基于GLRT的CFAR检测方法:在高斯和非高斯噪声环境下对扩展目标的潜在空间进行检测
《IEEE Open Journal of Signal Processing》:GLRT-Based CFAR Detection in the Latent Space for Extended Targets in Gaussian and Non-Gaussian Disturbance
【字体:
大
中
小
】
时间:2026年01月26日
来源:IEEE Open Journal of Signal Processing 2.7
编辑推荐:
摘要:在雷达信号处理中,设计具有恒定虚警率(CFAR)特性的检测器是一个核心挑战,无论是对于高斯环境还是非高斯环境都是如此。为此,一种前瞻性的策略是构建决策统计量,这些统计量作为与不变测试相关的适当最大不变量的函数,通过适当的变换群来保证CFAR特性。然而,这种最大不变量的分布往
摘要:
在雷达信号处理中,设计具有恒定虚警率(CFAR)特性的检测器是一个核心挑战,无论是对于高斯环境还是非高斯环境都是如此。为此,一种前瞻性的策略是构建决策统计量,这些统计量作为与不变测试相关的适当最大不变量的函数,通过适当的变换群来保证CFAR特性。然而,这种最大不变量的分布往往难以处理,特别是对于复杂非高斯模型而言,这使得广义似然比测试(GLRT)的推导变得具有挑战性。在这项工作中,我们引入了一种基于学习的新型CFAR检测框架,在该框架中,经过训练的概率编码器将最大不变量统计量(或其函数)映射到一个方便的低维潜在空间,在该空间中可以容易地推导出基于潜在GLRT的检测器(L-GLRT)。更具体地说,采用了一种带有Kullback-Leibler(KL)散度正则化的交叉熵损失函数,以鼓励潜在分布在H0(目标不存在)和H1(目标存在)假设下尽可能接近高斯密度。在任一假设下引入不匹配的数据以促进鲁棒性或选择性。该方法统一了高斯和非高斯环境,涵盖了从点状目标到复杂多变量椭圆轮廓矩阵(CMECM)家族中的扩展目标,并与最先进的经典和数据驱动检测器进行了基准测试。此外,由于潜在空间是低维的,因此可以直观地可视化所设计的L-GLRT检测器的行为。数值结果表明,所提出的方法在保持设计上的CFAR保证的同时,实现了卓越的鲁棒性/选择性权衡,并且在匹配条件下包含了Pd损失。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号