[論文レビュー] Multichannel adaptive signal detection: Basic theory and literature review

Weijian Liu, Jun Liu+3 more|arXiv (Cornell University)|Feb 6, 2021

Distributed Sensor Networks and Detection Algorithms被引用数 11

ひとこと要約

本論文は、ガウスノイズ下におけるマルチチャネル適応信号検出に関する包括的なチュートリアルおよび文献レビューを提示し、設計基準、フィルタリング・次にCFAR手法との関係、および一定誤報率（CFAR）特性に焦点を当てる。キールズのGLRTを含む主要な検出器のレビュー、信号不一致およびインターフェレンス下での性能分析、および圧縮センシング、非ガウスノイズ、機械学習統合に関する今後の研究分野を特定する。

ABSTRACT

Multichannel adaptive signal detection jointly uses the test and training data to form an adaptive detector, and then make a decision on whether a target exists or not. Remarkably, the resulting adaptive detectors usually possess the constant false alarm rate (CFAR) properties, and hence no additional CFAR processing is needed. Filtering is not needed as a processing procedure either, since the function of filtering is embedded in the adaptive detector. Moreover, adaptive detection usually exhibits better detection performance than the filtering-then-CFAR detection technique. Multichannel adaptive signal detection has been more than 30 years since the first multichannel adaptive detector was proposed by Kelly in 1986. However, there are fewer overview articles on this topic. In this paper we give a tutorial overview of multichannel adaptive signal detection, with emphasis on Gaussian background. We present the main deign criteria for adaptive detectors, investigate the relationship between adaptive detection and filtering-then-CFAR detection, relationship between adaptive detectors and adaptive filters, summarize typical adaptive detectors, show numerical examples, give comprehensive literature review, and discuss some possible further research tracks.

研究の動機と目的

• ガウス背景に注目したマルチチャネル適応信号検出に関する体系的なチュートリアルを提供すること。
• 適応検出と従来のフィルタリング・次にCFAR検出との関係を明確にし、単純さと性能の優位性を強調すること。
• キールズのGLRT、AMF、ラオ/ワルド検定を含む主な適応検出器を、さまざまな信号およびノイズモデル下で要約・比較すること。
• 信号不一致下での性能解析、未知共分散を有する色付きノイズ下での問題、および圧縮センシングおよび機械学習統合に関する未解決の研究課題を特定すること。
• 非定常的・非ガウス的・不確実なノイズ環境における主な課題を提示することで、さらなる研究を促進すること。

提案手法

• テストおよびトレーニングデータを用いて、一定誤報率（CFAR）特性を持つ検出器を構築するための統一フレームワークを提案する。
• 特に、均一および部分的に均一な環境下でのランク1および部分空間信号に対して、一般化尤度比検定（GLRT）を主な設計基準として採用する。
• 統計モデルを用いて、2S-GLRT-HE-IおよびGLRT-PHE-Iなどの主要検出器の検出確率（PD）および誤報確率（PFA）の解析的表現を導出する。
• ノイズがホワイトニング空間において信号に直交する条件下で、GLRTと適応マッチドフィルタ（AMF）の等価性を分析する。
• 特に、干渉を伴う部分空間信号検出において、GLRTの代替としてのラオ検定およびワルド検定の使用をレビューする。
• 圧縮センシングに基づく検出および機械学習応用の最新の進展を統合し、特に未知または非ガウス的ノイズ環境において有効に活用する。

Figure 1: Block diagrams for filtering-then-CFAR detection and adaptive detection

実験結果

リサーチクエスチョン

• RQ1 適応検出器は、従来のフィルタリング・次にCFAR検出法と比較して、性能および複雑さの観点でどのように異なるか？
• RQ2 適応検出と適応フィルタリングの関係は何か？ 機能および実装の観点で、どのような点で異なるか？
• RQ3 信号不一致および干渉が、適応検出器の検出性能に与える影響は何か？ その影響を定量化するための解析的ツールは何か？
• RQ4 非ガウス的または構造的非定常ノイズ下で、現在の適応検出器の限界は何か？ それらをどのように克服できるか？
• RQ5 機械学習および圧縮センシングは、未知またはスパース環境におけるロバスト性と効率性を向上させるために、適応検出に効果的に統合可能か？

主な発見

• 適応検出は、フィルタリングとCFAR処理を同時に実現するため、フィルタリング・次にCFAR手法と比較して検出手順が簡素化される。
• 均一環境下でのランク1信号に対するキールズのGLRT（KGLRT）は、基礎的検出器であり、行列CFAR特性を維持する。これにより、ノイズ共分散構造に依存しない検出閾値が保証される。
• 完全に未知のノイズ下では、ランク1信号に対するGLRTは適応コherエンス推定器（ACE）に等しく、ラオ検定はDN-AMF検出器をもたらす。
• コherent干渉が存在する場合、GLRT、ラオ、ワルド検定の一般化形が導出され、ノイズがホワイトニング空間で信号に直交する場合、GLRTはKGLRTに一致する。
• 統計モデルから導出されたPDおよびPFAの解析的表現により、2S-GLRT-HE-IやGLRT-PHE-Iなどの検出器の理論的性能解析が可能になる。
• 今後の研究分野には、信号不一致下での性能解析、未知共分散を有する色付きノイズ向けの検出器開発、および不確実環境下でのロバスト性向上のための圧縮センシングおよび機械学習統合が含まれる。

Figure 2: Block diagrams for one adaptive filter and three adaptive detectors