面向 FMCW 雷达检测的紧凑型混合量子-经典学习的数字孪生体

频率调制连续波雷达感测常依赖标定测量数据，这些数据在规模化收集时成本高、受限或难以获取。本文评估了基于物理信息的数字孪生体作为量子-经典雷达学习的受控测试平台。两种人工雷达基准被考虑：从多普勒-距离图对无人机分类以及从多普勒-时频图进行人体跌倒检测。对于这两个任务，输入数据被标准化、使用主成分分析降维，并采用径向基函数支持向量分类器或量子支持向量分类器进行分类。所有量子核结果均通过无噪声的经典仿真获得；未使用量子硬件，亦无量子优势的声称。在五个随机种子下，量子支持向量分类器在 UAV 基准测试中从四个主成分开始提升，达到八个主成分时的准确率为 $0.941 \pm 0.012$，而经典基准为 $0.880 \pm 0.029$。在跌倒检测基准测试中，两种分类器表现相似，在更高特征维度上有小幅量子核提升。高斯噪声鲁棒性研究显示，在所测试的噪声水平下性能有限退化，但保留了 UAV 量子核优势。这些结果支持数字孪生体作为雷达-QML 基准测试的有用且受控环境，为实际测量数据验证和硬件执行奠定基础。