在 5G NR 的 PUCCH 仿真中遇到了有关虚警率和漏警率的概念。在此记录一下。文章内容来自于：虚警率、漏警率
一、相关概念
-
真实值（actual value）、预测值（predicted value）
actual value 指真实记录的已发生的测量结果值；predicted value 指对未发生的预测值。
-
真（True）、假（False）
True 表示预测值与真实值一致；False 表示预测值和真实值不一致。
-
阳性/正（Positive）、阴性/负（Negative）
分别指代条件或者事物存在/不存在，具体理解可看第二节。
二、具体指标说明
所有样本分为阳性/正样本和阴性/负样本，各自数量为 \(P\) 和 \(N\) 。
- 正样本预测为正样本 的为 True positive（\(TP\)）—— 真阳
- 正样本预测为负样本 的为 False negative（\(FN\)）—— 假阴
- 负样本预测为负样本 的为 True negative（\(TN\)）—— 真阴
- 负样本预测为正样本 的为 False positive（\(FP\)）—— 假阳
所以：\(P=TP+FN,\quad N=TN+FP\)
-
准确率（accuracy）
反映模型正确判断样本正确与否的能力。即正确地将正样本判定为正，负样本判定为负的正确分类能力。
\[ACC=\frac{TP+TN}{P+N} \] -
精确率（precision）
反映模型正确预测正样本精度的能力。
\[precision=\frac{TP}{TP+FP} \] -
召回率（recall），也称为真阳率、命中率
反映模型正确预测正样本全度的能力。即正样本被预测为正样本占总的正样本的比例。
\[recall=TPR=\frac{TP}{TP+FN} \] -
虚警率（false alarm），也称为假阳率、误检率
反映模型正确预测正样本纯度的能力。即负样本被预测为正样本占总的负样本的比例。
\[falsealarm=FPR=\frac{FP}{TN+FP} \] -
漏警率（miss rate），也称为漏检率
\[missrate=FNR=\frac{FN}{TP+FN} \]
三、实例
在 5G NR 的 PUCCH 仿真中，当上行控制信息（UCI）小于或等于 11 比特时需要进行能量检测，保证虚警率、漏警率满足一定的指标。根据典型仿真场景，考虑 format 0、1、2 三种格式下小于等于 11 比特的能量检测，其基本方法如下：
- 首先，在一个信噪比下，发送端不发送信号，即接收端只接收到噪声。假设虚警率要求为1%。接收端根据随机的噪声信号计算相关值（format 0）、信道功率（format 1、2）等，统计一定数量的功率值后，根据概率密度累积分布可以得到大于99%处的值，作为门限。这样就只有1%的噪声可以穿过门限，即保证虚警率也就是DTX to ACK小于1%（DTX，Discontinuous Transmission）。当统计数量足够大的话，不发送信号时在该门限测出的DTX to ACK应该为1%。
- 发送端正常发送信号，将得到的相关值、功率等与上面得到的门限进行比较。若没有超过门限，则判定为接收端没有发送信号，也就是漏检了，这一帧不再进行后面的解调。这样统计得到漏检率，也就是ACK missed。若超过门限，则进行信号检测和解调，如果出错则视为错帧，统计得到BLER也就是NACK to ACK的概率。
标签：FP,漏警率,门限,样本,TP,准确率,虚警率,FN 来源： https://www.cnblogs.com/hjd21/p/16632739.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。