基于对数域高斯混合模型的海洋杂波中弱目标相干检测研究

作者与发表信息

该研究由南京大学电子科学与工程学院的宋鹏飞（Pengfei Song）、南京LES信息技术有限公司的丁辉（Hui Ding）以及南京大学电子科学与工程学院兼瞬态冲击国家重点实验室的白烨超（Yechao Bai，通讯作者）共同完成。研究成果发表于国际知名期刊 IEEE Signal Processing Letters 第33卷，2026年。论文于2026年3月12日收稿，同年4月21日被接收，于4月27日在线发表。

研究背景与动机

在现代高分辨率海洋监视雷达，尤其是低擦地角工作场景下，海杂波（sea clutter）呈现出强烈的非高斯（non-Gaussian）与重尾（heavy-tailed）统计特征。这些重尾特征主要源自偶发的、幅度极高的“海尖峰”（sea spikes），导致常规检测器在检测微弱运动目标时性能严重退化，表现为虚警率失控。传统的单元平均恒虚警率（Cell-Averaging Constant False Alarm Rate, CA-CFAR）检测器和线性匹配滤波器（Matched Filter, MF）在面对这种非均匀环境时，常常因模型失配而失效。此外，海杂波的统计特性对环境因素（如海况、风向）和雷达参数高度敏感，进一步加剧了检测器鲁棒性不足的问题。

为了解决这一难题，研究者们提出了多种理论方法。其中，复合高斯（Compound-Gaussian, CG）过程被广泛用于刻画海杂波的重尾纹理，而K分布（K-distribution）则成为该框架下的基准参数模型。基于Neyman-Pearson准则，针对弱信号检测的局部最大势（Locally Most Powerful, LMP）检测器被认为是理论基准。然而，基于K分布的LMP检测器（K-LMP）在实际应用中面临重大挑战，其检测统计量涉及复杂的修正贝塞尔函数计算以及形状参数的估计，运算负担重且不易实现。另一方面，对数域处理策略因能有效压缩海尖峰的大动态范围而受到关注，使得统计建模更为稳定。近年来也有学者尝试使用非线性预处理（如阈值上随机共振，SSR）或深度学习架构，但深度学习方法依赖海量数据且缺乏可解释性，而复杂的统计检验往往需要迭代数值方法。

在此背景下，本研究旨在寻找一种既能精确拟合海杂波复杂分布，又具备数学简洁性和计算可行性的检测方法，最终实现物理精度与计算灵活性的平衡。作者提出了一种基于对数域高斯混合模型（Logarithmic Gaussian Mixture Model, Log-GMM）的相干检测器，以期在无需特殊函数的情况下，为海洋监视提供一种鲁棒、高效的解决方案。

研究方法与详细流程

该研究从信号模型、域变换、概率建模到检测器推导，形成了一条完整的技术链路。

首先，作者将雷达检测问题公式化为二元假设检验。对于发射包含N个脉冲的相干脉冲串，在一个相干处理间隔（Coherent Processing Interval, CPI）内，接收信号向量z在假设H0下仅为杂波c，在H1下为信号s与杂波c之和。目标信号s建模为未知复幅度α与多普勒导向矢量p(fd)的乘积。针对该模型，检测器的核心任务是根据观测向量判定目标有无。

紧接着是本研究最具创新性的步骤——对数域杂波建模。鉴于海杂波同相（I）和正交（Q）分量通常被假定为独立同分布的球不变随机过程，作者选择对各分量的幅度u（即|zI|或|zQ|）进行处理。为压缩海尖峰的动态范围并稳定统计特性，作者引入对数变换 y = ln(u)。变换后，原本在幅度域呈现重尾分布的数据被映射到一个更紧凑的支撑集上。随后，作者采用高斯混合模型（Gaussian Mixture Model, GMM）来逼近对数域数据y的概率密度函数（Probability Density Function, PDF）。GMM以其对任意平滑密度的强大拟合能力，将y的PDF建模为K个高斯分量的加权和，每个分量由权重ωk、均值μk和方差σk^2描述。模型参数θ = {ωk, μk, σk^2}通过期望最大化（Expectation-Maximization, EM）算法从纯净杂波数据中估计。为在模型精度与复杂度之间取得最优平衡，作者利用贝叶斯信息准则（Bayesian Information Criterion, BIC）确定最佳分量数K。通过对CSIR和IPIX两大知名海杂波数据库的多个数据段进行综合分析，研究发现BIC得分在K=5处趋于稳定，且进一步增加分量数带来的拟合精度提升微乎其微。因此，K=5被确定为所有实验的固定、鲁棒参数。

在完成模型构建后，作者基于广义Neyman-Pearson引理推导了log-GMM-LMP检测器。LMP检测器通过计算对数似然函数关于信号幅度的梯度，得到检测统计量，以最大化对弱信号的检测效力。对于I/Q分量独立同分布的相干信号模型，检测统计量tlmp表示为接收数据经特定非线性变换后与导向矢量的匹配输出功率。这一非线性变换具体体现为一个倍增加权函数w(u)，它独立作用于复信号的实部和虚部，即处理后的信号z̃n由加权后的实部和虚部重新合成。

局部最优化的核心在于确定加权函数w(u)的形式。根据检测理论，该函数由幅度域PDF fu(u)的导数与自身之比决定：w(u) = -f’u(u) / [u fu(u)]。通过雅可比变换fu(u) = fy(ln u)/u，及相应的导数推导，w(u)可借助对数域PDF fy(y)表示为 w(u) = (1/u^2) [1 - f’y(ln u) / fy(ln u)]。将式(3)的GMM表达式代入，便得到了该检测器的核心闭式解（closed-form）——log-GMM-LMP加权函数：

w(u) = (1/u^2) [1 + Σ_{k=1}^K γk(ln u) · (ln u - μk) / σk^2]

其中，γk(ln u) 表示观测值ln u属于第k个高斯分量的后验概率。这一表达式揭示了最终的非线性特性是各个GMM分量局部线性响应的动态加权和。尤为重要的是，与K-LMP检测器不同，该加权函数仅包含基本代数运算，彻底规避了贝塞尔函数等特殊函数的计算，极大简化了工程实现。整个处理流程包括：将对数变换后的杂波数据用于GMM参数估计；接收到的测试数据I/Q分量独立经过加权函数w(u)处理；加权后的复数据与多普勒导向矢量进行匹配滤波；最后通过能量检测与门限比较做出判决。

主要实验结果与分析

为全面验证所提检测器的有效性和泛化能力，研究采用了来自两个独立、广泛认可的X波段真实海杂波数据库：南非CSIR Fynmeet雷达数据库和加拿大McMaster IPIX雷达数据库。这些数据涵盖不同的海况、环境条件和雷达参数，其中CSIR数据库中的TFC15_013数据集（VV极化）为低擦地角、高海况下的典型挑战性环境，被选作代表性子集。实验中，一个归一化多普勒频率fd = -0.3的仿真弱目标被注入原始数据，并在不同信杂比（Signal-to-Clutter Ratio, SCR）和N=64的CPI下进行蒙特卡洛模拟。

在模型拟合精度评估方面，图3(b)及表I的结果极具说服力。传统的瑞利（Rayleigh）分布完全无法追随重尾；即使广泛使用的K分布也在主模区域存在明显偏差；在线性域直接拟合GMM（线性GMM）虽有所改善，但仍难以准确刻画尖锐的谱峰。相比之下，所提出的log-GMM模型几乎完美地贴合了经验直方图，能够同时精确捕获数据的尖锐峰值和厚重拖尾。定量分析表明，log-GMM的Kolmogorov-Smirnov统计量低至0.0028，Kullback-Leibler散度仅为0.0005，均远优于对比模型，证实了其卓越的统计描述能力。

检测性能评估通过多维度展开。首先，在特定场景（SCR = -5 dB）下的距离维剖面分析（图4）中，所有检测器的统计量按虚警率Pfa = 10^-3下的门限进行归一化。传统的CA-CFAR检测器完全失效，不仅未能检测目标（归一化统计量仅0.6321），反而在非均匀区产生了一个幅度超过门限的虚警尖峰。SSR方法虽然压制了杂波尖峰并检测到目标，但其杂波抑制后的背景水平仍紧邻门限，余量很小。而K-LMP和本文提出的log-GMM检测器均能将杂波背景显著压低至安全范围，但log-GMM检测器表现更为突出：它不仅实现了对杂波尖峰的有效抑制（归一化统计量0.8980），更将目标响应增强至所有方法中的最高值1.2663，实现了最佳的目标-背景对比度。

其次，接收机工作特性（Receiver Operating Characteristic, ROC）曲线分析（图5）在SCR = -10 dB的严苛条件下进行。无论是在CSIR的VV极化数据还是IPIX的HH极化数据上，log-GMM检测器的ROC曲线全程高于CA-CFAR、SSR和K-LMP基线方法。尤其在低虚警区域（10^-4 ~ 10^-3），其优势更加明显，这表明log-GMM检测器在有效抑制重尾杂波尖峰的同时，最大限度地保留了弱目标信息。

随后，检测概率Pd随输入SCR的变化曲线（图6）定量揭示了其处理增益。在Pfa = 10^-3，达到Pd = 0.8时，log-GMM检测器相对于传统CA-CFAR，在CSIR数据集上获得了约7.9 dB的显著处理增益，在IPIX数据集上亦获得3.7 dB的增益。在整个测试的SCR区间内，其检测概率始终领先于SSR和K-LMP方法，充分验证了数据驱动非线性加权策略在捕获底层重尾杂波统计特性、增强目标信号方面的有效性。

最后，表II展示的性能一致性分析进一步巩固了上述结论。在SCR = -10 dB、Pfa = 10^-3的条件下，于多个不同数据库随机选取的数据集上，log-GMM检测器的Pd均稳定地处于最高水平，证明了其在不同非均匀海洋环境中强大的泛化能力。

研究结论与价值

该研究成功提出了一种基于对数域高斯混合模型框架的鲁棒相干检测器。通过将杂波统计建模转移至对数域，有效地压缩了海尖峰动态范围，并利用GMM的灵活性实现了对真实数据分布的高精度近似，进而推导出仅包含初等运算的LMP检测统计量闭式解。在CSIR与IPIX两大实测数据库上全面的实验证实，log-GMM检测器能够为多样异构海洋环境提供精确的统计拟合，在低信杂比条件下获得大幅处理增益，检测性能一致且显著优于传统CA-CFAR、SSR及基于K分布的LMP检测器。

本研究的科学价值在于，它成功架设了高保真统计建模与数学可解析检测器设计之间的桥梁。所提出的方法避免了K分布模型中的特殊函数运算，也无需深度学习方法的庞大训练集，通过数据驱动的自适应非线性，提供了一种兼具理论优雅与计算高效的新范式。在应用层面，该检测器为对海监视雷达在复杂海况下的慢速小目标探测提供了一种高度可靠、易于工程实现的解决方案，对提升海洋态势感知能力具有重要的实际意义。

研究亮点

本研究最显著的亮点可归纳为三方面。其一，模型创新：首次将对数变换与高斯混合模型系统性地结合用于海杂波幅度建模，完美地解决了重尾分布下尖峰与主模难以同时精确拟合的难题。其二，算法创新：推导出的log-GMM-LMP加权函数是一个仅含多项式、指数和对数运算的闭式解，从根本上规避了传统最优检测器对特殊函数的依赖，极大地降低了计算复杂度，便于实时处理。其三，性能卓越且鲁棒：该检测器在不同雷达系统、极化方式和海况数据中均一致性地取得最优检测性能，尤其在极度严苛的低虚警率区域，其优势无可匹敌，展现了强大的环境适应能力。