基于贝叶斯Rao检验的有限训练数据下分布式目标检测方法研究

《Science China-Information Sciences》：Bayesian Rao test for distributed target detection in interference and noise with limited training data

本文针对训练数据有限条件下，距离扩展目标在干扰和噪声中的检测难题开展研究。来自未知机构的研究人员提出一种基于贝叶斯框架的Rao检验检测器，通过假设协方差矩阵服从逆Wishart分布，有效解决了干扰子空间坐标未知和噪声协方差矩阵未知的双重挑战。仿真与实测数据验证表明，该检测器在特定场景下性能优于现有方法，为小样本条件下的目标检测提供了新思路。

　　

在信号处理领域，一项创新性研究聚焦于有限训练样本条件下距离扩展目标的检测挑战。当目标淹没在干扰背景与高斯噪声中时，传统检测方法面临严峻考验——干扰信号潜藏于未知坐标的子空间内，而噪声的协方差矩阵同样未知。研究者巧妙采用贝叶斯(Bayesian)统计框架，将协方差矩阵建模为逆威沙特分布(inverse Wishart distribution)，据此推导出基于拉奥检验(Rao test)的贝叶斯检测器。通过计算机仿真与真实场景数据双重验证，该检测器在特定作战环境下展现出超越传统方案的性能优势，为小样本条件下的目标识别提供了新的技术路径。