Cell Averaging CFAR Detector with Scale Factor Correction through the Method of Moments for the Log-Normal Distribution

The new LN-MoM-CA-CFAR detector is introduced, exhibiting a reduced deviation of the operational false alarm probability from the value conceived in the design. The solution solves a fundamental problem of CFAR processors that has been ignored in most proposals. Indeed, most of the previously proposed schemes deal with sudden changes in the clutter level, whereas the new solution has an improved performance against slow statistical changes that occur in the background signal. It has been proven that these slow changes have a remarkable influence on the selection of the CFAR adjustment factor, and consequently in maintaining the false alarm probability. The authors took advantage of the high precision achieved by the MoM (Method of Moments) in the estimation of the Log-Normal (LN) shape parameter, and the wide application of this distribution to radar clutter modeling, to create an architecture that offers precise results and it’s computationally inexpensive at the same time. After an intensive processing, involving 100 million Log-Normal samples, a scheme, which operates with excellent stability reaching a deviation of only 0,2884 % for the probability of false alarm of 0,01, was created, improving the classical CA-CFAR detector through the continuous correction of its scale factor.Se presenta el nuevo detector LN-MoM-CA-CFAR que tiene una desviación reducida en la tasa de probabilidad de falsa alarma operacional con respecto al valor concebido de diseño. La solución corrige un problema fundamental de los procesadores CFAR que ha sido ignorado en múltiples desarrollos. En efecto, la mayoría de los esquemas previamente propuestos tratan con los cambios bruscos del nivel del clutter mientras que la presente solución corrige los cambios lentos estadísticos de la señal de fondo. Se ha demostrado que estos tienen una influencia marcada en la selección del factor de ajuste multiplicativo CFAR, y consecuentemente en el mantenimiento de la probabilidad de falsa alarma. Los autores aprovecharon la alta precisión que se alcanza en la estimación del parámetro de forma Log-Normal con el MoM, y la amplia aplicación de esta distribución en la modelación del clutter, para crear una arquitectura que ofrece resultados precisos y con bajo costo computacional. Luego de un procesamiento intensivo de 100 millones de muestras Log-Normal, se creó un esquema que, mejorando el desempeño del clásico CA-CFAR a través de la corrección continua de su factor de ajuste, opera con una excelente estabilidad alcanzando una desviación de solamente 0,2884 % para la probabilidad de falsa alarma de 0,01