改进广义似然比检测法在非高斯杂波中的自适应扩展目标检测

"这篇研究论文探讨了在非高斯杂波环境下，针对可能具有奇异估计协方差矩阵的扩展范围目标的自适应检测方法。文章提出了改进的广义似然比检验与递归估计器（MGLRT-RE）算法，并提出了一种简化的MGLRT（SMGLRT），证明其在理论上具有恒定虚假警报率（CFAR）特性。此外，基于二次数据，还设计了启发式SMGLRT-CA（细胞平均）和MGLRT-RE-CA算法。实验结果显示，SMGLRT在性能上优于MGLRT和MGLRT-RE。" 本文是关于雷达、声纳和导航领域的一篇研究论文，具体关注的是在非高斯杂波背景下的自适应扩展目标检测问题。非高斯杂波是指那些不遵循正态分布的复杂环境噪声，这在实际雷达系统中非常常见。在这种背景下，目标的回波信号可能会被强烈的噪声所淹没，因此需要有效的检测方法来识别目标。 文章首先介绍了一种新的检测算法——MGLRT-RE（改进的广义似然比检验与递归估计器）。这种算法是针对可能存在奇异性的估计协方差矩阵而设计的，旨在提高检测的精度。奇异矩阵在处理小样本或高度相关的数据时可能出现，对传统的统计分析方法构成挑战。MGLRT-RE通过递归估计器来更新参数，以适应不断变化的环境条件。 然而，MGLRT-RE的计算复杂度较高，为了改善这一情况，作者提出了SMGLRT（简化MGLRT）。SMGLRT在保持检测性能的同时，降低了计算负担，并且理论证明其在统计特性上具有CFAR性质，这意味着其在不同杂波强度下能保持恒定的虚假警报率，这对于实际应用至关重要，因为虚假警报会干扰目标检测。 此外，作者还利用二次数据开发了启发式的SMGLRT-CA和MGLRT-RE-CA算法，这两种算法都是基于细胞平均的思想，可以进一步平滑和稳定检测结果。实验结果表明，SMGLRT在性能上超越了MGLRT和MGLRT-RE，显示出了更高的检测效率和准确性。 这篇论文为非高斯杂波环境中的自适应目标检测提供了新的解决方案，尤其是在处理奇异协方差矩阵时，其提出的SMGLRT算法显示出了显著的优势。这对于提升雷达系统的探测能力和应对复杂环境具有重要的理论和实践价值。