关于黎曼几何矩阵恒虚警率信号检测器的比较研究
作者与发表信息 本项研究由日本庆应义塾大学（Keio University）机械工程系的 Yusuke Ono 和 Linyu Peng 两位学者完成。论文《The Comparison of Riemannian Geometric Matrix-CFAR Signal Detectors》发表于电气电子工程师学会的期刊《IEEE Transactions on Aerospace and Electronic Systems》上，于2023年12月5日在线发表，并于2024年4月12日更新了当前版本。
学术背景 本研究属于信号处理、雷达目标检测与信息几何学的交叉领域。在雷达信号检测中，恒虚警率（Constant False Alarm Rate, CFAR）技术是抑制杂波、维持稳定检测性能的关键方法。传统的基于样本协方差矩阵（Sample Covariance Matrix, SCM）的检测器，如自适应匹配滤波器（Adaptive Matched Filter, AMF）和自适应归一化匹配滤波器（Adaptive Normalized Matched Filter, ANMF），在观测数据充足且独立同分布时表现良好。然而，在实际应用中，尤其是在非均匀、非平稳的杂波环境中，可用的无目标污染的训练数据（即“参考单元”）往往非常有限，这导致SCM估计不准确，进而使传统检测器性能严重下降。
为应对这一挑战，Barbaresco等人提出了一种名为“矩阵CFAR”（Matrix-CFAR）的新方法。该方法的核心思想是利用观测信号的自协方差矩阵（Autocovariance Matrix）作为基本特征，该矩阵在平稳场景下是托普利兹（Toeplitz）厄米特正定（Hermitian Positive Definite, HPD）矩阵。Matrix-CFAR通过计算“待检测单元”（Cell Under Test, CUT）的自协方差矩阵与从参考单元估计出的“杂波背景”自协方差矩阵（通常用几何均值或中位数表示）之间的某种距离或散度来进行检测判决。这种方法绕过了对大量原始观测数据的直接依赖，转而利用更稳定的矩阵流形结构信息。
此前的研究已将HPD矩阵流形上的仿射不变黎曼度量（Affine Invariant Riemannian Metric, AIRM）应用于Matrix-CFAR，并展示了其潜力。然而，AIRM的计算成本较高。近年来，其他几何结构，如对数欧几里得度量（Log-Euclidean, LE），也被引入并进行了比较。与此同时，在最优传输、量子信息和机器学习等领域备受关注的Bures-Wasserstein（BW）度量，最近也被扩展到了HPD流形上。本研究旨在系统性地将BW度量应用于信号检测问题，并与AIMR、LE度量以及传统AMF/ANMF进行全面的性能比较。研究目标包括：1）提出基于BW均值和BW中位数的检测器，并设计高效的黎曼梯度下降算法进行求解；2）在理想目标信号和信号失配两种场景下，通过数值仿真全面评估和比较各检测器的性能；3）通过影响函数（Influence Function）分析各几何检测器对异常值的鲁棒性；4）分析各算法的计算复杂度。
详细研究流程 本研究主要包含理论构建、算法设计、数值仿真和鲁棒性分析四个核心部分，研究对象是不同度量下的几何均值/中位数估计器及其构建的检测器。
第一部分：理论基础与算法设计 首先，研究回顾了HPD矩阵流形在三种不同黎曼度量（AIMR, LE, BW）下的几何结构，包括度量定义、测地线、指数与对数映射、以及测地距离公式。这些几何结构是定义和计算几何均值与中位数的基础。
其次，研究定义了基于测地距离的黎曼几何均值（最小化距离平方和）和中位数（最小化距离和）。对于大多数度量而言，这些统计量没有封闭形式的解，需要数值迭代求解。因此，研究提出了相应的黎曼梯度下降算法： * AIMR均值与中位数：采用了已知的黎曼梯度下降迭代公式，通过矩阵指数和对数运算进行更新。 * LE均值：具有封闭解，即矩阵对数的算术平均值的指数。 * LE中位数：采用不动点算法进行求解。 * BW均值与中位数：本研究的重要贡献之一。作者没有采用已知但收敛较慢的不动点算法，而是推导并提出了新的、更高效的黎曼梯度下降算法。对于BW均值，迭代公式涉及求解李雅普诺夫方程和计算矩阵的几何平均（#运算）；对于BW中位数，迭代公式结构类似，但加入了距离的倒数作为权重。
接着，研究分析了这些算法的计算复杂度。结果表明，BW度量的单步迭代计算复杂度（O(mn³)）低于AIMR和LE中位数算法（O(mn⁴)），其中m为矩阵数量，n为矩阵维度。通过收敛速度比较，验证了提出的BW黎曼梯度下降算法比传统的不动点算法更快。
第二部分：数值仿真与性能评估 仿真旨在评估不同检测器在两种典型场景下的检测概率（Probability of Detection, Pd）与信杂比（Signal-to-Clutter Ratio, SCR）的关系。研究使用复合高斯（Compound-Gaussian）模型模拟海杂波，其中纹理分量服从伽马分布，散斑分量服从复高斯分布。目标信号采用理想导向矢量。主要对比了基于AIMR、LE、BW的均值/中位数检测器，以及传统的AMF、ANMF和单元平均CFAR（CA-CFR）方法。关键参数包括：矩阵维度n=8，虚警率Pfa=10⁻³，通过2000次独立蒙特卡洛实验计算Pd。
第三部分：鲁棒性分析（影响函数） 为定量分析各几何估计器对异常值（Outliers）的鲁棒性，研究引入了影响函数分析。其基本思想是：计算在原始数据集中掺入少量强目标（作为异常值）后，估计值（几何均值/中位数）相对于无污染时估计值的扰动大小。扰动越小，表示估计器对异常值越不敏感，即越鲁棒。 通过数值仿真（m=50， 异常值数量从1到40），计算了各估计器影响函数的范数。结果显示，AIMR均值和BW均值的影响函数值最低，即它们对异常值的鲁棒性最强。结合第二部分中BW的优异检测性能，可以得出结论：BW均值在检测性能、计算复杂度和鲁棒性之间取得了良好的平衡。
主要结果 1. 算法贡献：成功将BW度量应用于Matrix-CFAR框架，并为其均值和中位数估计提出了高效的黎曼梯度下降算法。复杂度分析表明BW算法具有计算优势，收敛性仿真验证了新算法优于旧有的不动点算法。 2. 检测性能：在有限观测数据（m=n）的理想信号场景下，BW检测器（均值和中位数）的性能超越了AIMR、LE检测器以及传统的AMF和ANMF。这为解决小样本下的雷达检测难题提供了有效方案。 3. 机理验证：通过用几何估计器替换AMF中的SCM，验证了Matrix-CFAR性能优势的核心在于其使用的协方差矩阵估计量（几何均值/中位数）比SCM在有限样本下更可靠、更鲁棒。 4. 频率特性：BW距离在目标频率接近杂波频率的困难场景下，表现出更好的区分能力。 5. 失配鲁棒性：在信号失配场景下，Matrix-CFAR方法（包括BW、AIMR、LE）整体上比AMF和ANMF更具鲁棒性，对失配角不敏感。 6. 异常值鲁棒性：通过影响函数分析，定量证明了AIMR均值和BW均值对异常值具有最强的抵抗力，这解释了其在非均匀环境中的潜在稳定性。
结论与意义 本研究系统地将HPD矩阵流形的多种黎曼几何结构，特别是新近扩展的BW度量，应用于雷达恒虚警率检测中。理论推导了BW均值和BW中位数的黎曼梯度下降求解算法。通过详尽的数值仿真证明，在训练数据有限的情况下，基于BW度量的Matrix-CFAR检测器综合性能最优。此外，Matrix-CFAR框架对目标信号失配具有天然的鲁棒性。影响函数分析进一步确认了BW均值在抗异常值干扰方面的优势。
本研究的科学价值在于深化了信息几何学在信号处理领域的应用，为HPD流形上的统计推断提供了新的工具（BW度量）和高效算法。其应用价值十分明确：为实际雷达系统在复杂、非均匀电磁环境及小样本条件下的稳健目标检测提供了新的、性能优越的算法选择。特别是在现代雷达面临的高机动、低观测时间场景中，该方法具有重要的实用潜力。
研究亮点 1. 方法新颖：首次将Bures-Wasserstein度量系统性地引入雷达信号检测领域，并设计了对应的黎曼优化算法。 2. 性能卓越：在最具挑战性的小样本（m=n）检测场景下，BW检测器取得了全面领先的性能。 3. 分析全面：研究不仅比较了检测概率，还深入分析了计算复杂度、对目标失配的鲁棒性，并通过影响函数进行了严格的鲁棒性理论分析，构成了一个非常完整的方法评估体系。 4. 结论清晰：明确指出在数据有限时，Matrix-CFAR（尤其是BW版本）优于传统方法；而在数据充足时，基于SCM的ANMF仍是最佳选择。这为工程实践中的算法选择提供了清晰的指导。
其他有价值内容 论文在附录中提供了一个重要的数学证明，展示了BW均值梯度为零的条件如何等价于一个更简洁的固定点方程，这为理解BW均值的性质提供了帮助。此外，文章对未来研究方向进行了展望，包括将矩阵CFAR应用于真实数据、探索基于辛几何（Symplectic Model）的HPD矩阵高斯分布以设定检测阈值，以及研究其他自协方差矩阵估计器（如结构化估计、对角加载等）与Matrix-CFAR的结合可能性。