本文属于类型a，即单一原创研究论文。以下是根据该文档内容撰写的学术报告。
一、研究作者、机构与发表信息
本文题为《Adaptive Radar MIG Detectors Based on the Total Bregman Divergence for Sample-Starved Scenarios》，发表于 IEEE Transactions on Signal Processing 第74卷，2026年，文献编号为10.1109/TSP.2026.3712164。论文的主要作者包括：Xiaoqiang Hua（国防科技大学计算机学院与电子科学学院）、Zhenwei Huang 和 Wen Huang（厦门大学数学科学学院，通讯作者）、Xuan Peng 和 Yongqiang Cheng（国防科技大学）、Alfonso Farina（意大利，Selex ES退休，IEEE Life Fellow）以及 Danilo Orlando（意大利比萨大学信息工程系，IEEE Senior Member）。该研究得到了中国国家自然科学基金和湖南省自然科学基金的支持。
二、研究背景与目的
自适应雷达目标检测的核心问题之一是在未知干扰背景下检测目标信号。传统检测器（如Kelly广义似然比检验、自适应匹配滤波器等）通常假设训练数据与待检测数据具有相同的统计特性，即均匀杂波环境。然而在实际场景中，由于功率随距离变化、杂波离散点及异常值的存在，均匀训练样本数量往往严重不足，形成所谓“样本匮乏”情形。当训练样本数少于数据维度的两倍时，干扰协方差矩阵估计的损失会使检测性能显著下降。
为了解决这一问题，研究者提出了两类主要途径：一是利用先验信息（如杂波谱对称性、地理信息等），但这类方法对先验信息的准确性高度敏感；二是利用矩阵信息几何方法，将协方差矩阵视为厄米特正定矩阵流形上的点，通过几何测度设计检测器，无需依赖先验知识。本文的研究目的即是在此背景下，提出一种基于全布雷格曼散度并引入流形投影的自适应矩阵信息几何检测器，以进一步提升样本匮乏场景下的检测性能。
三、研究流程与方法
本研究的工作流程主要包括四个步骤：训练数据构造、投影矩阵学习、检测阈值估计以及检测概率计算。
（1）训练数据构造。 研究将雷达回波样本通过自相关结构转换为厄米特正定矩阵。具体地，对于数据向量 x，构造矩阵 r = rr^H + tr(…)，其中 r 为 x 的自相关向量。研究共构造了200组HPD矩阵训练数据：100组仅含杂波，100组包含注入的模拟目标信号。每个样本向量的维度为 n = 8，每组包含 k 个次要数据向量。目标信号的归一化多普勒频率设为 fd = 0.2，杂波的归一化多普勒频率设为 fc = 0.1，一阶滞后相关系数 ρ = 0.9。次要数据量在实验中分别设置为 k = m 和 k = 1.5m（m 为投影后的维度）。
（2）投影矩阵学习。 这是本研究的核心创新。投影矩阵 w ∈ C^{n×m}（m ≤ n）将 n×n 的HPD矩阵映射到 m×m 的低维子流形上，映射方式为 f_w® = w^H r w。w 被约束在复斯蒂费尔流形 St(m, C^n) 上，即 w^H w = I_m。投影矩阵的学习通过最小化代价函数 ψ(w) = φ_w − φ_b 实现，其中 φ_w 为类内距离，φ_b 为类间距离。该代价函数旨在最大化目标类与杂波类之间的散度，同时最小化类内的散度。具体实现中，对于每个HPD矩阵，选取 ν_w^i = 15 个同类最近邻和 ν_b^i = 20 个异类最近邻，邻居的选择基于Frobenius范数下的闭球。研究考虑了三种全布雷格曼散度：全平方损失、全对数行列式散度和全冯·诺依曼散度。
该优化问题被转化为斯蒂费尔流形上的黎曼优化问题，并采用黎曼信赖域牛顿法求解。论文详细推导了三种散度下的欧几里得梯度（命题1-3）和欧几里得Hessian作用（命题4-6），然后利用正交投影算子将欧几里得量提升到斯蒂费尔流形的切空间上（命题9-10）。研究还给出了RTRNewton算法的全局收敛性证明（推论14），其依据是代价函数的光滑性和斯蒂费尔流形的紧致性。算法参数设置为：初始信赖域半径 δ0 = √d，最大半径 δ̄ = δ0/8，截断共轭梯度法的参数 θ = 1，κ = 0.1，停止准则为梯度范数降至初始值的10^{-6}以下。
（3）检测阈值估计。 在H0假设（仅杂波）下，利用100/PFA组HPD矩阵计算三种TBD检测统计量，通过蒙特卡洛方法确定检测阈值。虚警概率设为 PFA = 10^{-3}。
（4）检测概率计算。 在H1假设（含目标）下，利用2000组HPD矩阵计算检测统计量，统计超过阈值的次数以估计检测概率。
四、主要结果
在仿真非均匀杂波环境下（高斯杂波，k = m 和 k = 1.5m），实验结果表明：所有MIG检测器在样本匮乏条件下的检测性能均显著优于自适应归一化匹配滤波器。更重要的是，所有引入流形投影的自适应TBD-MIG检测器均优于其未投影的TBD-MIG对应版本，证实了流形投影能够增强HPD矩阵的判别能力。在复合高斯杂波环境下（纹理分量服从伽马分布，形状参数为2），结果同样表明自适应TBD-MIG检测器优于未投影版本和ANMF。
敏感性分析方面：第一，投影维度的影响。对于自适应TSL检测器，不同投影维度（m = 6, 4, 2, 1）下性能变化不显著；对于TLD检测器，m = 4和m = 2时性能最优，m = 6和m = 1时性能下降；对于TVN检测器，性能随投影维度降低而单调下降。这表明过度的维度缩减可能导致目标相关信息丢失。第二，导向矢量失配的影响。当目标归一化多普勒频率fd从0.1变化到0.5时，只要fd与杂波多普勒频率fc的差值超过0.1，检测性能的影响可忽略，说明学习到的投影矩阵对导向矢量不确定性具有良好的鲁棒性。第三，增益来源分析。以TSL检测器为例，欧几里得空间代数均值下的检测概率几乎为零，说明HPD矩阵的非欧几里得性质不可忽视；TSL均值相比AIRM均值仅有微弱增益；而流形投影带来了显著的性能提升，表明性能增益主要来源于流形投影而非均值估计本身。
在真实数据实验中，研究使用了加拿大McMaster大学IPIX雷达1998年在安大略湖沿岸采集的海杂波数据，极化方式为水平极化。样本维度设为 n = 5，注入目标的SCR为25 dB。训练集为前500个分段，中间10000个分段用于阈值估计（PFA = 10^{-2}），剩余分段用于性能评估。结果表明，在 k = m 和 k = 2m 两种次要数据量下，自适应TBD-MIG检测器均优于未投影版本和ANMF，且随着流形维度降低性能进一步提升。
计算复杂度分析显示，TSL检测器的单步复杂度为O(8mn²) + O(4m²n)，TLD为O(8mn²) + O(16m²n)，TVN为O(8mn²) + O(10m²n)。实验执行时间表明，TVN最耗时，TSL相对较低，但三者均高于ANMF。这是因为自适应TBD-MIG检测器涉及矩阵对数和矩阵指数等复杂运算。
五、结论与研究意义
本文提出了一类基于全布雷格曼散度和流形投影的自适应矩阵信息几何检测器。通过在斯蒂费尔流形上学习一个投影矩阵，将高维HPD矩阵映射到更具判别力的低维子流形上，实现了类间距离最大化和类内距离最小化。三种检测器（ATBD-MIG-TSL、ATBD-MIG-TLD、ATBD-MIG-TVN）在仿真数据和真实IPIX雷达数据上均验证了其相对于未投影TBD-MIG检测器和ANMF的优越性能。
研究的科学价值在于：将监督学习的判别投影思想引入到矩阵信息几何检测框架中，拓展了HPD矩阵流形上判别分析的几何测度选择范围（从AIRM、JBLD、SKLD扩展到TBD），并为解决样本匮乏场景下的雷达检测问题提供了一种不依赖先验知识的新思路。应用价值在于：该方法可直接用于非均匀杂波环境下的自适应雷达目标检测，特别是当训练样本数量严重不足时，能够显著提升检测概率。论文还指出了CFAR行为的理论证明尚未完成，检测阈值的设置目前仍需依赖经验因素，这是未来研究的重要方向。
六、研究亮点