论文部分内容阅读
论文在高斯和非高斯假设下，通过参量和非参量的方法讨论了具有空时相关协方差矩阵的、非均匀干扰中的自适应检测问题。
首先，论文引入了逆伽玛结构的复合高斯(CG)模型，根据贝叶斯一步广义似然比检测(B1S-GLRT)、最大后验概率广义似然比检测(MAP-GLRT)和贝叶斯两步广义似然比检测(B2S-GLRT)准则，提出了相应的检测器。对于点目标检测，推导了检测器的检测概率(PD)和虚警概率(PFA)，分析了它们的CFAR特性、鲁棒性和检测性能。值得注意的是：检测器和结构参数有关，并且对于给定的PFA，B1S-GLRT和MAP-GLR工具有相同的PD；对于分布目标检测，比较了它们和不考虑结构模型的CG模型中两步广义似然比检测器(2S-GLRT)的检测性能。
随后，论文讨论了两种非均匀模型中的自适应检测。其一是贝叶斯框架下轻度非均匀环境中的自适应检测。首先，分别基于B1S-GLRT、MAP-GLRT、B2S-GLRT、贝叶斯Rao(B-RAO)和贝叶斯Wald(B-WALD)检测准则分析了五种点目标的检测器，随后相应地提出了五种分布目标的检测器。对于点目标检测，MAP-GLRT和B1S-GLR工具有相同的检测结构；B1S-GLRT和B2S-GLRT分别和由一步广义似然比检测(1S-GLRT)得到的GLRT和由两步广义似然比检测(2S-GLRT)得到自适应匹配滤波器(AMF)结构相同，然而，使用了有色对角加载的采样协方差矩阵(SCM)；B-RAO和B-WALD也和B2S-GLR工具有相同的检测结构，不过B-RAO的有色对角加载SCM和主数据有关。对于分布目标检测，类似地B1S-GLRT和MAP-GLR工具有相同的检测器结构，表现为GLRT的广义形式；B2S-GLRT和广义自适应匹配滤波器(GAMF)具有相同的检测结构，同样使用了有色对角加载的SCM；B-RAO和B2S-GLRT检测结构相同，其有色对角加载SCM与主数据有关。B-WALD检测器表现为B2S-GLRT和一个比例因子的乘积。其二是广义部分均匀环境中的自适应检测。结果表明：点目标的GLRT就是自适应相干估计器(ACE)或自适应子空间检测器(ASD)；分布目标的GLRT也就是广义自适应子空间检测器(GASD)。并且证明了它们均具有CFAR特性。
最后，论文研究了两种参量模型中的多通道检测。其一假设主、辅数据的干扰用具有相同随机空域协方差矩阵的向量自回归(VAR)过程建模。并且分别根据贝叶斯一步参量GLRT(B1S-PGLRT)或纽曼皮尔逊(NP)准则和贝叶斯两步参量GLRT(B2S-PGLRT)提出了NP参量自适应匹配滤波器(NP-PAMF)和MAP参量自适应匹配滤波器(MAP-PAMF)。同时，给出了贝叶斯PAMF(B-PAMF)及其归一化形式B-NPAMF。结果表明：NP-PAMF和空域协方差矩阵的自由度(DOF)有关；当DOF趋于无穷时，B-PAMF退化为经典的PAMF；B-NPAMF等价于经典的归一化参量自适应匹配滤波器(NPAMF)。相应的分布目标的贝叶斯参量检测器表现为点目标检测器的扩展形式。其二假设主、辅数据可以用具有不同随机空域协方差矩阵的VAR模型建模。分别根据B1S-PGLRT和B2S-PGLRT准则分析了检测结构。值得注意的是，前者没有闭式解；后者和经典PAMF具有相同的检测结构，但是使用了空域协方差矩阵的MAP估计代替，因此被称为MAP-PAMF。后者的归一化形式和经典的NPAMF检测结构一致，类似地，使用了空域协方差矩阵的MAP估计代替。
另外，论文给出了检测器的检测框图，比较了它们的处理步骤和运算复杂度，并通过蒙特卡洛仿真评价了它们的检测性能。最后，论文还总结了具有增强的失配信号抑制性能的多种级联检测器。