bpsk 星座圖是一維的,在 awgn 的通道下,不考慮衰落,假設輸出為
y =x
+n
y=x+n
y=x+
n雜訊 n
nn 服從 cn(
0,σ2
)cn(0,\sigma^2)
cn(0,σ
2)是二維的。
進行判決時,雜訊項的虛部對判決結果是沒有影響的,可以忽略,所以剩下的雜訊項 nle
ft
n_\mathrm
nleft
是 nn
n 的實部,服從 n(0
,σ2/
2)
n(0,\sigma^2/2)
n(0,σ2
/2)。
在這樣的條件下**,誤位元率精確表示式為
p b=
q(2γ
)p_b=q(\sqrt)
pb=q(
2γ)
考慮通道衰落時,假設輸出為
y =h
x+
ny=hx+n
y=hx+n
此時的判決因為 h
hh 是乙個複數,所以雜訊項的虛部對判決結果是有影響的。
最大似然估計理解
說明 此篇部落格是對最大似然估計的精簡闡述,以應對筆試面試為目的。如需詳細理解,請參看這篇長部落格最大似然估計 maximum likelihood estimation 通過例子理解 要理解最大似然估計,首先要理解似然與概率 似然與概率 概率 概率是在特定環境 似然 在事件 x 已經發生的情況下,...
最大似然估計 交叉熵與最大似然估計的聯絡
交叉熵刻畫的是實際輸出 概率 與期望輸出 概率 的距離,也就是交叉熵的值越小,兩個概率分布就越接近,即擬合的更好。kl散度如下圖所示 當p分布是已知,則熵是常量 於是交叉熵和kl散度則是等價的。最小化kl散度和模型採用最大似然估計進行引數估計又是一致的。可以從公式推導上證明 最小化交叉熵即最小化kl...
對似然函式的理解
一直對貝葉斯裡面的似然函式 likelihood function 先驗概率 prior 後驗概率 posterior 理解得不是很好,今天彷彿有了新的理解,記錄一下。看 的時候讀到這樣一句話 原來只關注公式,所以一帶而過。再重新看這個公式前的描述,細思極恐。the likelihood funct...