探测概率 - 虚警概率 (Neyman - Pearson 准则)

探测概率 - 虚警概率 (Neyman - Pearson 准则)

        如果某个特征很重要，那么网络表示这个向量将涉及大量神经元。
        例如，考虑用雷达来探测混杂状态 (雷达从不期望的目标如建筑物、树木和云层的反射) 下的日标 (例如航空器)。这样的雷达系统的探测性能由下面两种概率形式来衡量：
        探测概率，就是目标存在时系统判断目标出现的概率。
        虚警概率，就是目标不存在时系统判断目标出现的概率。
        根据 Neyman - Pearson 准则，在虚警概率不超过预先指定值的限制下，探测概率达到最大值 (Van Trees，1968)。在这种应用中，接收到的信号中目标的实际出现代表着输入信号中的重要特征。实际上，该规则意味着在真实目标存在的时候应该有大量神经元参与判决该目标出现。同理，仅当混杂状态实际存在的时候才应该有大量神经元参与判决该混杂状态的出现。在这两种情形下，大量的神经元保证了判决的高度准确性和对错误神经元的容错性。
        Neyman - Pearson 假设检验理论的基本思想，寻找先控制犯第一类错误的概率在某一范围内，然后寻找使犯第二类错误的概率尽可能小的检验。

References
(加) Simon Haykin (海金) 著, 申富饶, 徐烨, 郑俊, 晁静 译. 神经网络与机器学习[M]. 北京:机械工业出版社, 2011. 1-572