来源：市场资讯
（来源：EW Frontier）
✅ 超1000+实战代码：DOA/调制识别/ISAC/抗干扰/无人机等雷达、通信、电子战全方向（MATLAB+Python）
✅ 专属科研辅导：论文专利选题/仿真/写作、项目定制全程答疑
资源获取通道
知识星球（全部资源无限看）：https://wx.zsxq.com/group/15554455154582
面包多（单个代码精准购）：https://mbd.pub/o/EWFrontier/work
辅导/答疑：
客服微信： EWFrontier
雷达波形设计的概率鲁棒之道：让扩展目标检测不再“时灵时不灵”
原文标题：Probabilistically Robust Radar Waveform Design for Extended Target Detection
作者：Zhou Xu, Zhuang Xie, Chongyi Fan, Xiaotao Huang
期刊：IEEE Transactions on Signal Processing, Vol. 70, 2022
一、摘要
针对扩展目标检测中的发射波形设计问题，本文在峰均比（PAR）约束下提出了一种全新的概率鲁棒检测（PRD）准则。基于目标冲激响应（TIR）的随机模型，我们推导了输出信干噪比（SINR）的分布特性，进而构造了以 “最大化 SINR 超过期望阈值的概率” 为目标的波形设计框架。
为绕过直接优化该概率的困难，提出了一个巧妙的代理函数，并给出了几何解释与极限解释以证明其合理性。在算法层面，利用半正定松弛（SDR）和 Dinkelbach 算法，分别针对高 SINR 与低 SINR 场景设计了波形协方差矩阵的优化算法，理论上证明了高 SINR 下可获得全局最优解，低 SINR 下则通过 MM 技术获得高质量次优解。最后通过随机化方法合成实际发射波形。
数值实验表明，与传统仅最大化期望 SINR 的方法相比，PRD 准则在高 SINR 区域展现出更强的概率鲁棒性，显著提升了目标检测的稳定性。
二、引言：扩展目标检测的核心困境
雷达的基本任务是判断前方是否存在目标。传统点目标场景中，目标回波只是发射波形的简单缩放，检测概率与 SINR 的关系可以用一条固定的 “S 形” 曲线描述（此处插入图 1：检测概率曲线）。只要 SINR 足够大，检测概率就接近 100%。
然而，随着雷达带宽和距离分辨率的提高，飞机、舰船等目标往往占据多个距离单元，成为扩展目标。其回波不再是简单缩放，而是发射波形与目标冲激响应（TIR）的卷积。更致命的是，TIR 随目标姿态、视角等因素急剧变化，在实际检测前几乎无法精确获知，只能描述为一个随机向量：
这就导致输出 SINR 也变成了一个随机变量：同一个波形面对不同的 TIR 实现，SINR 可能从 25 dB 骤降到 5 dB，屏幕上的目标闪烁不定、时隐时现。
传统方法（如文献 [17]）的应对策略是最大化 SINR 的数学期望。这好比只看学生的平均分，却忽视成绩的波动。一个平均分 90 分、但一半时间考 100 一半时间考 60 的学生，输出仍然极不稳定。雷达工程师真正关心的终极问题是：
在所有可能的 TIR 随机变化中，实际 SINR 能超过预设 “及格线”γ₀的比例有多大？
这正是本文定义的稳定检测概率（Stable Detection Probability）：
其中 γ₀是根据虚警率与期望检测性能设定的 SINR 阈值（论文中取 15 dB）。PRD 准则的核心目标，就是直接最大化这个 “及格率”。
三、方法详解：从数学建模到算法实现
3.1 信号模型与 SINR 的统计特性
雷达发射长度为 L 的波形，扩展目标占据 Q 个距离单元，TIR 向量为。经过一系列矩阵操作，接收信号可写为：
其中由波形和移位矩阵构成，为干扰噪声。经过最优处理后的输出 SINR 为：
M 矩阵是波形 s 的函数，刻画了 “波形对不同距离单元的探测能力”。当 t 服从复高斯分布时，论文的命题 1给出了 γ 的精确分布：它是若干独立非中心卡方变量的加权和。其期望与方差具有简洁的封闭形式：
这两个公式是后续一切推导的基石。
3.2 从概率最大化到代理函数：PRD 准则的诞生
直接优化几乎不可能 —— 它涉及多个非中心卡方分布的复杂积分。论文通过一个干净利落的洞察解决了这一难题：定义代理函数
其中为标准差。最大化 f (s) 等价于最大化稳定检测概率—— 这一论断可以从两个角度严格验证：
几何解释（此处插入图 2：几何解释示意图）：检测概率相当于 SINR 概率密度曲线在 γ₀右侧的 “尾部面积”。在高 SINR 情况下（），我们希望均值远远超过阈值，同时方差越小越好，这样尾部面积才大；在低 SINR 情况下（），则希望均值尽量靠近阈值，且方差较大以增加 “侥幸超过” 的概率。代理函数 f (s) 完美捕捉了这一规律：高 SINR 时分子为正且越大越好，分母越小越好；低 SINR 时分子为负，要让它接近零则要求均值靠近 γ₀且分母较大。
极限解释：当 TIR 的距离单元数 Q 很大时，由中心极限定理，γ 的分布趋于高斯分布。此时有
erf 函数单调递减，故最大化 f (s) 完全等价于最大化检测概率。代理人转正为真正的目标函数。
3.3 波形约束与优化问题的建立
考虑到雷达功放工作在饱和区，波形须满足峰均比（PAR）约束：
当 ρ=1 时退化为能量约束，ρ=1/L 时退化为恒模约束。至此，PRD 波形设计问题表述为：
约束
这是一个 NP-hard 非凸优化问题：目标函数是非线性分式，标准差是 s 的四次函数的平方根。
3.4 半正定松弛：把问题 “凸化” 的第一步
直接处理 s 太困难，研究者引入波形协方差矩阵（秩为 1 的半正定矩阵），巧妙利用 M 矩阵关于 R_s 是线性的：，其中常数矩阵可预计算。
于是目标函数与约束都转化为 R_s 的函数，再松弛掉秩为 1 的约束，得到 SDR 问题：
这是一个在凸集上优化分式函数的问题，距离可求解大大迈进了一步。
3.5 高 SINR 与低 SINR 的分治算法
初始化阶段，求解一个线性 SDP 问题，得到初始矩阵和初始目标值。若，则存在波形可使期望 SINR 超过 γ₀，进入高 SINR 模式；否则进入低 SINR 模式。
高 SINR 场景：Dinkelbach 算法 + 全局最优
论文的命题 2证明：在高 SINR 条件下，原分式问题等价于一个拟凸优化问题。于是 Dinkelbach 算法登场：迭代求解
由于，且关于 R_s 是凸函数（可表为 Frobenius 范数），每次迭代的减去项是凸函数，目标函数整体是凹的（线性减凸），约束集为凸 —— 构成了一个标准的凸 SDP 问题，可用内点法高效求解。Dinkelbach 算法对拟凸问题保证收敛到全局最优（此处插入图 3：迭代收敛曲线，展示目标值在 3~7 次内速降至 0）。
低 SINR 场景：MM 技术 + 次优解
低 SINR 下，子问题变为最大化，即最大化凸函数—— 又是非凸！
此时祭出Minorization-Maximization（MM）技术：在当前点 M 处，用凸函数的一阶泰勒展开（支撑超平面）作为线性下界，将子问题转化为一个线性 SDP：
其中矩阵 C 由梯度和常数组成。每次 MM 迭代单调不减，且有上界，保证收敛至局部最优。综合两个场景，形成完整的 Algorithm 3。
3.6 从矩阵到波形：随机化合成
优化得到的是协方差矩阵 R_s，还需合成可发射的波形 s*。若 R_s 接近秩 1，直接特征分解取主分量；否则生成 N（=1000）个满足 PAR 约束的随机候选波形，挑选使得代理函数 f 最大的作为输出（此处插入图 4：波形功率曲线，验证满足 PAR 约束；图 5：合成损失曲线，显示性能损失小于 0.1）。
四、实验结论：稳定性的全面胜利
论文设计了五个层层深入的实验，对比对象为文献 [17]（仅最大化 E [γ] 的基准方法）。
4.1 SINR 分布直方图（此处插入图 6 及图 7）
最直观的对比。通过 1000 次蒙特卡洛试验绘制 SINR 分布：
高 SINR 时（σ²=-10 dB）：基准方法平均 SINR 高达 24.4 dB，但标准差也飙到 24.3 dB，分布宽而拖尾，f 值仅 0.91；PRD 方法平均 SINR 虽降至 20.9 dB，标准差却死死压到 15.9 dB，f 值跃升至 2.35。分布 “瘦高” 且整体位于 15 dB 阈值右侧。
打开网易新闻 查看精彩图片低 SINR 时（σ²=0 dB 以上）：两者分布几乎重合，PRD 退化为传统方法。
4.2 波形功率谱（PSD）对比（此处插入图 8 及图 9）
深入解构波形为何更鲁棒：
基准方法的功率谱始终在目标 PSD 峰值处形成单一尖峰，贪婪地集中所有能量；
PRD 方法在高 SINR 下，功率谱覆盖了目标 PSD 的整体多峰结构，能量分散到各个特征频带。
这样即便某个频点的 TIR 出现偏移，其他频带仍能保证输出 SINR。这是鲁棒性的频域本质。
4.3 稳定检测概率曲线（此处插入图 10）
终极考验。扫描 σ² 从 - 10 dB 到 20 dB，统计 Psd = (γ≥γ₀的次数)/1000。在过渡区，PRD 的 Psd 比基准高出约 6%~20%；在高 SINR 区，PRD 的 Psd 曲线更早趋近 1。
这意味着在相同噪声强度下，PRD 波形有更高的概率成功检测目标，且整个过程平稳上升，不再 “心惊肉跳”。
五、结论
本文开创性地将扩展目标波形设计从 “期望最大化” 范式推向 “概率鲁棒” 新框架。核心贡献包括：
- 1
PRD 准则：融合 SINR 的期望与方差，直接关心 “达标率”，抓住了检测稳定性的牛鼻子；
- 2
高效率算法：利用 SDR、Dinkelbach、MM 等工具，分别给出了高 / 低 SINR 下的优化算法并证明收敛性；
- 3
全面实验验证：从收敛性、合成保真度、SINR 分布、频域特性到最终检测概率，证明了 PRD 准则在高 SINR 区域显著优于传统方法。
一句话总结：PRD 不追求最高的平均分，而是让每一次考试都稳稳超过及格线 —— 这就是雷达检测的 “稳” 字诀。
未来工作方向包括：推广到信号相关杂波环境、联合设计收发滤波器，以及引入频谱兼容性等实际约束。这篇来自国防科技大学的成果，为认知雷达和波形敏捷化提供了重要的理论武器。
参考文献
[1] C.-Y. Chen and P. Vaidyanathan, “MIMO radar waveform optimization with prior information of the extended target and clutter,” IEEE Trans. Signal Process., 2009.
[2] W. Dinkelbach, “On nonlinear fractional programming,” Manage. Sci., 1967.
[3] Z.-Q. Luo et al., “Semidefinite relaxation of quadratic optimization problems,” IEEE Signal Process. Mag., 2010.
热门跟贴