模型误设下 Kelly 广义似然比检验与自适应匹配滤波检测器的渐近鲁棒性
信号处理
2017-09-27 v1
摘要
任何假设检验问题的一个基本假设是，可用数据遵循为推导检验统计量而假定的参数模型。然而，在许多实际应用中，真实数据模型与假定数据模型之间无法实现完美匹配。在所有这些情况下，建议使用鲁棒决策检验，即在原假设下，对于一组合适的可能输入数据模型，其统计量保持相同概率密度函数的检验。基于 Kent (1982) 的开创性工作，本文研究了雷达信号处理应用中一个反复出现的假设检验问题中模型失配的影响：在可能误设的高斯数据模型下，检验一组复椭圆对称分布随机向量的均值。特别地，通过使用这一通用误设框架，对两种流行的检测器，即 Kelly 广义似然比检验和自适应匹配滤波器，提供了新的视角，并研究了它们的鲁棒性。
引用
@article{arxiv.1709.08667,
title = {Asymptotic robustness of Kelly's GLRT and Adaptive Matched Filter detector under model misspecification},
author = {S. Fortunati and M. S. Greco and F. Gini},
journal= {arXiv preprint arXiv:1709.08667},
year = {2017}
}
备注
ISI World Statistics Congress 2017 (ISI2017), Marrakech, Morocco, 16-21 July 2017