量子科技中心_量科网

调频连续波雷达感知通常依赖带标注的测量数据，但这些数据获取成本高昂、存在限制或难以规模化采集。该工作将物理信息数字孪生评估为受控测试平台，用于量子-经典雷达学习的早期阶段研究。研究考虑了两个合成雷达基准任务：基于距离-多普勒图的无人机分类，以及基于多普勒-时间频谱图的人体跌倒检测。针对这两个任务，输入数据经过标准化处理，使用主成分分析进行降维，并分别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经典模拟获得；未使用量子硬件，也未声称任何量子优势。在五个随机种子下，量子支持向量分类器从四个主成分开始即提升了无人机基准的性能，在八个主成分时达到0.941 ± 0.012的准确率，而经典基线为0.880 ± 0.029。在跌倒检测基准上，两种分类器表现相似，在更高特征维度下量子核有轻微改进。高斯噪声鲁棒性研究表明，在测试噪声水平下性能退化有限，同时保留了无人机量子核增益。这些结果支持将数字孪生作为在测量数据验证和硬件执行之前进行雷达-QML基准测试的有用受控环境。