Adaptive Detection of Multichannel Signals Exploiting Persymmetry

این کتاب ارائه سیستماتیک تشخیص تطبیقی ​​متقارن، از جمله مشتقات آشکارساز و تعریف مفاهیم کلیدی، و به دنبال آن بحث های مفصل در رابطه با زیربنای نظری، روش شناسی طراحی، ملاحظات طراحی، و تکنیک هایی است که اجرای عملی آن را ممکن می سازد. /span>

داده‌های دریافتی برای سیستم‌های رادار مدرن معمولاً چند کاناله هستند، یعنی دارای ارزش برداری یا حتی با ارزش ماتریسی. تشخیص سیگنال چند کاناله در پس زمینه گاوسی یک مشکل اساسی برای کاربردهای رادار است. این کتاب با تمرکز کلی بر آشکارسازهای تطبیقی ​​متقارن، مدل‌های ریاضی و اصول طراحی لازم برای تحلیل رفتار هر نوع آشکارساز تطبیقی ​​متقارن را ارائه می‌کند. با تکیه بر آن، همچنین رویکردها و تکنیک‌های طراحی جدیدی را معرفی می‌کند که دانشجویان مهندسی و همچنین مهندسان رادار را به سمت راه‌حل‌های آشکارساز کارآمد راهنمایی می‌کند، به‌ویژه در محیط‌های چالش برانگیز که از نمونه‌ها گرسنگی دارند، جایی که داده‌های آموزشی محدود است.

This book offers a systematic presentation of persymmetric adaptive detection, including detector derivations and the definition of key concepts, followed by detailed discussion relating to theoretical underpinnings, design methodology, design considerations, and techniques enabling its practical implementation.

The received data for modern radar systems are usually multichannel, namely, vector-valued, or even matrix-valued. Multichannel signal detection in Gaussian backgrounds is a fundamental problem for radar applications. With an overarching focus on persymmetric adaptive detectors, this book presents the mathematical models and design principles necessary for analyzing the behavior of each kind of persymmetric adaptive detector. Building upon that, it also introduces new design approaches and techniques that will guide engineering students as well as radar engineers toward efficient detector solutions, especially in challenging sample-starved environments where training data are limited.

This book will be of interest to students, scholars, and engineers in the field of signal processing. It will be especially useful for those who have a solid background in statistical signal processing, multivariate statistical analysis, matrix theory, and mathematical analysis.