基于判别性HPD流形投影与TBD-MIG检测器在非高斯杂波中检测距离扩展雷达目标的研究报告

一、 主要作者、机构与发表信息

本项研究的主要作者包括：第一作者Xiaoqiang Hua（隶属于中国长沙的国防科技大学），合作者Huiping Huang（澳门科技大学，中国澳门），Zhenwei Huang与Wen Huang（厦门大学，中国厦门），Linlong Wu（电子科技大学，中国成都），以及Xuan Peng和Yongqiang Cheng（国防科技大学，中国长沙）。该研究论文于2026年5月12日在线发表，并于2026年5月27日发布当前版本，收录于电气与电子工程师协会（IEEE）旗下的期刊《IEEE Transactions on Aerospace and Electronic Systems》（IEEE航空航天与电子系统汇刊）。论文的数字对象标识符（DOI）为10.1109/TAES.2026.3690695。

二、 学术背景与研究目标

本研究属于雷达信号处理与目标检测领域，具体聚焦于非高斯杂波环境中距离扩展目标的检测问题。雷达目标检测是雷达系统的核心任务之一。传统检测方法，如广义似然比检验（GLRT），通常在假设杂波服从高斯分布的条件下设计。然而，在高分辨率雷达或海面等实际场景中，杂波常呈现重尾、纹理变化等特性，高斯模型难以准确描述，导致基于高斯假设的检测器性能严重下降。为此，研究者们提出了多种非高斯杂波模型（如复合高斯模型）并设计了相应的检测器。然而，这些参数化方法的性能高度依赖于模型假设与真实杂波特性的匹配程度，当存在模型失配时，检测性能会急剧恶化。

为了克服对特定杂波分布模型的依赖，矩阵信息几何（Matrix Information Geometry, MIG）框架被引入雷达检测领域。该框架将观测数据建模为埃尔米特正定矩阵（Hermitian Positive-Definite, HPD），这些矩阵位于一个黎曼流形上。检测通过计算测试单元HPD矩阵与由辅助数据估计的扰动协方差矩阵（Disturbance Covariance Matrix, DCM，即HPD矩阵的几何均值）之间的几何距离或散度来实现，无需显式已知杂波分布。然而，现有的MIG检测器主要针对点目标设计，将其直接扩展到占据多个距离单元的距离扩展目标并不直接。

本研究的核心目标是解决上述挑战，提出一种适用于非高斯杂波中距离扩展目标检测的新方法。具体而言，研究旨在：1）设计一种判别性的低维流形投影方法，将高维HPD矩阵投影到低维流形，以增强类间可分性并抑制类内方差；2）在此基础上，基于全Bregman散度（Total Bregman Divergence, TBD）推导出一系列新型MIG检测器；3）开发高效的优化算法来求解投影矩阵；4）通过仿真和实测数据验证所提检测器的优越性能。

三、 详细研究流程与方法

本研究的工作流程可概括为以下几个主要步骤：问题建模与信号模型建立、判别性投影流形设计、基于黎曼优化的投影矩阵学习算法开发、TBD-MIG检测器推导、以及性能评估与验证。

第一步：问题建模与HPD流形表示 研究考虑一个雷达系统，发射N个脉冲，接收来自H个连续距离单元（若目标存在）的回波信号。每个距离单元的观测数据是一个N×1的复向量。在MIG框架下，每个观测向量通过样本协方差估计（利用其自相关函数的Toeplitz结构）被转换为一个N×N的HPD矩阵，作为新的观测。距离扩展目标的检测问题被表述为一个二元假设检验：零假设H0下，所有观测单元仅包含杂波；备择假设H1下，H个主数据单元包含目标信号加杂波，其余K个辅助数据单元仅含杂波。检测统计量定义为H个测试单元HPD矩阵与从辅助数据估计的DCM（几何均值）之间几何距离的总和，与阈值比较做出判决。这种求和结构近似于假设各距离单元观测独立或弱相关下的GLRT。

第二步：判别性低维流形投影设计 为了提升检测器的判别能力，研究者提出在检测前引入一个监督学习的投影步骤。该投影将原始高维（n维）HPD矩阵通过一个投影矩阵W映射到一个低维（m维，m ≤ n）的HPD流形上，即 f_W® = W^H R W，其中W位于Stiefel流形上（满足 W^H W = I_m）。投影矩阵W的学习目标是通过一个代价函数实现的，该函数旨在最小化类内方差（同一类别HPD矩阵的分散程度）并最大化类间距离（不同类别HPD矩阵质心间的距离）。具体地，给定包含目标信号的HPD矩阵训练集Y和仅含杂波的训练集X，代价函数定义为： L(W) = Var( f_W(X) ) + Var( f_W(Y) ) - d^2( μ( f_W(X)), μ( f_W(Y)) ) 其中，Var(·)表示基于TBD的方差，μ(·)表示基于TBD的几何均值（质心），d(·,·)为TBD距离。通过最小化L(W)，可以学习到一个能最大化区分目标与杂波特征的投影矩阵。

第三步：基于黎曼BFGS的高效优化算法 投影矩阵W的求解被形式化为一个在Stiefel流形上的约束优化问题。由于流形的非线性结构，研究采用了黎曼优化方法。具体来说，研究者开发了一种基于黎曼Broyden-Fletcher-Goldfarb-Shanno（Riemannian BFGS, RBFGS）算法的高效求解器。该算法是经典BFGS算法在黎曼流形上的推广，用于近似求解目标函数的黎曼Hessian矩阵，仅需一阶梯度信息，计算效率高。 算法的关键步骤包括：1）在每次迭代中，在当前迭代点W_k的切空间上计算黎曼梯度grad f(W_k)；2）通过求解拟牛顿方程 B_k u_k = -grad f(W_k) 确定搜索方向uk；3）利用回缩（Retraction）操作（本研究采用QR回缩）将切空间上的移动映射回流形，得到新迭代点 W{k+1} = R_{W_k}(α_k u_k)，其中步长α_k通过线搜索确定；4）使用向量传输（Vector Transport）更新Hessian近似矩阵B_k。论文详细推导了在三种不同TBD度量（TSL, TLD, TVN）下代价函数L(W)的欧几里得梯度公式，这是实现RBFGS算法的核心。作者还对所提算法的全局收敛性进行了理论分析，证明了在满足一定条件下，算法生成的序列至少有一个聚点是原问题的稳定点。

第四步：三种TBD-MIG检测器的推导 在获得投影矩阵W并将数据投影到低维流形后，研究者基于三种不同的凸函数，推导了相应的TBD距离，并构建了三种具体的检测器： 1. 自适应全平方损失MIG检测器（Adaptive Total Square Loss MIG, ATSL-MIG）：对应的凸函数为f® = (¹⁄₂)||R||_F^2。 2. 自适应全对数行列式MIG检测器（Adaptive Total Log-Determinant MIG, ATLD-MIG）：对应的凸函数为f® = -log det®。 3. 自适应全冯·诺依曼MIG检测器（Adaptive Total von Neumann MIG, ATVN-MIG）：对应的凸函数为f® = tr(R log R - R)。 最终，对于距离扩展目标的检测统计量是H个投影后测试单元HPD矩阵与投影后DCM估计之间的TBD距离之和。

第五步：性能评估与实验验证 研究通过仿真实验和真实雷达数据验证了所提检测器的性能。 * 仿真设置：杂波采用复合高斯模型（纹理服从伽马分布）。比较的基线方法包括：未投影的TBD-MIG检测器、基于仿射不变黎曼度量（AIRM）的MIG检测器及其LDA改进版本、传统的GLRT、一步GLRT（B1S-GLRT）和两阶段GLRT（TS-GLRT）。性能指标为检测概率（Pd）随信杂比（SCR）的变化曲线以及接收机操作特性（ROC）曲线。实验评估了不同目标占据距离单元数（H=2, 4）和不同辅助数据量（K=m, 1.5m）下的性能。 * 真实数据：使用了加拿大麦克马斯特大学的IPIX雷达实测海杂波数据（文件19980205_183709_antstep.cdf和19980204_222110_antstep.cdf）。将合成目标信号加入真实杂波数据中，进行训练和测试。 * 敏感性分析：论文还系统分析了所提算法对训练SCR、训练标签错误、目标距离扩展单元数失配以及样本维度n的敏感性。 * 复杂度分析：论文对比了所提算法与基线方法在每个检测步骤的主要计算复杂度。

四、 主要研究结果

1. 算法收敛性：理论分析（推论9）证明，在Stiefel流形上，对于所定义的代价函数，所提出的RBFGS算法具有全局收敛性，即算法生成的序列至少收敛到一个稳定点（梯度范数趋于零）。这为投影矩阵的有效学习提供了理论保证。

2. 仿真性能结果：

   • 优越性：在所有仿真场景下，提出的三种自适应TBD-MIG检测器（ATSL-MIG, ATLD-MIG, ATVN-MIG）的性能均显著优于未进行流形投影的TBD-MIG检测器、AIRM-MIG检测器、LDA AIRM-MIG检测器以及各种GLRT类检测器。
   • 投影有效性：LDA AIRM-MIG检测器性能优于基础AIRM-MIG检测器，同样证明了流形投影对于提升判别能力的有效性。而所提的基于TBD的投影方法（ATBD-MIG）性能又优于基于AIRM的LDA方法。
   • 数据量影响：当辅助数据量K较少（K=m）时，GLRT类方法因协方差矩阵估计不准而性能较差，而MIG类方法（尤其是投影后的方法）相对更稳健。随着K增加（K=1.5m），所有方法性能提升，但所提ATBD-MIG检测器仍保持领先。
   • ROC曲线：在固定SCR下，所提检测器的ROC曲线（Pd vs. Pfa）也优于其他对比算法，进一步证实了其在不同虚警概率要求下的优势。

3. 敏感性分析结果：

   • 训练SCR：训练阶段使用的SCR值（15-35 dB）对最终ATSL-MIG检测器的性能影响较小，表明算法对训练SCR具有一定的鲁棒性。
   • 标签错误：训练数据中高达40%的标签错误（即部分“仅杂波”样本被误标为“目标+杂波”，或反之）对检测性能的影响也相对较小，显示了算法对标签噪声的容忍度。
   • 目标尺寸失配：当检测器设计时假设的目标占据距离单元数H与实际值不匹配时，性能会下降，且失配越大，性能下降越明显。这提示在实际应用中需对目标尺寸有大致估计。
   • 样本维度：有趣的是，对于所提的ATSL-MIG检测器，其性能随着样本维度n的增加而下降。这与作者之前工作中基于AIRM的MIG检测器表现相反，说明维度的影响可能因所使用的几何度量而异。
   • 聚合规则：与“最大”聚合规则（取H个距离单元中最大的TBD距离）相比，论文采用的“求和”聚合规则在存在离群值时表现更稳健，性能更优。

4. 真实数据验证结果：在IPIX实测海杂波数据上的实验表明，复合高斯模型能很好地拟合实际数据。检测性能曲线显示，ATBD-MIG检测器同样显著优于所有对比方法，包括未投影的MIG检测器、LDA AIRM-MIG以及GLRT类方法，证明了其在真实非高斯杂波环境中的有效性和实用性。

5. 计算复杂度：论文给出了所提算法在三种TBD度量下梯度计算的具体复杂度表达式（与训练样本数l1, l2、原始维度n、投影维度m相关）。虽然引入投影增加了训练阶段的复杂度，但一旦投影矩阵离线学习完成，在线检测的复杂度与未投影的MIG检测器相近。与其他方法（如AIRM-MIG、GLRT）的复杂度进行了对比。

五、 研究结论与价值

本研究成功提出并验证了一套完整的、用于非高斯杂波中距离扩展目标检测的判别性流形学习与检测框架。主要结论如下： 1. 方法有效性：通过引入一个基于监督学习的判别性HPD流形投影，能够有效提取对分类（目标vs.杂波）最有益的低维特征，抑制冗余信息，从而显著提升了后续基于TBD的MIG检测器的性能。 2. 算法可行性：将投影矩阵的学习问题转化为Stiefel流形上的优化问题，并成功应用RBFGS算法进行高效求解，且证明了算法的收敛性。 3. 性能优越性：所提出的三种自适应TBD-MIG检测器（ATSL-MIG, ATLD-MIG, ATVN-MIG）在仿真和实测数据中均表现出色，优于现有的主流方法，特别是在模型失配的非高斯杂波环境中展现了更强的鲁棒性。 4. 理论贡献：将流形学习（降维与特征判别）与信息几何检测理论相结合，为雷达目标检测，特别是复杂环境下的扩展目标检测，提供了一个新的、有前景的研究方向。

该研究的科学价值在于深化了矩阵信息几何在雷达信号处理中的应用，将点目标检测推广到距离扩展目标，并引入了监督学习机制来优化流形上的表示。其应用价值在于为解决实际雷达系统中非高斯杂波下的目标检测难题提供了性能更优、鲁棒性更强的检测器设计方案。

六、 研究亮点

1. 创新性方法：首次提出将判别性流形投影与全Bregman散度相结合，用于解决非高斯杂波中的距离扩展目标检测问题，这是一个新颖的框架。
2. 解决关键挑战：直接针对现有MIG检测器难以处理距离扩展目标的局限性，提出了有效的解决方案。
3. 严谨的优化与理论：采用黎曼优化这一现代数学工具来求解流形上的投影矩阵，并提供了完整的梯度推导和算法收敛性分析，体现了研究的理论深度。
4. 全面的性能评估：不仅进行了广泛的仿真实验，还使用了真实的IPIX雷达数据进行验证，并进行了系统的敏感性分析，使结论更具说服力和实用性。
5. 实用性算法：所提出的RBFGS算法是有限内存版本，降低了计算负担，增强了方法的实际可行性。

七、 其他有价值内容

论文附录提供了三个关键命题（命题3、4、5）的详细证明，这些命题给出了在三种不同TBD（TSL, TLD, TVN）度量下，投影学习代价函数梯度的具体解析表达式。这些公式是实现RBFGS优化算法的核心，其公开和推导过程对后续研究者复现或改进该方法具有重要参考价值。此外，论文对Stiefel流形上的黎曼几何与优化要素（如度量、切空间、回缩、向量传输）做了清晰阐述，有助于读者理解黎曼优化在此类问题中的应用。