大规模MIMO雷达的近场检测:一种基于学习辅助的LRT方法
《Digital Signal Processing》:Near-Field Detection for Massive MIMO Radar: A Learning-Assisted LRT Approach
【字体:
大
中
小
】
时间:2026年04月10日
来源:Digital Signal Processing 3
编辑推荐:
大规模MIMO雷达近场目标检测中,提出学习辅助的LRT检测器,通过卷积神经网络直接映射高维接收信号矩阵到充分检验统计量,再经全连接网络生成检测决策,有效缓解未知参数估计带来的性能退化。分析模型失配场景下检测性能,验证其优于纯模型方法和纯学习方法的鲁棒性。
该研究聚焦于解决大规模MIMO雷达近场目标检测中的核心难题——未知参数对检测性能的影响。传统检测方法主要分为三类:基于模型的广义似然比检验(GLRT)、纯学习驱动方法以及两者的混合方法。现有模型驱动方法虽能提供理论最优性能,但当未知参数数量激增时,参数估计误差会显著劣化检测效能。而纯学习方法虽然具备非线性建模优势,但在实际雷达场景中面临数据获取成本高、模型泛化能力不足等问题。
研究团队创新性地提出学习辅助的LRT检测框架,其核心突破体现在两个方面:首先,通过构建特定模型假设,将原本需要估计的数十个未知参数转化为仅需优化的少量关键统计量;其次,设计双阶段神经网络架构,前段采用定制化卷积神经网络直接映射高维雷达数据到有效检测统计量,后段全连接网络完成最终决策,这种结构既保留了LRT的理论优势,又通过深度学习突破了传统计算瓶颈。
在模型设计层面,研究团队采用球面波近场传播模型,重点处理目标反射系数、杂波噪声等动态参数的不确定性。通过推导基于Neyman-Pearson准则的LRT表达式,发现其数学形式包含两个关键部分:信号与噪声的协方差矩阵估计项和观测数据与信号模型的匹配度评分项。传统GLRT方法需要分别估计这两部分参数,而学习辅助方法通过神经网络直接学习这两部分的非线性映射关系。
网络架构设计具有显著工程创新。前段CNN采用多尺度卷积模块处理大规模天线阵列的时频数据,通过可学习的空间滤波器消除多径干扰和背景噪声;中间层设计参数共享的ResNet结构,在保持计算效率的同时增强特征表达能力;后段全连接网络通过分层非线性变换将统计量映射到判决阈值。特别值得关注的是,网络训练采用分阶段优化策略:首先单独训练LRT模块,使其能准确生成理论最优的检测统计量;然后联合训练前后段网络,确保统计量与决策逻辑的精准匹配。
性能验证部分构建了双重测试场景:在理论最优的假设模型匹配条件下,检测概率与虚警概率曲线显著优于传统方法;在真实雷达数据场景中,研究团队通过构建数据分布偏移模型,定量分析了学习辅助方法在模型失配和数据分布偏移时的鲁棒性。仿真实验表明,该方法在目标信噪比低于-5dB时仍能保持85%以上的检测准确率,较纯学习方法提升约15个百分点,同时将计算复杂度降低两个数量级。
该研究的理论价值体现在建立了深度学习与统计检测的融合框架。通过将LRT的数学原理转化为可学习的非线性映射,解决了传统方法在高维参数空间中的维度灾难问题。工程应用价值则体现在实际雷达系统部署中,测试数据集包含不同环境下的实测样本,验证了方法在复杂电磁场景下的泛化能力。特别设计的双阶段训练机制有效平衡了模型训练的收敛速度与检测性能的稳定性。
当前研究仍存在待完善之处。首先,网络结构设计尚未考虑动态环境下的在线学习需求,后续研究可探索轻量化增量学习方案。其次,参数化模型的选择仍依赖领域专家经验,未来可结合主动学习技术自动优化模型假设。在性能评估方面,建议增加抗干扰能力测试,特别是在多目标、多径效应严重的场景中验证方法的扩展性。
该成果为近场MIMO雷达检测开辟了新范式,其技术路线对通信与雷达领域的交叉融合具有借鉴意义。研究提出的双阶段训练策略和参数映射方法,为解决其他复杂参数估计问题提供了可复用的技术框架。未来可结合联邦学习技术,在保护数据隐私的前提下实现多场景联合训练,进一步提升模型的泛化能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号