第 2 章总结表里有一句「知道分布用参量，不知道用非参量」，我当时觉得自己懂了，追问三轮之后才发现根本没懂。这篇把这对概念彻底讲透。核心一句话：参量型赌「分布形式是对的」，非参量型赌「什么都不赌」。
本系列导航
- 00 开篇：导师说「大概看看就行」，我怎么啃《雷达系统》
- 01 第1章 概述：雷达的体检指标、生存之道与模糊函数
- 02 第1章追问：脉冲越窄越清晰、波长和分辨力的关系
- 03 第2章 上：门限检测、匹配滤波器与检波器
- 04 第2章 下：多脉冲积累、二进制积累与 CFAR
- 05 第2章追问：参量与非参量 CFAR（本篇）
- 06 第3章 上：PD 雷达怎么在 90dB 地杂波里挑出敌机
- 07 第3章追问：PRF、径向速度与模糊矛盾
- 08 第4章 脉冲压缩：宽发射、窄接收
- 09 第5章 相控阵：不用转动天线的电扫描
- 10 第6章 合成孔径：小天线怎么拍出高清地图
- 11 第7章 特种雷达群英谱与全书串讲
一、「参量」到底指什么
统计学里，参量是描述概率分布的具体数值：高斯分布由均值μ \muμ和方差σ 2 \sigma^2σ2决定。知道了分布形式和参量，任意门限下的虚警概率都能精确算出来。
- 参量型：假设杂波分布形式已知（瑞利、对数正态、韦伯尔），只是参量未知，用采样估计；
- 非参量型：连分布形式都不知道（或它会变），用与分布无关的方法保持虚警率恒定。
二、参量型：知道「规则」，估计「参数」
类比：知道班级成绩服从正态分布，但不知道平均分标准差——随机抽 10 个学生算出均值方差，就能推「考多少分算异常」。
以瑞利分布杂波为例（雷达杂波的经典假设）：门限为 T 时虚警概率P f a = exp ( − T 2 / 2 σ 2 ) P_{fa} = \exp(-T^2/2\sigma^2)Pfa=exp(−T2/2σ2)。要P f a = 10 − 6 P_{fa}=10^{-6}Pfa=10−6，可算出门限T ≈ 5.26 σ T \approx 5.26\sigmaT≈5.26σ——门限正比于 σ，所以只要用检测点两侧参考单元估出 σ，门限就定了。这就是**单元平均 CFAR（CA-CFAR）**的原理。
参量型方案一览：
| 方案 | 适用 | 核心思想 |
|---|---|---|
| 噪声电平恒定电路 | 热噪声（慢变化） | 休止期取样控制增益 |
| 对数单元平均 | 瑞利杂波 | 参考单元平均估功率 |
| 两侧选大 | 杂波边缘 | 两边分别平均取大者 |
| 有序统计 OS | 非均匀杂波 | 排序取第 k 个，免疫极端值 |
| 对数正态 / 韦伯尔 CFAR | 对应分布 | 先「拉直」再估参量 |
优点：分布匹配时性能最优、虚警控制精确。缺点：赌错了分布就崩；杂波边缘、多目标环境下参考单元被污染，估值跑偏。
图：参数型与非参数型检测分别利用分布模型或秩等统计信息，适用条件不同。
三、非参量型：不知道「规则」，用「投票」
类比：完全不知道成绩分布，就用排名——「排进前 5% 就算异常优秀」，不依赖任何分布假设。
符号检测器：只看输入的符号（正/负），不看大小。N 个样本里正数个数超过门限 c 就判有信号。关键结论：它的虚警概率只依赖 n 和 c，与噪声分布完全无关——只要噪声中值为 0，高斯也好均匀也好，虚警率一模一样。类比：10 个朋友投票「有没有听到声音」，只数票数，不问声音多响。
代价是丢了幅度信息：高斯噪声下效率只有最佳线性检测器的64%（要 1.57 倍样本数）；但在某些重拖尾分布下反而能到200%。
符号秩检测器（Wilcoxon）：符号 +秩（按绝对值排序的名次）一起用——正样本取其秩、负样本记 0，秩和超门限判有信号。类比：不但问「听到没有」，还问「他说的声音在全场排第几」，证据更有力。高斯下效率95.5%，接近参量型；代价是要排序电路。
四、一个场景看懂三种方法
判断一个学生是否「考得好」：
- 参量型：知道成绩正态分布，抽样算出均值 80、标准差 10，超过 100 分算异常优秀——分布假设错了（比如实际双峰）判断就错；
- 符号检测：10 个老师各投一票「优秀/不优秀」，6 票以上算数——不怕分布怪，但丢了「优秀程度」；
- 符号秩：投票之外还按老师的确信度加权——信息更全，但要「排序」，复杂一些。
五、核心对比与怎么选
| 对比项 | 参量型 | 非参量型 |
|---|---|---|
| 前提 | 分布形式已知 | 分布未知 |
| 方法 | 估参量、算门限 | 符号/秩投票 |
| 虚警率 | 依赖分布假设 | 与分布无关 |
| 性能 | 匹配时最优 | 稍差但稳定 |
| 非均匀杂波 | 易恶化 | 相对稳健 |
| 场景 | 推荐 |
|---|---|
| 热噪声为主、环境稳定 | 噪声电平恒定电路 |
| 瑞利杂波、均匀 | CA-CFAR |
| 杂波边缘、多目标 | OS-CFAR / 选大 |
| 分布未知或多变 | 符号 / 符号秩 |
实际趋势是混合方案：分布稳定区用参量型，未知突变区用非参量型，或自适应在线切换。
图：CFAR设计需要在检测性能、背景适应性和实现复杂度之间取舍。
最需要记住的几句话
- 参量型 = 知道你长什么样，只是量一下多高多胖；非参量型 = 不知道你长什么样，看你在一群人里的排名。
- 符号检测器的虚警概率只依赖样本数和门限，与分布无关——这是「非参量」三个字的全部底气。
- 用信息越多性能越好：符号（64%）＜ 符号秩（95.5%）＜ 完全参量（100%），实现复杂度也照此排序。
我的复盘
我一开始把「非参量」理解成「没有参数」，困惑了很久——明明 n 和 c 也是参数。后来想通了：「非参量」说的是不假设干扰的分布参数，不是说检测器没有参数。另一个认知升级：这不只是雷达知识，它其实是统计学的「参量检验 vs 非参量检验」（符号检验、Wilcoxon 秩和检验在统计课里就是这两个名字）——雷达教材没有点破这层关系，我自己补上了这一课。
