基于无监督双参数估计的Weibull杂波下高频地波雷达目标检测方法研究报告

一、研究概述

本研究报告解读的是一项题为“UDPE: Unsupervised Dual-Parameter Estimation for Radar Target Detection in HFSWR with Weibull Clutter”的原创性研究。该研究由哈尔滨工业大学（Harbin Institute of Technology）电子工程研究院的Fanglin Chen、Yang Li（李杨，IEEE会员，通讯作者）、Xinyu Ma、Xiao Xu、Wentong Fang、Jiahui Niu和Bin Zhao等人共同完成。该成果已被期刊《IEEE Transactions on Aerospace and Electronic Systems》接收，并于2026年在该期刊的第XX卷第XX期上发表。研究得到了国家自然科学基金（批准号：62071156）的资助。

二、学术背景与研究动机

本研究属于雷达信号处理与目标检测领域，具体聚焦于高频地波雷达（High-Frequency Surface Wave Radar, HFSWR）在复杂海杂波背景下的恒虚警率（Constant False Alarm Rate, CFAR）检测问题。高频地波雷达因其全天候、全天时、广域覆盖的监视能力，是各沿海国家和地区进行实时海洋监测的关键设备。在其中，CFAR检测是实现目标发现的核心技术之一，其性能高度依赖于对背景杂波分布的准确建模和参数估计。现有研究表明，Weibull分布能更好地表征HFSWR的海杂波回波数据，因此本研究在该模型下展开。

传统CFAR检测主要分为三类：基于贝叶斯（Bayesian）的方法依赖精确的先验假设，在模型失配时性能急剧恶化；基于最大似然估计（Maximum Likelihood Estimation, MLE）的方法计算复杂度高，难以实时实现，且在非均匀杂波下难以准确建模；基于矩估计（Moment-based）的方法，如ZLOG(Z)方法，虽然在计算上高效，但在复杂非均匀环境中，由于无法获取足够的均匀样本，也难以对杂波局部相关性进行建模，导致矩估计精度低，参数估计失准。近年来，神经网络（Neural Networks, NNs）因其强大的数据驱动能力，能从数据中隐式地学习杂波单元间的局部相关性，为解决传统矩估计方法在非均匀环境下样本不足的难题提供了潜力。然而，NNs的部署面临三大挑战：其一，真实杂波分布参数的“真值”（Ground Truth）在现实中不可得，导致有监督学习不切实际；其二，网络对多个矩的估计误差不一致，会严重影响形状参数（Shape Parameter）的估计精度；其三，无监督范式下，单网络估计存在固有的随机波动，降低了估计的稳定性。本研究的核心目的，即是为了克服上述挑战，提出一种新颖的无监督双参数估计（Unsupervised Dual-Parameter Estimation, UDPE）方法，以在Weibull杂波下实现更精准、更稳定的HFSWR目标检测。

三、研究流程与详细方法

为解决上述问题，研究团队提出了一个集成学习框架下的UDPE-CFAR智能检测框架，该框架具体包括四个核心程序。

1. 多通道变换（Multi-Channel Transformation）：首先，依据推导出的Weibull分布的三个矩（一阶矩E(x)、对数矩E(ln x)和混合矩E(x ln x)）与形状参数k的关系式，研究对输入的雷达数据进行函数变换，生成x、ln x和x ln x三个通道的数据。该步骤的创新点在于其从理论上识别并分析了矩估计误差不一致的问题。研究通过公式推导证明，若各阶矩的相对误差不一致，将导致形状参数k的估计产生巨大偏差。因此，采用多通道网络同时估计三个矩，可利用通道间的相关性来强制提升误差的一致性，这是该框架的第一个关键创新。此外，为避免不同通道数据尺度（如x ln x的数值远大于ln x）导致网络训练时梯度失衡、顾此失彼，研究提出了一种结合最大幅度初步加权与实验微调的通道加权策略，以确保网络对各通道数据的均衡学习。

2. 集成无监督多通道矩估计网络（Ensemble Unsupervised Multi-channel Moment Estimation Network, EUME-Net）：这是整个框架的核心。

   • 网络结构：EUME-Net的主体，即无监督矩估计网络（UME-Net），采用了具有编码器-解码器（Encoder-Decoder）结构的U-Net网络。编码器通过五层堆叠的深度可分离卷积（Depthwise Separable Convolution）和最大池化（Max Pooling）逐步提取多尺度特征；解码器则通过转置卷积（Transposed Convolution）和跳跃连接（Skip Connection）融合深层语义与浅层空间细节，最终精确重建数据。
   • 训练阶段：为解决无“真值”可用的问题，研究巧妙地采用了数据重建的思想。它设计了一种“随机掩码策略”（Random Mask Strategy），在输入的雷达频谱图上随机擦除部分区域的数据，然后训练UME-Net根据周围未掩码的真实数据来预测和修复被掩码的部分。网络的优化目标是最小化重建数据与原始数据之间的多通道重建自监督损失（L_MCR）。通过这种方式，网络被强制学习数据的局部相关性，其重建结果所隐含的统计量自然就收敛于待估计的三个矩。这一机制是本研究无监督学习的核心。
   • 测试阶段：测试时，使用固定的“迭代掩码策略”（Fixed Iterative Mask Strategy），通过多次迭代并平移掩码块位置，确保频谱图中每一个有效单元都被精确估计一次。
   • 集成学习（Ensemble Learning）：为抑制单网络估计的随机波动，研究构建了包含10个子网络的EUME-Net。理论上，若各子网络输出独立同分布于高斯分布，则通过等权重的模型聚合，集成输出的方差可降至单网络方差的1/n，显著提升估计的稳定性和准确性。这是该框架的第二个关键创新。

3. Weibull杂波双参数估计与CFAR检测：在EUME-Net输出高精度、高稳定性的三个矩的估计值后，根据前述关系式，需要反演（Inversion）出形状参数k。传统查表法（Lookup Table）的精度和计算复杂度严重依赖步长设置。为解决此问题，研究构建了一个仅由四层卷积层和PReLU激活函数组成的“浅层映射网络”（Shallow Mapping Network）来替代查表过程。该网络利用由公式生成的无限且无误的配对数据(k, 公式值)进行训练，能在保证反演精度的同时，将计算效率最高提升3.89倍，这是该框架的第三个关键创新。得到形状参数k后，尺度参数λ便可由一阶矩和k的估计值直接计算得出。最后，将估计出的Weibull双参数代入检测阈值公式，并与待检测单元（Cell Under Test, CUT）的功率进行比较，超过阈值则判定为存在目标。

四、主要实验结果与分析

为全面验证UDPE-CFAR的性能，研究团队基于仿真数据和实测岸基地波雷达数据，设计了严谨的组件分析和性能对比实验。

组件分析实验： 1. 多通道 vs. 单通道：在非均匀杂波场景（SCR=5dB）下，对比了使用三个单通道网络和单一三通道网络估计参数的效果。定量结果表明，虽然两者矩估计的误差（RRMSE）相近，但三通道网络通过利用通道间相关性，使得形状参数k的估计误差（RRMSE）从单通道网络的0.4872大幅降至0.1136，尺度参数λ的误差也从0.1386降至0.1073。这直接、有力地验证了通过多通道设计提升误差一致性对提高最终参数估计精度的关键作用。 2. EUME-Net vs. UME-Net：对比集成网络与单网络性能。在非均匀场景下，EUME-Net将形状和尺度参数的误差分别进一步降低了21.30%和10.17%。在检测性能上，当虚警概率PFA = 1 × 10⁻⁴，SCR = 15dB时，EUME-Net的检测概率（PD）相较于单网络UME-Net提升了6.77%，相较于传统ZLOG(Z)-CFAR方法更是提升了32.81%，充分证明了集成学习在提升估计稳定性和检测性能上的显著优势。实验还显示，PD会随着子网络数量的增加而提升，为实际应用中平衡性能与计算开销提供了选择依据。 3. 浅层映射网络 vs. 查表法：在同等估计精度下，浅层映射网络的处理速度是传统查表法的3.89倍，实现了精度与效率的更优平衡。

与传统方法对比实验： 研究将UDPE-CFAR与ZLOG(Z)-CFAR、ML-CFAR、GM-CVAE等现有方法进行了全面对比。 * 参数估计精度：在均匀和非均匀杂波背景下，UDPE-CFAR对尺度参数λ和形状参数k的估计RRMSE均为最低。例如，在非均匀背景下，其EUME-Net版本对λ和k的估计误差相较于次优方法分别降低了69.44%和50.50%。 * 目标检测性能：在仿真数据的ROC曲线和PD-SCR曲线上，UDPE-CFAR在统一PFA下获得了最高的检测概率，或在同一检测概率下获得了更低的信杂比需求，最高可实现7dB的信杂比增益。 * 实测数据验证：在完全不参与训练的100帧实测岸基HFSWR数据上，UDPE-CFAR同样表现出极优的检测性能。在PFA = 1 × 10⁻³时，其检测率相较于其他方法提升最高可达18%。标注流程图证实，通过将AIS数据坐标映射至RD谱并辅以人工校验和补偿，获取可靠真值标签的方法是严谨的。 * 计算复杂度：处理单帧数据，传统基于MLE的方法耗时均在70秒左右，ZLOG(Z)并行处理约需10秒，而本研究提出的UDPE-CFAR仅需1.1782秒，在获得最优精度的同时，也具备了最高效的计算性能，展现了良好的实时应用潜力。

五、结论与价值

本研究成功提出并验证了一种名为UDPE-CFAR的无监督双参数估计目标检测框架，有效地克服了传统矩估计方法在非均匀海杂波环境下因均匀样本匮乏而导致性能下降的瓶颈。其主要科学价值在于：第一，提出了基于数据重建的无监督训练策略，解决了雷达杂波参数真值不可得导致神经网络无法训练的难题；第二，首次识别并从理论上分析了神经网络矩估计误差不一致问题，并利用多通道网络予以缓解；第三，引入集成学习框架，从理论和实验上证明了其能减少估计方差、提升性能。在应用价值上，该方法不仅在仿真和实测数据上均实现了对现有方法检测性能的超越，更展现出极高的计算效率，为高频地波雷达在真实、复杂海洋环境下的高性能实时目标检测提供了切实可行的、先进的解决方案。

六、研究亮点

本研究的亮点集中体现在方法创新和实际效能上： 1. 新颖的训练范式：通过“随机掩码-自我重建”的无监督学习机制，巧妙地规避了对真实杂波分布参数的需求，使深度学习得以应用在实际雷达数据处理中。 2. 深刻的理论洞见：对多矩估计误差不一致性问题进行数学建模和验证，并据此设计多通道网络，是从问题根源出发的创新性解决思路。 3. 系统化的性能增强：集成多种技术（多通道处理、网络集成、浅层网络替代查表）于一个统一框架，在参数估计精度、检测能力、计算效率三个维度实现了对传统方法的全面超越。 4. 实测验证的可靠性：在完全独立的实测HFSWR数据集上进行验证，结果依然优异，强有力地证明了该方法从理论走向实际应用的巨大潜力和迁移能力。

七、补充内容

文章的附录部分提供了右侧公式单调性的严格数学证明，确保了通过查表法或映射网络反演形状参数的唯一性和理论基础。研究团队还指出了未来的工作方向，包括将该方法扩展至运动平台和恶劣天气等更复杂的场景，探索场景感知算法和无监督域适应技术；以及从系统层面集成目标跟踪器，利用跟踪结果引导感兴趣区域选择，从而进一步提升计算效率和弱目标检测能力。