企业官网建设流程全解析

简介：面向统计信号处理学习者与科研人员的广义最大似然比检验（GLRT）MATLAB仿真资源，聚焦弱信号检测与噪声背景下异常判断问题，适合正在学习假设检验、需要动手验证理论的本科高年级或研究生。压缩包仅3KB，包含7个功能明确的m脚本，分别覆盖仿真数据生成、似然函数与似然比计算、临界值求解、检测概率与虚警率评估等关键环节，并基于连续波信号模型进行设置，便于对照理论逐步复现。已有452人学习，代码结构清晰、注释简明，可帮助读者快速理解GLRT的决策流程，观察不同参数对检测性能的影响，并为实际雷达或通信场景中的检测问题提供可修改的仿真框架。同时，资源围绕一个典型算例完整呈现从建立假设、计算似然比到统计判决的整个过程，适合作为课程设计或论文复现的参考。

1. 看到这串文件名先别急着解压：MLE、GLRT、似然比检验说的是同一件事

看到这串文件名，做统计信号处理的人多半会心一笑。MLE、GLRT、Statistical test、似然比检验——四个词指向同一个技术方向：用最大似然估计构造广义似然比检验，回答"信号到底存不存在、模型该不该换"。这个方向的实际价值很直接：只要观测能被某个概率分布描述，想在两个假设之间做选择，似然比检验就是最通用的框架之一；参数未知时，GLRT先用MLE把未知量估出来再比，代价是渐近分布只在样本量足够时才准确。这篇笔记按"原理→代码→参数→踩坑→验证"展开，适合正在做信号检测、模型对比，或需要证明"差异显著"的从业者。新手跟第3章能跑通最小例子，熟手直接看第4、5章的参数与坑位。

2. 似然比检验的原理：MLE是地基，GLRT是处理未知参数的升级版

2.1 最大似然估计：为什么似然比检验离不开它

回到最原始的问题。拿到一组观测 $x_1, x_2, \dots, x_n$，假设它们独立同分布，服从带参数 $\theta$ 的分布 $f(x;\theta)$。似然函数写成：

$$L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)$$

最大似然估计就是找出让 $L(\theta)$ 最大的那个 $\hat{\theta}$。这个概念看起来只是在做参数估计，但它同时给统计假设检验提供了一把尺子：如果某个假设能让数据出现的概率最大，那这个假设就是相对合理的。于是检验问题被转化成比较"受约束的假设"和"不受约束的假设"各自对数据的解释能力，而解释能力的度量就是似然函数值本身。

似然比检验的统计量写成：

$$\Lambda(x) = \frac{\max_{\theta \in \Theta_0} L(\theta)}{\max_{\theta \in \Theta} L(\theta)}$$

分子是零假设约束下的最大似然值，分母是全局最大似然值。因为 $\Theta_0$ 是 $\Theta$ 的子集，分子永远不超过分母，所以 $\Lambda$ 落在 $[0,1]$ 区间内。$\Lambda$ 越接近1，说明零假设下数据也被解释得不错，倾向于接受 $H_0$；$\Lambda$ 明显小于1，说明零假设太勉强，应该拒绝。这里"嵌套模型"是整个方法的基石——如果两个假设不是嵌套关系，$\Lambda$ 可能大于1，整个框架立刻失效。

实际计算时没人直接用 $\Lambda$，原因在 Wilks 定理里。这个定理说的是：在 $H_0$ 成立、样本量趋于无穷时，$-2\ln\Lambda$ 渐近服从自由度为 $d$ 的卡方分布，其中 $d = \dim(\Theta_1) - \dim(\Theta_0)$。它的工程价值极大：你不需要为每个具体问题做蒙特卡洛仿真找门限，直接用卡方分布的分位数就能判决，用scipy.stats.chi2.ppf和sf就能拿到门限和 p 值。代价是它是渐近结论，样本量不够大、参数落在边界、模型不满足正则条件时，卡方近似都会偏离，这留给第5章细说。

2.2 GLRT的定义：把未知参数替换成MLE之后，统计量发生了什么变化

Neyman-Pearson 引理给出了最优检验，前提是两个假设下的概率密度完全已知，包括所有参数值。现实里这个前提几乎不成立——你多半只大概知道噪声方差，信号幅度未知；或者方差也要估计。广义似然比检验的做法很直白：未知参数就用 MLE 估出来，然后当作已知参数代入似然比：

$$t(x) = \frac{f(x; \hat{\theta}_1)}{f(x; \hat{\theta}_0)}$$

注意 $\hat{\theta}_0$ 是受 $H_0$ 约束的 MLE，$\hat{\theta}_1$ 是无约束的 MLE，两者不是一回事，别在代码里省掉其中一个。直觉上，因为估计过程"偷看"了数据，GLRT 会比理想似然比检验更激进，倾向于拒绝 $H_0$。这个偏差在渐近意义下会消失，这是 Wilks 定理保证的，但有限样本下必须靠仿真校准。

以检测高斯白噪声中的直流信号为例，接收模型是 $x_i = \mu + w_i$，其中 $w_i \sim \mathcal{N}(0, \sigma^2)$。检验目标是 $H_0: \mu = 0$ 对 $H_1: \mu eq 0$。当方差已知时，$\mu$ 的 MLE 就是样本均值 $\bar{x}$，这是高斯似然求导后得到的闭式解，不需要迭代优化。把 MLE 代入似然比并整理，$-2\ln\Lambda$ 化简成：

$$t(x) = \frac{n\bar{x}^2}{\sigma^2}$$

这个形式有清晰的物理含义：样本均值偏离零假设的程度，除以噪声方差，再乘上样本量。偏离越大、数据量越多，越怀疑信号存在。它还说明了一件事——在高斯加性噪声模型下，GLRT 最终等价于能量检测器或均值检测器，统计量是样本均值的函数，不是更复杂的东西。如果只关心信号方向，比如只检测正的直流偏移，就把判决改成单边：不仅要 $t(x)$ 超过门限，还要求 $\bar{x} > 0$。

2.3 自由度与模型嵌套：这个细节决定了p值对不对

自由度 $d$ 是两个参数空间维度之差，不是"被检验参数的个数"。检验两个独立样本组的均值是否相等时，$H_1$ 的参数空间是 $(\mu_1, \mu_2, \sigma^2)$，维度3；$H_0$ 下 $\mu_1 = \mu_2 = \mu$，参数空间是 $(\mu, \sigma^2)$，维度2；自由度是 $3-2=1$。如果你凭直觉认为"两个均值就是两个参数，自由度应该是2"，那 p 值就会系统性偏大，检验变得过于保守，本来显著的差异可能被判成不显著。

嵌套性是另一个高频出错点。嵌套的意思是 $H_0$ 的参数空间是 $H_1$ 参数空间的子集。检验 $\mu=0$ 对 $\mu eq 0$ 是嵌套的；检验"观测服从正态分布"对"观测服从指数分布"就不是嵌套的，两者不能做似然比检验。非嵌套模型在工程上更常用的比较工具是 AIC、BIC 这类信息准则，它们的推导出发点不同，不能混用。还有一类边界问题：比如 $H_0: \mu \ge 0$ 而真实参数恰好落在边界 $\mu=0$ 上，此时卡方近似的收敛速度会明显变慢，实际虚警率比名义水平偏大，这在第5章的 5.4 节有对应的处理方法。

3. 用GLRT检测高斯噪声中的直流信号：最小可运行的Python实现

3.1 先写清楚假设，再写代码

写统计检验代码前，第一件事是用注释把三件事写清楚：数据模型、零假设与备择假设、哪些参数已知。这个习惯能省掉大量返工。本文的场景如下：数据模型是 $x_i = \mu + w_i$，$i = 1, \dots, n$，$w_i$ 独立同分布服从 $\mathcal{N}(0, \sigma^2)$；检验目标是 $H_0: \mu = 0$ 对 $H_1: \mu eq 0$；先假定方差 $\sigma^2$ 已知。

为什么先假定方差已知？因为这能让 GLRT 统计量有解析形式，并且在 $H_0$ 下精确服从 $\chi^2_1$ 分布。你可以用蒙特卡洛仿真验证代码写对了没有。如果一上来就假定方差未知，统计量的精确分布变成 $F(1, n-1)$，代码跑出的结果对不对就很难判断——到底是理论错了还是实现错了？先建立一个可信基线，再逐步放开假设，这是工程上更稳的推进方式。

实际计算时，$H_1$ 下 $\mu$ 的 MLE 就是样本均值 $\bar{x} = \frac{1}{n}\sum_{i=1}^{n}x_i$，这是高斯似然对 $\mu$ 求导得到的闭式解。有人会用scipy.optimize.minimize数值最大化似然函数，结果和np.mean(x)一致但慢了几十倍。高斯模型这类可解析求解的场景，直接用闭式解，节省时间也避免数值问题。

3.2 核心代码：GLRT统计量、p值与判决

import numpy as np from scipy import stats def glrt_dc_detect(x, sigma2, alpha=0.05): """ 高斯白噪声中检测未知直流信号的GLRT。 参数 ---- x : array_like 观测序列 sigma2 : float 噪声方差(已知) alpha : float 显著性水平，即允许的虚警概率 返回 ---- t_stat : float GLRT统计量 n * mean^2 / sigma2 p_value : float 零假设下出现当前或更极端统计量的概率 reject : bool True 表示拒绝 H0，认为存在直流信号 """ x = np.asarray(x, dtype=float) n = x.size # H1下 mu 的MLE：高斯似然的闭式解是样本均值 mu_hat = np.mean(x) # GLRT统计量：-2*ln(L0/L1) 化简后的解析形式 # 不直接计算两个似然函数再相除，避开数值下溢 t_stat = n * mu_hat**2 / sigma2 # 卡方分布自由度1；双边检验 mu != 0 p_value = stats.chi2.sf(t_stat, df=1) threshold = stats.chi2.ppf(1 - alpha, df=1) return t_stat, p_value, t_stat > threshold

这里的三个设计选择值得说明。第一，统计量用化简式而不是原始似然比定义：当 $n$ 超过几十，直接用prod(f(x_i))计算似然函数乘积会下溢成0，取对数再相减同样会损失精度，化简式完全绕开这个问题。第二，chi2.sf算右尾概率，正好对应 p 值的定义——零假设下出现当前或更极端统计量的概率；门限用ppf(1-alpha, df=1)取上侧分位数，两侧逻辑一致。第三，函数返回统计量、p 值、判决结果三个值，后续做 Monte Carlo 仿真时直接取用，不需要重复计算。

3.3 Monte Carlo验证：5千次试验看虚警率

验证代码正确性的最好方法不是反复核对理论推导，而是做仿真。思路很简单：在 $H_0$ 下生成大量数据集，每次调用glrt_dc_detect，统计误报比例，看它是否接近 $\alpha$。

def estimate_false_alarm(n=50, sigma2=1.0, alpha=0.05, n_trials=5000, seed=42): rng = np.random.default_rng(seed) false_alarms = 0 for _ in range(n_trials): x = rng.normal(0.0, np.sqrt(sigma2), n) _, _, reject = glrt_dc_detect(x, sigma2, alpha) false_alarms += int(reject) return false_alarms / n_trials for a in [0.01, 0.05, 0.1]: fa = estimate_false_alarm(alpha=a) print(f"alpha={a:.2f}, 经验虚警率={fa:.4f}")

几个参数值得细说。n_trials=5000是最低可接受的仿真次数：经验频率的标准误差约为 $\sqrt{p(1-p)/N}$，在 $p=0.05$ 时约0.003，足够判断虚警率是否显著偏离理论值。seed=42不是随便选的，固定随机种子才能让结果可复现，同事跑出来的数字和你的一致。如果两次运行结果不同，不是代码有 bug，而是没有固定种子。rng.normal走 NumPy 1.17 之后推荐的default_rng接口，不要再用旧的全局np.random.seed加np.random.normal混着写。

运行后你会看到经验虚警率在理论值附近小幅波动。如果偏差超过0.01，第一步检查自由度是否写错；第二步检查统计量是不是忘了乘 $n$；第三步检查H0下的数据生成有没有混入非零均值。这三个低级错误几乎覆盖了所有"虚警率对不上"的场景。

提示：把这段虚警率自检代码保留在你的工具库里。以后每次改动统计量、换数据生成方式、调自由度，都先跑一遍。这是检验代码回归测试的核心，比任何代码审查都可靠。

3.4 检测概率仿真：扫描信噪比画性能曲线

虚警率验证通过只说明零假设下没有失控，还要看备择假设下能不能检测出来。固定虚警率，检测概率与信噪比之间的关系，就是这个检验的性能标尺。

def monte_carlo_pd(snr_db, n=50, sigma2=1.0, alpha=0.05, n_trials=5000, seed=0): """ 给定信噪比(dB)下的检测概率。 snr_db = 10*log10(mu^2 / sigma2) """ rng = np.random.default_rng(seed) mu = np.sqrt(sigma2 * 10**(snr_db / 10.0)) detects = 0 for _ in range(n_trials): x = rng.normal(mu, np.sqrt(sigma2), n) _, _, reject = glrt_dc_detect(x, sigma2, alpha=alpha) detects += int(reject) return detects / n_trials for snr in [-10, -5, 0, 5, 10]: pd = monte_carlo_pd(snr) print(f"SNR={snr:3d} dB, P_d={pd:.3f}")

信噪比定义成 $10\log_{10}(\mu^2/\sigma^2)$，单位是 dB。负10dB 时信号功率是噪声功率的十分之一，检测概率应该接近 $\alpha$，基本靠猜；0dB 时均值幅度等于噪声标准差，检测概率明显上升；10dB 以上几乎必然检测到。如果曲线不符合这个趋势，多半是数据生成或统计量构造有错。常见错误是把 $\mu$ 生成成 $\sqrt{\sigma^2 \cdot 10^{snr/10}}$ 时忘记外层开根号，或者把 $\sigma^2$ 错当 $\sigma$ 用。这个函数本身也可复用：换场景时只需要改数据生成那一行，性能评估框架不用动。

4. 参数怎么设：显著性水平、自由度与样本量的工程选择

4.1 显著性水平不要照抄0.05：从应用场景倒推门限

教科书里 0.05 几乎成了默认值，实际工程里这个数值要由应用承担的成本决定。学术论文里 0.05 用于控制错误发现率尚可接受；雷达检测、故障告警、医学诊断这类场景，一次虚警的代价很高，虚警率指标可能要求 $10^{-5}$ 甚至更低。此时用卡方分布理论分位数作为门限是否还可靠？只要统计量在 $H_0$ 下确实服从卡方分布，分位数本身就是精确的，不会因为显著性水平变小而失效。真正的风险来自样本量不足：尾部偏差在小 $\alpha$ 下会被放大，小样本加小 $\alpha$ 的场景必须用经验门限。

经验门限的做法是：在 $H_0$ 下生成 $N$ 个数据集，算出 $N$ 个统计量 $t_1, \dots, t_N$，排序后取 $(1-\alpha)$ 分位数作为门限。这个门限不依赖任何渐近近似，代价是需要几千到几万次仿真。我通常把理论卡方门限和经验门限一起打出来对比，若偏差超过20%，就采用经验门限。对需要反复使用的检验场景，把经验门限预计算好存下来，运行时查表，性能完全可接受。

4.2 自由度怎么数才不出错：维度差方法

自由度计算的唯一可靠方法是维度差：$\dim(\Theta_1) - \dim(\Theta_0)$。以下是四种常见模型的具体数值：

注意第二行和第三行的自由度都是1。方差未知时不要以为"参数变多了所以自由度变大"——两个假设下方差都要估计，这个维度被抵消了。自由度真正变化的场景是 $H_1$ 比 $H_0$ 多估计了若干个系数，比如回归模型里比较"包含两个额外自变量"与"不包含"的情况，自由度才是2。写代码前把两边的参数空间列出来，把维度差的数字写在函数注释里，这是成本最低的防错手段。

4.3 样本量与精确分布：何时不能靠卡方近似

Wilks 定理是渐近结果，样本量多少才算足够大没有严格边界。以方差未知的直流检测为例，GLRT 统计量在 $H_0$ 下精确服从 $F(1, n-1)$ 分布。$n=20$ 时 $F(1,19)$ 的0.95分位数约为4.38，而 $\chi^2_1$ 的0.95分位数是3.84——用卡方门限意味着实际显著性水平高于名义值，虚警偏多。$n=50$ 时约4.03，差距缩到5%；$n=100$ 时约3.94，差距约2.6%。

工程上我的习惯是：$n \ge 100$ 才放心用卡方近似；$n$ 在20到100之间尽量用精确分布，查scipy.stats.f.ppf(1-alpha, 1, n-1)做门限；$n < 20$ 时 GLRT 的小样本性质不稳定，考虑置换检验这类重抽样方法。置换检验对分布假设要求低，但每次检验需要几千次重抽样，计算量大，适合离线分析，不适合在线实时检测。这里不展开实现细节，但要记住它是一个可靠的备选项。

4.4 模型假设的适用前提：写代码前就要想清楚

最后一个参数类问题不是数值而是模型设定。GLRT 适用前提包括：样本独立同分布或至少似然函数可写；参数空间光滑；真实参数不在边界上；模型嵌套。如果你的数据是时间序列且强相关，或者备择假设的参数空间不光滑，再调参数也救不回来。正确的做法是换检验框架，比如基于秩的非参数检验，或专门处理序列相关性的似然比修正。判断一个检验方法是否适用，优先级高于调整参数——参数调得再好，模型设错了也是白做。

5. 避坑：似然比检验最常见的5个翻车现场

5.1 似然比大于1，取对数直接报错

现象：代码算出 $\Lambda > 1$，np.log得到正数，p 值变成负的或毫无意义。原因几乎只有两种：一是两个模型不是嵌套关系，分母不是全局最大化；二是代码里分子分母写反了。解决：先确认 $H_0$ 的参数空间确实是 $H_1$ 的子集，再检查L0和L1的赋值顺序。我习惯在函数 docstring 里把分子分母的含义写死，并在关键位置加一行assert lambda_ <= 1 + 1e-9，一旦违反立刻暴露问题，不等到后面算出奇怪数字才回头查。

5.2 p值整体偏移，经验虚警率对不上显著性水平

现象：$H_0$ 下仿真，经验虚警率稳定在0.08而不是0.05。原因：自由度写错、统计量公式漏了 $n$、或用了错误的方差值。排查顺序按三步走。第一步打印统计量的均值：$H_0$ 下 $\chi^2_1$ 的均值是1，如果均值明显偏离，统计量本身就有问题。第二步核对仿真代码里的数据生成是否真的满足 $H_0$。第三步检查chi2.sf(t, df)里df是不是维度差而非参数个数。按这个顺序排查，基本十分钟内可以定位。我一直保留一个 $H_0$ 仿真的最小脚本，任何检验代码改动后都先跑一遍，让回归测试替我把关。

5.3 对数似然全是-inf，统计量变成NaN

现象：计算对数似然时出现RuntimeWarning: divide by zero，输出是nan或无穷大。原因：直接连乘密度函数再取对数，样本量一大就下溢；或者密度函数在某个点取到0，对数变成负无穷。解决：所有似然计算一律使用对数似然并逐样本累加，禁止np.prod。对高斯模型直接用scipy.stats.norm.logpdf(x, loc, scale).sum()，由库函数处理尾部细节。如果必须自己写密度函数，用np.log时要对参数范围做保护，比如方差下限加一个eps=1e-12。这个坑在做非高斯模型时尤其常见，指数族之外的概率密度很容易在某个点取0。

5.4 真实虚警率比理论值偏大，重复多次都一样

现象：$H_0$ 下经验虚警率稳定高于 $\alpha$，并且和样本量关系不大。原因：参数位于参数空间边界。典型场景是单边检验 $H_0: \mu \ge 0$ 里真实 $\mu=0$ 正好落在边界上，或方差检验中 $H_0: \sigma^2=0$。边界破坏了 Wilks 定理所需的正则条件，卡方近似不成立。解决：改用仿真校准门限，或者用专门处理边界问题的混合卡方分布。工程上如果只是要一个判决结论，做 $10^5$ 次仿真标定经验门限，代码简单，结论可靠。别试图用更大的样本量硬撑——在某些边界场景下，样本量再大也救不回卡方近似。

5.5 换了随机种子，检测概率结果差很多

现象：seed=0时检测概率 $P_d=0.65$，seed=1时 $P_d=0.71$，不知道该信谁。原因：仿真次数太少，估计标准差太大。$P_d \approx 0.68$ 时，1000 次试验的标准差约0.015，但统计量接近门限时，单次试验结果对种子更敏感，实际抖动会更大。解决：试验次数提到5000以上，固定种子，并把不同种子下的结果都打出来做一致性检查，应该在 ±0.02 范围内波动。如果项目对性能曲线精度要求高，额外保存原始统计量列表而不是只存一个均值。固定种子不是为了好看，是为了让结论可复现——否则同事复现你的结果时会对不上，最后只能花时间排查一个不存在的问题。

6. 收尾：与你的实际场景对接，以及三个必须做的自检

6.1 拿到类似的项目包先看什么

如果你手上的压缩包是统计检验代码的常见形态，先别急着改代码，按三个层次读。第一层跑通 demo 脚本，复现它输出的数字；第二层看核心函数签名返回什么、假定哪些参数已知，判断能不能直接用你的数据喂进去；第三层找到数据生成与假设设定的注释，确认与你的场景一致。spellcw5这类后缀通常是作者或版本的标识，不影响使用。按正常流程解压即可，代码包的完整性和安全性检查是另一件事，这里不展开。

6.2 三个自检方法，改动任何假设后都跑一遍

第一个自检：$H_0$ 下经验虚警率与名义 $\alpha$ 一致。第二个自检：$H_1$ 下固定信噪比，检测概率随样本量 $n$ 增大单调上升。第三个自检：统计量的经验直方图与理论卡方密度叠加后形状吻合，直观确认渐近逼近成立。这三个自检加起来不到50行，能拦下绝大多数翻车。我自己的习惯是把自检写成独立脚本，不混进业务代码，每次改完假设和参数单独重跑。

最后分享一个长期习惯：每写完一组检验代码，把数据生成、假设设定、自由度计算三件事单独抽成模板。下次换场景先回答三个问题——方差已知还是未知、单边还是双边、模型是否嵌套——回答完这三个问题，检验代码的框架基本不用动。这套流程帮我处理过几十个检测与对比任务，多数统计错误都源于这三个问题没想清就动手写。希望帮到你。

本文还有配套的精品资源，点击获取