本文提出了一种用于大规模多输入多输出（massive multiple-input multiple-output，MIMO）雷达近场目标检测的混合模型与学习检测器（hybrid model and learning detector，HMLD）。该研究由浙江外国语学院人文人工智能学院的叶沙兵（Shabing Ye）与电子科技大学信息与通信工程学院的何茜（Qian He）合作完成，发表于 *IEEE Transactions on Antennas and Propagation*，论文于2026年以作者版本在线发布，DOI为10.1109/TAP.2026.3723181。本文属于单一原创研究，以下从学术背景、研究流程、主要结果、结论、研究亮点等方面对该文进行综合介绍。
研究的核心问题是未知参数条件下的大规模MIMO雷达近场目标检测。随着天线数量的大幅增加，目标更可能落入阵列的近场区域，此时基于远场平面波假设的信号模型不再适用，需要建立基于球面波前（spherical wavefront）的近场信号模型。雷达目标检测方法大致可分为三类：基于模型（model-based）的方法、基于学习（learning-based）的方法以及混合模型与学习（hybrid model and learning）的方法。基于模型的方法通过统计建模和广义似然比检验（generalized likelihood ratio test，GLRT）实现检测，但当实际环境与假设模型不匹配时性能会显著下降；基于学习的方法利用深度网络强大的非线性拟合能力，但对大规模训练数据依赖较强，且可解释性弱。混合模型与学习方法通过同时利用统计模型与学习网络，能够在一定程度上弥补两者不足，但已有研究大多缺乏对其内部机制的深入解释。本文的目标正是提出一种混合模型与学习检测器HMLD，并分析统计模型与学习网络各自对检测性能的贡献，以帮助理解该框架的优势并指导后续设计。
在研究流程方面，本文首先对近场检测问题进行数学建模。文中考虑一个无源大规模MIMO雷达系统，发射端有M个天线，接收端有N个天线，目标可能出现在近场区域。通过生成包含目标存在（ε=1）和目标不存在（ε=0）两种情况的接收信号数据集D，建立近场信号模型。在近场模型下，接收信号由目标反射分量和加性高斯杂波与噪声组成，未知参数包括信号相关向量s、目标反射系数方差σ₁²和杂波加噪声方差σ_w²。检测问题被转化为二元假设检验问题，即H₀（无目标）与H₁（有目标）。
作为基线方法，本文分别介绍了纯模型方法和纯学习方法。纯模型方法利用数据集D建立统计模型，并推导GLRT检测器，其检验统计量t_g由接收信号协方差矩阵的最大特征值与特征值之和的比值决定。纯学习方法则直接采用学习网络f_πn(·)，以D作为训练集，使用二元交叉熵损失函数优化网络参数，网络输出目标存在的后验概率，并与阈值比较得到检测结果。
在此基础上，本文提出HMLD。HMLD的构建思想是：首先由基于模型的似然比检验（likelihood ratio test，LRT）确定初始检验统计向量，再由学习网络对该向量进行调整以得到最终检验统计量。具体而言，LRT表达式包含三个未知参数σ₁²、σ_w²和s。σ_w²和σ₁²可以通过最大似然估计（maximum likelihood estimation，MLE）得到闭式解；而信号相关向量s没有闭式解，因此引入一个估计网络（estimation network，E-Net）来获得其数值解。E-Net采用卷积神经网络（convolutional neural network，CNN）架构，输入为接收信号矩阵的实部和虚部拼接成的实数矩阵，输出为s的实数化的估计向量，再将其还原为复数向量。将σ̂_w²、σ̂₁²和ŝ代入LRT表达式的两个求和项，堆叠成一个二维初始检验统计向量z。随后，z被送入检测网络（detection network，D-Net）进行调整。D-Net采用全连接网络（fully connected network，FCN）架构，输出最终检验统计量t_h，再与阈值γ_h比较得到检测判决。
HMLD的训练采用两阶段训练（two-stage training）策略。第一阶段仅训练E-Net，使用均方误差（mean squared error，MSE）损失函数，以数据集D中的目标存在样本的真实s作为标签、目标不存在样本的零向量作为标签进行训练。第二阶段联合优化E-Net和D-Net，采用交叉熵损失函数。两阶段训练的核心优势在于：当统计模型与真实环境存在失配时，HMLD仍能通过第二阶段的端到端优化在失配数据上学习到能提升检测性能的参数，而纯模型方法一旦模型失配便难以适用。
本文的主要结果通过大量仿真实验进行了验证。仿真中，发射端采用3阵元均匀线阵，接收端采用均匀线阵，发射信号为频率扩展单高斯脉冲信号，目标位于（50，0）m处，信杂噪声比（signal-to-clutter-plus-noise ratio，SCNR）定义为接收信号中目标能量与杂波加噪声能量的比值。对比方法包括LRT、GLRT、纯学习检测器CNN和卷积-多头注意力网络（convolution-multihead attention network，CMAN），其中LRT提供Neyman-Pearson准则下的最优性能上界。
在训练方法的影响方面，两阶段训练的HMLD在低SCNR区即可接近最优检测性能，而单阶段训练的HMLD需在SCNR大于-14dB时才接近最优，证明了两阶段训练策略能显著提升检测性能。在训练数据量的影响方面，当训练样本从8000减少到1000时，纯学习方法CNN和CMAN性能下降更为明显，而HMLD受训练数据减少的影响较小，说明统计模型的引入降低了对大规模训练数据的依赖。在超参数的影响方面，无论改变批大小、初始化方法还是训练轮数，HMLD均能保持接近最优的检测性能，体现出较强的鲁棒性。
在未知参数的影响方面，当统计模型中未知参数包含s、σ₁²和σ_w²时，GLRT性能较差，CNN优于GLRT，说明学习网络对HMLD性能的贡献更大；而当未知参数仅剩σ_w²时，GLRT性能大幅提升并接近最优，HMLD也接近最优，此时统计模型的贡献更大。由此可见，HMLD在不同未知参数条件下均能保持较高的检测性能，其性能优势可能来源于统计模型或学习网络的不同贡献。
在模型失配条件下，本文假设实际杂波加噪声为有色高斯分布，而检测器仍基于白高斯假设设计。结果显示，GLRT性能损失最大；去除D-Net的变体HMLD-E性能下降也较明显，而完整HMLD在两阶段训练后仍能在失配数据上达到接近最优的检测性能，证明了D-Net和两阶段训练方法在增强模型失配鲁棒性方面的关键作用。
在SCNR泛化能力方面，训练数据的SCNR在[-24,-8] dB内随机选取，测试SCNR在[-22,-10] dB变化，HMLD依然接近最优性能，说明学习网络使HMLD在变化环境中具备良好的泛化能力。在量化接收信号条件下，使用2比特均匀对称量化测试数据，HMLD在全SCNR范围内接近2比特LRT的性能，验证了其对低精度模数转换器的兼容性，能够减轻硬件和数据传输负担。在小阵列规模条件下，无论接收天线数为8还是4，HMLD均能取得接近最优的检测性能，说明该方法适用于不同硬件规模的系统。
此外，本文还分析了各检测器的计算复杂度。GLRT由于需要对N维协方差矩阵进行特征值分解，复杂度为O(N³)；CNN和HMLD的复杂度为O(KN)，由卷积层和全连接层操作主导；CMAN引入了多头注意力模块，复杂度为O(DKN)，显著高于HMLD和CNN。ROC曲线结果表明，HMLD在假警概率p_fa∈[10⁻⁶,10⁻⁰·⁵]范围内均接近LRT性能。在不同阵列配置方面，无论是4×8均匀矩形阵、增大阵元间距还是目标从近场向远场移动，HMLD都表现出接近最优的检测性能。
本文的结论指出，HMLD将统计模型与学习网络有效结合，通过模型驱动的LRT提供先验信息和初始检验统计向量，再通过数据驱动的D-Net进行自适应调整，从而在模型失配、数据失配、量化和小阵列等复杂场景下均能保持接近最优的检测性能。同时，本文首次从统计模型和学习网络各自贡献的角度对HMLD的性能增益进行解释，为混合模型与学习框架的设计提供了参考。在应用价值方面，HMLD适用于集成感知与通信（integrated sensing and communication）、大规模MIMO以及可重构智能表面（reconfigurable intelligent surface）辅助系统等新兴近场应用，具有较强的实际工程意义。
本文的研究亮点主要体现在三个方面：其一，提出了一种面向大规模MIMO雷达近场目标检测的混合模型与学习检测器HMLD，并通过E-Net估计未知信号相关向量，解决了LRT中闭式解缺失的问题；其二，设计了两阶段训练策略，使HMLD在统计模型失配时仍能通过数据驱动的方式优化检测性能，显著增强了检测器的鲁棒性；其三，首次对HMLD中统计模型与学习网络的各自贡献进行了定量分析，为混合模型与学习框架的架构设计提供了理论指导。该研究不仅在方法论上实现了统计模型与学习网络的有效融合，也为实际大规模MIMO雷达近场目标检测提供了可行的技术路线和设计依据。