[论文解读] Support Vector Data Description for Radar Target Detection
本文将 SVDD 和 Deep SVDD 作为雷达目标检测的 CFAR 检 detectors，显示在高斯簇和添加噪声的复合高斯簇下相比经典检测器有改进，尤其在较高信噪比时，同时指出在零多普勒和复杂簇条件下的挑战。
Classical radar detection techniques rely on adaptive detectors that estimate the noise covariance matrix from target-free secondary data. While effective in Gaussian environments, these methods degrade in the presence of clutter, which is better modeled by heavy-tailed distributions such as the Complex Elliptically Symmetric (CES) and Compound-Gaussian (CGD) families. Robust covariance estimators like M-estimators or Tyler's estimator address this issue, but still struggle when thermal noise combines with clutter. To overcome these challenges, we investigate the use of Support Vector Data Description (SVDD) and its deep extension, Deep SVDD, for target detection. These one-class learning methods avoid direct noise covariance estimation and are adapted here as CFAR detectors. We propose two novel SVDD-based detection algorithms and demonstrate their effectiveness on simulated radar data.
研究动机与目标
- 在偏离高斯假设的簇下，激励鲁棒目标检测。
- 将一种类学习方法（SVDD 和 Deep SVDD）改造为雷达检测的 CFAR 检 detectors。
- 提出两种基于 SVDD 的新检测算法，并在仿真雷达数据上评估。
提出的方法
- 将 SVDD 和 Deep SVDD 形式化用于雷达数据中的目标检测。
- 使用一个超球体（SVDD）或学习得到的特征空间（Deep SVDD）来包围正常数据。
- 从二次数据中计算类似 CFAR 的阈值以进行判决。
- 对于 SVDD，求解对偶二次规划以获得判决函数 f(z)。
- 对于 Deep SVDD，训练神经网络将数据映射到以中心 c 为中心的紧凑表示，其损失最小化到 c 的距离。
实验结果
研究问题
- RQ1SVDD 和 Deep SVDD 能否作为对高斯和非高斯簇下雷达目标检测的有效单类探测器？
- RQ2与经典探测器相比，基于 SVDD 的探测器是否提供 CFAR 类性能和跨多普勒窄带的鲁棒检测？
- RQ3在各种簇和噪声条件下，基于 SVDD 的方法相对于 AMF-SCM、MF 和 ANMF-Tyler 的表现如何？
主要发现
- SVDD 和 Deep SVDD 在带有加性白噪声的高斯簇中优于 AMF-SCM。
- DSVDD 在带有加性热噪声的复合高斯簇中通常优于 ANMF-Tyler，特别是在较高信噪比时。
- SVDD 和 DSVDD 通过从次级数据设定阈值，提供类似 CFAR 的行为。
- Deep SVDD 降低了计算成本并在跨越多普勒窄带时提供鲁棒检测。
- ANMF-Tyler 在跨窄带保持鲁棒，尤其在具有挑战性的零多普勒场景中。
- 零多普勒和某些簇条件仍然对基于 SVDD 的探测器具有挑战性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。