若 Λ(x) ≥ (C₁₀ - C₁₁)·π₀ / ((C₀₁ - C₀₀)·π₁)，则判H1。

注意分子分母都出现了C₁₁和C₀₀。这意味着，即使C₁₀ = C₀₁，只要C₀₀ ≠ C₁₁，门限依然会偏移。我曾在一个半导体晶圆缺陷检测项目中用到它：C₀₀（对良品做无谓检测）设为1（单位时间成本），C₁₁（对缺陷品漏检）设为1000（客户索赔），C₁₀（虚警停机）设为50（产线重启成本），C₀₁（漏检缺陷）设为10000（品牌信誉损失）。MPPC自动计算出的门限，比单纯用Bayes（设C₀₀=C₁₁=0）更激进——它宁愿多花点时间检测良品，也要死死守住缺陷漏检这条红线。这就是MPPC的“高级调度”能力：它把系统级的成本流，精准映射到每一次二元判决上。

3. 核心仿真流程拆解：从理论公式到图形化结果的全链路实现

3.1 信号与噪声建模：为什么必须用复高斯，而不是简单randn？

所有六种门限的性能，都建立在对H0/H1假设下观测x的概率密度函数p(x|H0)和p(x|H1)的准确建模上。在雷达/通信领域，最基础的模型是：

• H0：x ~ CN(0, σ²) （纯噪声，复高斯分布）
• H1：x ~ CN(s, σ²) （信号+噪声，s为确定性复信号）

这里的关键是复高斯（Complex Gaussian），而非实数高斯。因为实际接收信号是I/Q两路，必须用复数表示。在MC.m中，核心采样代码是：

% H0假设：纯噪声 x_h0 = sqrt(sigma2/2) * (randn(N,1) + 1j*randn(N,1)); % H1假设：信号+噪声（s为已知复信号幅度） x_h1 = s + sqrt(sigma2/2) * (randn(N,1) + 1j*randn(N,1));

注意sqrt(sigma2/2)——这是复高斯的标准差设置。因为复高斯的实部和虚部独立同分布于N(0, σ²/2)，所以总功率E[|x|²] = σ²。如果错误地写成sqrt(sigma2)，会导致噪声功率翻倍，整个ROC曲线向下偏移。我踩过的坑是：早期用实数模型仿真，Pd总是偏低，后来才发现I/Q通道的能量分配没处理对。

信号s的设置也至关重要。在脚本中，s通常设为s = sqrt(Es)，其中Es是信号能量。而SNR定义为Es/σ²。所以当你设置snr_db = 10时，脚本内部会计算sigma2 = Es / (10^(snr_db/10))，再生成噪声。这个链条必须闭环，否则SNR标签就失去了物理意义。在调试时，我习惯先打印mean(abs(x_h0).^2)和mean(abs(x_h1-s).^2)，确认它们分别收敛于σ²和σ²，这是仿真可信的第一道门槛。

3.2 门限计算与判决：六种算法的统一框架与差异化实现

所有脚本都遵循同一主干流程：

1. 参数解析：读取snr_db、prior_prob、cost_matrix、alpha（仅NP）等；
2. 信号建模：根据SNR生成H0/H1下的观测样本；
3. 似然比计算：对每个样本x_i，计算Λ_i = p(x_i|H1)/p(x_i|H0)；
4. 门限求解：根据各自准则计算τ；
5. 蒙特卡洛判决：对每个Λ_i，比较Λ_i ≥ τ，统计H0/H1下的判决次数；
6. 性能计算：Pfa = 判H1的H0样本数 / H0总样本数，Pd = 判H1的H1样本数 / H1总样本数；
7. 结果可视化：绘制ROC曲线、Pfa/Pd vs SNR等。

差异点集中在第4步（门限求解）和第5步（判决逻辑）。以NP.m为例，其门限求解是迭代过程：

tau_low = 0; tau_high = 100; % 初始搜索范围 for iter = 1:100 tau_mid = (tau_low + tau_high)/2; pfa_est = estimate_pfa(tau_mid, x_h0); % 对H0样本统计Λ>=tau_mid的比例 if pfa_est > alpha tau_low = tau_mid; else tau_high = tau_mid; end if abs(pfa_est - alpha) < 1e-4, break; end end tau_np = tau_mid;

而Bayes.m则直接计算：

tau_bayes = (cost_matrix(1,2)*prior_prob(1)) / (cost_matrix(2,1)*prior_prob(2));

这里有个易错点：cost_matrix(1,2)是C₁₀（H0→H1），cost_matrix(2,1)是C₀₁（H1→H0），矩阵索引与教科书惯例一致。但有些文献用行表示判决、列表示真实假设，顺序相反，务必核对。

3.3 ROC曲线生成：不是画一条线，而是构建一条“性能指纹”

ROC曲线的横轴是Pfa，纵轴是Pd，但它不是单一曲线，而是一族曲线——每条曲线对应一个SNR值。在ROC_generation.m（或各主脚本内置的ROC绘制模块）中，我们这样做：

• 固定SNR，比如snr_db = 0:2:20；
• 对每个SNR，运行一次完整的门限计算与判决；
• 对每个门限，改变其τ（Bayes/ML/MAP的τ可直接扫，NP的τ需重新求解），得到一组(Pfa, Pd)点；
• 将所有点按Pfa升序排列，用plot(pfa_vec, pd_vec, '-o')绘制。

关键技巧是：Pfa的采样点必须足够密，尤其在Pfa<1e-3的低虚警区。因为工程关注的往往是Pfa=1e-6这样的极端点，如果只扫10个τ值，很可能错过。我在脚本中设置了tau_vec = logspace(-2, 3, 100)，覆盖从0.01到1000的范围，确保低Pfa区有足够的分辨率。

另一个重点是：ROC曲线必须标注SNR值。同一门限在不同SNR下，ROC形状完全不同。比如ML在SNR=0dB时ROC很平缓，Pd随Pfa缓慢上升；而在SNR=15dB时，ROC会陡峭上扬，Pd在Pfa=1e-3时就接近0.99。不标SNR的ROC图，就像没有刻度的温度计——好看，但没用。

3.4 蒙特卡洛验证：10万次不是凑数，而是为了“看见”统计波动

MC.m的核心价值，在于它把理论概率变成了可观测的频率。Pfa的理论值是∫_{Λ≥τ} p(Λ|H0) dΛ，但这个积分在复杂模型下往往无解析解。MC.m用频率代替概率：

num_trials = 1e5; pfa_mc = sum(decision_h0 == 1) / num_trials; % decision_h0==1表示判H1 pd_mc = sum(decision_h1 == 1) / num_trials;

但10万次不是随便选的。根据中心极限定理，频率估计的标准差约为√(p(1-p)/N)。当Pfa=1e-6时，要使标准差≤1e-7（即相对误差≤10%），需要N ≥ p(1-p)/var ≈ 1e-6 / 1e-14 = 1e8。所以10万次对高Pfa（如1e-2）绰绰有余，但对Pfa=1e-6，结果会有较大波动。这就是为什么配套文档强调：“低Pfa区域需增加蒙特卡洛次数或采用重要性采样”。我在实际项目中，对Pfa<1e-4的点，会单独运行100万次MC，并用histcounts检查Λ分布的尾部是否被充分采样——如果直方图在τ附近出现空洞，说明采样不足。

提示：MC.m默认使用rng('default')，确保结果可复现。如果你需要不同随机种子，可在调用前加rng(seed)。但切记，对比不同门限时，必须用同一组随机数！否则差异可能来自随机性，而非算法本身。

4. 实操避坑指南：那些文档不会写，但会让你调试三天的细节

4.1 “Pfa对不上理论值”的五大根源与排查路径

这是最常被问到的问题。当你输入α=0.01，运行NP.m后得到Pfa_mc=0.015，第一反应是“代码错了”。但大概率不是。请按此顺序排查：

1. 检查H0样本是否纯净：运行mean(abs(x_h0).^2)，确认是否≈σ²。如果偏高，说明噪声功率设置错误，或代码中混入了信号分量。
2. 验证似然比计算：对一个H0样本x，手动计算p(x|H1)/p(x|H0)，看是否为正实数。复数结果意味着共轭或模平方计算错误。
3. 确认τ的求解精度：在NP.m中，打印pfa_est的收敛过程。如果最后一步abs(pfa_est - alpha)=5e-3，说明二分搜索未达精度，需减小容差。
4. 审视蒙特卡洛次数：对α=0.01，10万次的理论标准差≈0.001，所以Pfa_mc=0.015在3σ范围内（0.01±0.003），属正常波动。此时应多跑几次取均值。
5. 排查数值溢出：当SNR很高时，Λ(x)可能极大（如1e20），导致exp()计算溢出。解决方案是在似然比计算中改用对数域：log_Lambda = log_p_x_h1 - log_p_x_h0，判决改为log_Lambda >= log_tau。

我曾因第4点浪费两天：客户坚持Pfa必须精确到0.0100，而我的结果是0.0103。最后发现，他们要求的是“95%置信区间包含0.01”，而非单次运行等于0.01。这提醒我们：统计仿真必须报告置信区间，而非单点值。

4.2 图形化陷阱：ROC曲线“看起来一样”，但信息量天壤之别

新手常把六条ROC曲线画在同一图上，发现它们几乎重合，就认为“算法没区别”。这是最大的视觉误导。正确做法是：

• 分图对比：为每个门限单独画图，标注其τ值、SNR、关键点坐标（如Pfa=1e-3时的Pd）；
• 放大低Pfa区：用set(gca,'XScale','log')将横轴设为对数，让Pfa=1e-6到1e-2的区域充分展开；
• 叠加理论曲线：对高斯模型，Bayes/NP的理论ROC有闭式解（Marcum Q函数），用qfuncm计算并叠加，看仿真点是否落在理论曲线上。

在配套的bayes_criterion.png图解中，我特意画了两条线：一条是理论ROC（光滑曲线），一条是MC仿真点（带误差棒的散点）。误差棒长度=3×标准差，直观显示统计不确定性。没有误差棒的ROC图，就像没有误差线的实验数据——不可信。

4.3 参数耦合陷阱：修改一个参数，为何五个结果都变了？

先验概率π₁不仅影响Bayes/MAP/MMPoEC的τ，还会间接影响NP的性能。因为NP的τ_NP是通过H0分布求解的，而H0分布本身不受π₁影响。但等等——ROC曲线上的点(Pfa, Pd)是联合概率，Pd = ∫_{Λ≥τ} p(Λ|H1) dΛ，而p(Λ|H1)与π₁无关。所以π₁不该影响NP的ROC。然而，在MC.m中，如果你用num_h0 = round(N_total * pi0)和num_h1 = round(N_total * pi1)来分配样本数，那么当π₁很小时（如1e-4），H1样本数可能只有100个，导致Pd估计方差极大。此时看似π₁影响了NP，实则是样本不平衡导致的统计误差。

解决方案：对H0和H1分别生成足量样本（如各5e4），而非按先验比例分配。这在MC.m中已实现，但用户自定义脚本时极易忽略。记住：蒙特卡洛的样本数，应由所需精度决定，而非先验概率。

4.4 脚本调用链陷阱：为什么直接运行Bayes.m会报错？

资源包里的脚本不是孤立的。它们共享一个核心函数库：likelihood_ratio.m（计算Λ）、roc_curve.m（生成ROC）、mc_simulation.m（执行蒙特卡洛）。如果你把Bayes.m拷到新文件夹单独运行，MATLAB会提示Undefined function 'likelihood_ratio'。正确流程是：

1. 将整个资源包解压到一个文件夹；
2. 在MATLAB中，cd到该文件夹；
3. 运行addpath(genpath(pwd))，将所有子文件夹加入路径；
4. 然后运行Bayes。

配套的README.md详细写了这一步，但很多人跳过。更隐蔽的陷阱是：maximum_likelihood_criterion.png等图解文件名含中文（如“闄勮禒璧勬簮.docx”），在Linux/macOS系统下可能乱码。解决方案是重命名为英文，或在MATLAB中用uigetdir选择路径，避免命令行编码问题。

4.5 性能边界认知：ROC曲线之外，你必须看的三个图

仅看ROC，你会错过关键信息。务必生成以下三图：

• Pd vs SNR曲线（固定Pfa）：横轴SNR，纵轴Pd，多条线对应不同Pfa（1e-2, 1e-4, 1e-6）。它告诉你：要达到Pfa=1e-6且Pd=0.9，需要多少SNR？
• τ vs SNR曲线：横轴SNR，纵轴τ。Bayes的τ随SNR升高而增大（更激进），NP的τ则随SNR升高而减小（更容易触发）。这是门限“性格”的直接体现。
• 判决统计直方图：对同一组H1样本，画出六种门限的Λ值分布，并标出各自的τ位置。你能直观看到：ML的τ=1总在分布中部，NP的τ在右尾，Bayes的τ随先验漂移——这才是决策逻辑的“快照”。

我在某次雷达招标演示中，就用第三张图说服了客户：他们的旧算法τ固定为5，而我们的Bayes在低SNR时τ=3，在高SNR时τ=8，完美匹配信噪比变化。一张图，胜过千言万语。

5. 工程延伸与教学应用：从仿真包到真实系统的桥梁

5.1 如何把仿真结果嵌入你的实际项目？

这个包不是玩具，而是可裁剪的工程组件。例如，在一个OFDM通信接收机中，你需要在频域做信道估计后的信号检测。步骤是：

1. 替换信号模型：将x_h1 = s + noise改为x_h1 = fft(channel_response .* ofdm_symbol) + noise；
2. 重定义似然比：likelihood_ratio.m中，p(x|H1)不再是复高斯，而是基于实际信道估计误差的分布（如复高斯+估计误差）；
3. 集成门限计算：在接收机主循环中，对每个子载波或符号块，调用bayes_threshold(snr_est, prior_prob, cost_matrix)获取实时τ；
4. 在线更新先验：用滑动窗口统计历史判决结果，动态更新π₁，实现自适应Bayes。

我在某5G基站项目中就是这样做的：先用本包仿真验证不同SNR下的τ-Pd关系，再将拟合公式（τ = a*log10(SNR)+b）固化到FPGA查找表中，节省了实时计算资源。仿真包的价值，正在于它让你在烧片之前，就看清了算法的性能包络。

5.2 教学场景下的深度用法：让学生“看见”决策过程

作为课程设计，不要只让学生跑脚本。我设计过一个经典实验：

• 任务：给定SNR=10dB，要求Pfa≤0.05，选择最优门限；
• 步骤：
  1. 让学生手动计算Bayes、MAP、ML、NP的τ值；
  2. 用脚本运行，记录各自的Pd；
  3. 分析：为什么NP的Pd最高？Bayes的Pd略低，但它的“平均风险”是多少？
  4. 进阶：将π₁从0.1改为0.01，观察Bayes的τ和Pd如何变化，并解释工程含义。

配套的.png图解就是为此而生。让学生对照bayes_criterion.png，在纸上画出Λ分布，亲手标出τ位置，计算阴影面积——这比看一百行代码更能理解本质。

5.3 后续可扩展方向：从静态检测到动态决策

这个包是二元静态检测的基石。下一步可扩展：

• 多假设检测：将H0/H1扩展为H0（无信号）、H1（目标A）、H2（目标B），对应多类Bayes决策；
• 序贯检测：不固定采样点数N，而是逐点计算Λ，当Λ累积超过阈值时立即判决，大幅降低平均采样数；
• 深度学习融合：用CNN提取x的特征f(x)，再将f(x)输入Bayes分类器，替代手工设计的似然比。

所有这些，都始于对这六种基础门限的透彻理解。就像学游泳，必须先掌握划水、换气、漂浮的基本功，才能挑战蝶泳或公开水域。这个包，就是你的检测理论基本功训练场。

我在实验室的白板上，至今还贴着当年手绘的六种门限对比表。每当有新人来，我就指着它说：“别急着写代码。先搞懂这张表，你写的每一行MATLAB，才有灵魂。”

本文还有配套的精品资源，点击获取

简介：提供六种经典检测门限的完整MATLAB实现——贝叶斯准则、最大后验概率（MAP）、最大似然（ML）、奈曼-皮尔逊（NP）、最小错误概率（MMPoEC）和最小平均风险（MPPC）。每个门限对应独立脚本（如Bayes.m、NP.m、MLC.m等），支持灵活调整先验概率、代价因子和信噪比。运行后自动输出虚警概率（Pfa）、漏检概率（Pm）、检测概率（Pd）及对应的ROC曲线；所有结果均经10万次以上蒙特卡洛仿真（MC.m）验证，图形化展示清晰直观。配套含理论图解（如bayes_criterion.png、neyman_pearson_criterion.png）、详细注释代码、README.md说明文档、参数设置指南及典型运行示例。适用于雷达信号检测、通信系统判决设计、统计假设检验教学与算法对比研究。

本文还有配套的精品资源，点击获取