本文属于类型a，即单一原创研究的学术论文。以下是对该研究的学术报告。

本文的主要作者为Guolong Cui、Na Li、Luca Pallotta、Goffredo Foglia和Lingjiang Kong，分别来自中国电子科技大学电子工程学院、意大利CNIT以及意大利Elettronica S.p.A.公司。该研究于2016年2月27日投稿，2016年10月22日被接收，并于2016年11月29日在线发表，刊载于期刊《IET Radar, Sonar & Navigation》2017年第11卷第3期，页码为404至409页。

该研究属于雷达信号处理领域，具体关注复合高斯杂波（compound-Gaussian clutter）背景下协方差矩阵的估计问题。在现代雷达系统中，如空时自适应处理（Space-Time Adaptive Processing, STAP）等先进算法，对干扰协方差矩阵的准确估计至关重要。传统的估计方法通常依赖于辅助数据（secondary data）的联合统计特性，例如样本协方差矩阵（Sample Covariance Matrix, SCM）作为最大似然估计器（Maximum Likelihood Estimator, MLE），在辅助数据数量k大于等于两倍的系统维度n时才具有较好的性能。然而，在实际雷达工作环境中，辅助数据往往呈现非均匀性，即各距离单元的回波功率存在起伏，并可能受到杂波离散点或异常值污染，导致完全统计模型难以获得。此外，已有研究表明，在均匀背景下，可以仅利用数据的几何特性进行协方差估计，而不需要完整的统计表征。本文的研究动机在于，将基于几何重心（geometric barycenter）的协方差估计思想拓展至非均匀环境，即在辅助数据共享相同协方差结构但具有不同局部散射功率的场景下，设计一类新的协方差矩阵估计器，并评估其在自适应归一化匹配滤波器（Adaptive Normalised Matched Filter, ANMF）中的目标检测性能。

本研究的主要目标是：在复合高斯杂波和非均匀辅助数据条件下，利用正定矩阵空间的几何性质，提出一类基于几何重心的协方差估计器，并与经典的归一化样本协方差矩阵（Normalised Sample Covariance Matrix, NSCM）估计器和固定点估计器（Fixed-Point Estimate, FPE）进行检测性能比较。

研究方法和工作流程可分为以下几个主要步骤。第一步是问题建模。研究假设辅助数据向量r_k服从复合高斯模型，即r_k等于正的随机尺度因子τ_k乘以高斯向量g_k，其中所有g_k共享相同的正定协方差结构Σ。由于τ_k未知且统计特性不完整，传统最大似然方法难以直接应用，因此转向基于几何距离的估计框架。第二步是构造基本协方差估计。对每一个辅助数据r_k，需要得到一个正定的基本协方差矩阵s_k。为了满足正定性要求，研究者利用先验信息——白噪声谱密度已知（不失一般性地设为1），并引入协方差矩阵条件数（condition number）上界κ_m的约束。论文给出了定理1，证明在Frobenius范数下，对秩一矩阵r_k r_k^†进行约束优化，得到的最优解s̃_k具有解析形式：其特征值为λ_k = diag[κ_m λ_k, λ_k, …, λ_k]，其中λ_k = max(1, ||r_k||²κ_m/(κ_m²+n−1))，特征向量为r_k r_k^†的特征向量，且第一个特征向量对应最大特征值||r_k||²。随后，s_k通过对s̃_k进行能量归一化得到，即s_k = s̃_k/||r_k||²。这一归一化操作是为了消除不同辅助数据之间局部功率差异的影响，使得基本协方差估计仅反映协方差结构的形状。第三步是定义几何重心估计器。一般地，协方差估计Σ̂被定义为所有基本协方差估计s_k在加权几何距离下的重心，即最小化加权距离平方和。论文采用五种不同的几何距离，分别得到五种估计器：（1）欧几里得估计器（Euclidean estimator），即加权算术平均；（2）对数欧几里得估计器（log-Euclidean estimator），即对s_k取矩阵对数后进行加权平均，再取矩阵指数；（3）根欧几里得估计器（root-Euclidean estimator），即对s_k取矩阵平方根后进行加权平均，再与自身共轭转置相乘；（4）幂欧几里得估计器（power-Euclidean estimator），即对s_k取α次幂后进行加权平均，再取1/α次幂；（5）Cholesky估计器，即对s_k进行Cholesky分解得到下三角矩阵，对这些下三角矩阵进行加权平均，再与自身共轭转置相乘。所有加权系数w_k为正且和为1。第四步是性能评估。采用经典的二元假设检验问题，即H0假设下测试单元仅含干扰r，H1假设下测试单元含目标信号βp加干扰r。检测器选用ANMF，其检验统计量为|p†Σ̂⁻¹r|²/[(p†Σ̂⁻¹p)(r†Σ̂⁻¹r)]，并与阈值γ比较。干扰向量采用复合高斯模型，其中纹理分量τ服从伽马分布，形状参数ν和尺度参数μ设定使得均值为1，从而干扰服从K分布。协方差矩阵Σ设定为Σ = Σ0 + p0 I，其中Σ0为具有指数相关结构的杂波分量，ρ为一阶滞后相关系数，σ_c²为杂噪比，f_dc为杂波归一化多普勒频率，p0为对角加载项保证满秩。仿真中设置n=8，虚警概率P_fa=10⁻⁴，并采用蒙特卡洛方法基于100/P_fa次独立试验估计检测概率P_d和虚警概率。

主要研究结果通过多组数值仿真呈现。在基础场景中（pfa=10⁻⁴，n=8，σ_c²=20 dB，f_dc=0.05，f_d=0.15，ν=0.5，ρ=0.9，k=10），与已知Σ的理想匹配滤波器（NMF）相比，所提出的五种估计器在P_d=0.9时所需的信杂噪比（SCNR）差距分别约为：对数欧几里得估计器2.2 dB、根欧几里得估计器2.5 dB、幂欧几里得估计器2.9 dB、欧几里得估计器3.0 dB、Cholesky估计器3.5 dB。其中对数欧几里得估计器表现最佳，Cholesky估计器表现最差，但差异并不显著。更重要的是，所提出的估计器明显优于NSCM和FPE，在P_d=0.9时两者与对数欧几里得估计器相比差距约8.2 dB。这种性能优势主要源于NSCM和FPE对辅助数据量k的敏感性：当k<2n时，它们的检测性能显著下降，而所提出的几何重心估计器在辅助数据量有限时仍保持较强的鲁棒性。改变对角加载项p0为10⁻⁴时，各估计器的相对行为基本不变。当相关系数ρ提高至0.99时，对数欧几里得估计器仍保持与ρ=0.9时接近的性能，而其他估计器略有性能损失。当辅助数据量增至k=16时，在ρ=0.9时，所提出的估计器性能略有改善且彼此之间更加接近，NSCM和FPE的性能也明显提高，但所提出的估计器仍优于两者；然而在ρ=0.99时，FPE和NSCM优于Cholesky、幂欧几里得和欧几里得估计器，而对数欧几里得估计器仍显著优于所有其他估计器。当纹理形状参数ν=5时，结果行为与前述分析相似。此外，研究还考察了所提出估计器的恒虚警率（Constant False Alarm Rate, CFAR）特性。仿真结果表明，基于所提出协方差估计器的ANMF不具备严格的CFAR性质。然而，这些估计器可用于两级接收机中的确认步骤，在第一级采用经典CFAR检测器进行初步检测后，利用所提出的估计器提高整个系统的检测性能。在训练数据被注入目标干扰的污染场景下（两个点状目标，干杂噪比30 dB，归一化多普勒频率0.1），所提出的估计器仍优于经典方法，因为经典方法受到理论假设与实际干扰场景失配的影响。同时，在失配场景下的实际虚警概率测试中，所提出估计器的归一化虚警概率分别为：欧几里得0.37、对数欧几里得0.13、根欧几里得0.22、幂欧几里得0.33、Cholesky 0.75，均低于标称虚警概率；而NMF为1，ANMF为4.87，FPE为4.65，说明经典CFAR检测器在失配场景下虚警概率显著升高。

本研究的结论是：在非均匀复合高斯杂波背景下，基于几何重心的协方差矩阵估计器类能够有效利用辅助数据的几何结构信息，在辅助数据量有限时显著优于NSCM和FPE。其中，对数欧几里得估计器在所有考虑的场景中均表现出最佳的检测性能。该研究的意义在于，为雷达自适应检测提供了一种不依赖完整统计模型的协方差估计新途径，特别适用于实际中常见的非均匀环境和少量辅助数据情况。其科学价值在于将正定矩阵空间的几何方法成功拓展至非均匀杂波建模，并给出了具有解析形式的约束优化解；其应用价值在于可提升雷达系统在复杂杂波环境下的目标检测能力，尤其是在辅助数据受限或存在污染的情况下。未来可能的研究方向包括将该框架推广至STAP、鲁棒导向矢量估计以及多输入多输出（MIMO）雷达的杂波相关自适应波形设计。

本研究的亮点包括：第一，在非均匀环境下提出了一类基于几何重心的协方差估计器，避免了对辅助数据完整统计特性的依赖；第二，通过在正定矩阵空间和条件数上界约束下求解Frobenius范数最小化问题，给出了基本协方差估计的解析形式；第三，系统地比较了五种不同几何距离下的估计器性能，并明确指出对数欧几里得估计器在检测性能上的优势；第四，揭示了所提出估计器在有限辅助数据量下的鲁棒性，以及在失配场景下对虚警概率的抑制能力。