海杂波是指从海面反射回来的雷达回波，它对海面目标的检测构成了主要障碍，并降低了检测器的性能[1],[2],[3],[4]。准确的海杂波统计建模是杂波抑制和检测器设计的关键前提。随着雷达分辨率的不断提高，海杂波的非高斯特性变得越来越明显[5],[6]。在这种情况下，复合高斯模型（CGM）提供了一个有效且广泛采用的框架[7],[8]。CGM由两个独立成分组成：一个变化迅速的复高斯过程（称为斑点成分）和一个变化缓慢的非负随机过程（称为纹理成分），后者解释了海杂波中的非高斯性和空间非均匀性[4]。
不同的纹理假设会导致不同的海杂波模型，适用于不同的操作条件。三种经典模型包括K分布[9]、广义帕累托强度模型[6]和CG-逆高斯（CG-IG）模型[10]，分别对应于Gamma、逆Gamma和逆高斯纹理分布。基于这些统计模型，已经开发了多种自适应相干检测方法来减轻海杂波的影响[11],[12]。然而，在给定的推导标准下，不同的纹理分布通常会产生不同的检测器形式[13]。因此，根据特定的杂波模型和纹理统计特性来设计和优化自适应相干检测器是非常重要的[14]。近年来，具有对数正态纹理的复合高斯模型（CG-LN）在海杂波建模中受到了越来越多的关注[15],[16]，并且在表征非高斯海杂波测量方面显示出明显的优势[17]。
在CG-LN模型下的现有自适应相干检测器主要包括广义似然比测试（GLRT-LND）、Wald测试（WALD-LND）和Rao测试（RAO-LND）[18],[19],[20]。这些CG-LN检测器通常依赖于足够数量的次级（训练）单元，即被测单元（CUT，也称为主单元）周围的相邻距离单元[21],[22]。一个关键量是斑点协方差矩阵R，它用于在相干处理中补偿脉冲间相关性，必须从次级单元中估计得出。一般来说，当次级单元的数量L不少于相干处理维度N的两倍（即L?≥?2N）时，R可以从测量数据中可靠地估计出来。然而，实际的海上雷达系统经常在观测受限的条件下运行（即L?N），导致训练数据不足，传统检测器的性能显著下降[23],[24],[15]。为了缓解小样本问题，已经开发了知识辅助策略来结合先验信息，同时在协方差估计中施加结构约束；尽管如此，现有的CG–LN相干/知识辅助检测器在训练数据稀缺和局部非均匀条件下仍可能显著下降，主要是由于（i）由于次级数据有限导致协方差推断不稳定，（ii）与纹理相关的归一化不可靠，以及（iii）未能充分利用先验知识（例如多普勒谱结构和距离域纹理依赖性）[25],[26]。
为了克服对次级数据的依赖，Xue[27]表明，对于均匀间隔的脉冲序列或对称排列的阵列，斑点协方差R表现出一种对称结构，可以在小样本条件下用于改进估计。这种结构意味着R具有内在的冗余性，可以通过适当的变换来利用，从而在训练数据有限时减轻性能损失[28]。从贝叶斯的角度来看，Jeffreys先验下的理论分析表明，逆复Wishart分布自然成为基于CGM的模型中逆协方差的标准先验[29]，从而提供了一种通过结合先验知识来增强检测的原则性方法。沿着这一思路，已经为K分布杂波和具有未知恒定纹理的复高斯杂波开发了一系列基于先验的GLRT类型检测器，并进一步扩展到MIMO雷达设置中，在非高斯海杂波中取得了改进的性能[30],[31]。最近，同样的贝叶斯先验框架也在CG-IG杂波模型下进行了研究[32]，并且也应用于具有对数正态纹理的复合高斯海杂波[26]。
本工作的主要贡献总结如下：
1) 为CG–LN杂波模型下的相干检测推导出了一个贝叶斯检测公式，允许先验信息以原则性方式进入斑点协方差推断。基于此公式，得到了一种迭代的知识辅助检测器（称为KAGLRT-SDAM-LND），它以统一的方式结合了先验信息和有限的次级数据。
2) 采用了基于功率谱对称性（PSS）的预处理/正则化方法，以利用斑点协方差的内在频谱冗余。这种对称性约束提供了一个物理上有意义的结构先验，减少了训练数据稀缺条件下与协方差相关处理的估计不确定性。
3) 通过跨相邻距离单元的局部聚合引入了一种空间相关纹理推断策略，使得在部分非均匀杂波条件下纹理归一化更加稳定。这种机制补充了协方差方面的正则化，在次级数据有限时进一步提高了鲁棒性。
本文的其余部分组织如下。第二节介绍了CG-LN海杂波背景下的二元假设检验模型，并回顾了本工作中利用的关键先验信息。第三节介绍了知识辅助相干检测框架，包括基于协方差先验的检测器及其结合频谱对称性和空间纹理先验的扩展。第四节报告了在次级数据有限条件下的仿真和真实数据结果，以评估检测性能。最后，第五节总结了本文。
