[论文解读] 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 11

一句话总结

本文针对高斯噪声中的多通道自适应信号检测，提供了一篇全面的教程与文献综述，重点阐述设计准则、与先滤波后CFAR方法的关系，以及恒虚警率（CFAR）特性。综述了关键检测器如Kelly的GLRT，分析了在信号失配和干扰下的性能，并指出了在压缩感知、非高斯噪声及机器学习融合方面的未来研究方向。

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.

研究动机与目标

• 提供一个关于多通道自适应信号检测的系统性教程，重点关注高斯背景环境。
• 阐明自适应检测与传统先滤波后CFAR检测之间的关系，突出其在简洁性与性能方面的优势。
• 总结并比较各类主要自适应检测器（包括Kelly的GLRT、AMF和Rao/Wald检验）在不同信号与噪声模型下的表现。
• 识别开放的研究问题，包括在信号失配、具有未知协方差的色噪声，以及与压缩感知和机器学习融合方面的挑战。
• 通过阐明非平稳、非高斯及不确定噪声环境中的关键挑战，激发进一步研究。

提出的方法

• 提出一个统一的多通道自适应检测框架，利用测试数据与训练数据构造具备恒虚警率（CFAR）特性的检测器。
• 采用广义似然比检验（GLRT）作为主要设计准则，尤其适用于同质与部分同质环境中的一阶与子空间信号。
• 基于统计模型，推导出关键检测器（如2S-GLRT-HE-I和GLRT-PHE-I）的检测概率（PD）与虚警概率（PFA）的解析表达式。
• 分析在特定条件下GLRT与自适应匹配滤波器（AMF）的等价性，包括当噪声在白化空间中与信号正交时的情形。
• 回顾Rao检验与Wald检验作为GLRT的替代方案，尤其在存在干扰的子空间信号检测中的应用。
• 整合近期进展，如基于压缩感知的检测方法与机器学习应用，特别是在未知或非高斯噪声环境中的应用。

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

实验结果

研究问题

• RQ1 自适应检测器与传统先滤波后CFAR检测在性能与复杂度方面如何比较？
• RQ2 自适应检测与自适应滤波之间存在何种关系？它们在功能与实现上有哪些不同？
• RQ3 信号失配与干扰如何影响自适应检测器的检测性能？有哪些分析工具可用于量化其影响？
• RQ4 当前自适应检测器在非高斯或结构化非平稳噪声下的局限性是什么？如何加以解决？
• RQ5 机器学习与压缩感知能否有效集成到自适应检测中，以提升在未知或稀疏环境下的鲁棒性与效率？

主要发现

• 自适应检测同时实现滤波与CFAR处理，相比先滤波后CFAR方法，检测流程更为简洁。
• 在同质环境中，一阶信号的Kelly GLRT（KGLRT）是基础性检测器，具备矩阵CFAR特性，确保检测阈值与噪声协方差结构无关。
• 对于完全未知的噪声，一阶信号的GLRT等价于自适应相干估计器（ACE），而Rao检验则导出DN-AMF检测器。
• 在存在相干干扰时，推导出GLRT、Rao与Wald检验的广义形式，当噪声在白化空间中与信号正交时，GLRT与KGLRT一致。
• 通过基于统计模型推导的PD与PFA解析表达式，实现了对2S-GLRT-HE-I与GLRT-PHE-I等检测器的理论性能分析。
• 未来研究方向包括在信号失配下的性能分析、具有未知协方差的色噪声检测器开发，以及将压缩感知与机器学习整合以提升在不确定环境中的鲁棒性。

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