CG-GIG模型与自适应雷达目标检测：应对非高斯海杂波的新策略

在现代雷达技术中,随着分辨率的提升,传统的中心极限定理假设不再适用于描述复杂的海杂波环境。海杂波往往展现出显著的非高斯特性,这导致高斯背景下的检测器可能产生误报或漏检现象。针对这一挑战,研究人员寻求更精确的模型来捕捉这些特性。 复合高斯模型是一种常用的方法,它通过区分零均值复高斯过程的散斑分量和非负随机过程的纹理分量来模拟海杂波。在某些情况下,纹理分量可以被视为恒定的随机变量,简化为球不变随机向量模型。然而,传统的模型如K分布、广义帕累托分布和CG-IG分布（由纹理分量的不同分布决定）在描述各种条件下的海杂波时存在局限性。 文献[6]提出了一种创新的模型——CG-GIG分布（Compound-Gaussian model with GeneralizedInverseGaussian texture）。CG-GIG模型通过广义逆高斯分布来建模纹理分量，其具有更强的泛化能力，能适配不同分辨率的海杂波情况。CG-GIG模型包含了K分布、广义帕累托分布和CG-IG分布作为其特定的极限分布，这意味着它在复杂性和适应性上超越了原有模型。 为了设计与CG-GIG模型相匹配的自适应检测器,早期的研究者如Kelly采用了广义似然比准则(GLRT)设计了一种名为广义似然比检测器。然而，GLRT检测器的计算负担较大。为了解决这个问题，文献[8]提出了一种两步法：首先，假设协方差矩阵已知，设计出检测器；然后，利用参考单元的数据来估计实际的协方差矩阵，并将其用于优化检测性能。这种方法在保持理论准确性的同时，降低了计算复杂度。 CG-GIG模型和相应的自适应检测器对于在复杂海杂波环境下提高雷达目标检测的精度至关重要。未来的研究可能继续探索如何进一步优化检测算法，以适应不同条件下的海杂波特征，同时保持实时性和鲁棒性。