科研：雷达、MATLAB 与 AI

项目起点

这是在 ESME Sudria 与北京理工大学之间完成的学位论文（导师：Xiuzhu Ye 教授）。除了课题本身，这个项目还展示了一种做研究的方式：搭建物理测量链路，把它与机器学习连接起来，再借助 AI 智能体对整条链路做系统性的审计。

要解决的问题

小型无人机很难被探测：速度慢、飞得低，在常规雷达上很容易与鸟类混淆。它们的微多普勒特征——旋转桨叶造成的调制——原则上可以用来识别它们。要在 W 波段（77 GHz）利用这一特征，需要专门的处理链路和严格的验证，因为一个模型可能看起来表现极好，泛化能力却很差。

我的方案

一条完整的链路把雷达采集与最终判断连接起来：用 MATLAB 做信号处理（距离像、距离-多普勒图、时频谱图），用 Python 做学习（基于物理特征的 SVM 对比 ResNet-18 网络），再用配对统计检验来裁决。AI 智能体以批处理方式运行 MATLAB，重放脚本、用物理规律核对结果，并以可复现的方式记录每一次修正。

• FMCW 的 MATLAB 处理链：距离像、距离-多普勒图、STFT 时频谱图、节奏-速度图
• 处理了 21 段真实的 W 波段（77 GHz）录制数据，并做了质量控制
• MATLAB 到 Python 的桥接：时频谱图作为学习模型的输入
• SVM 与 ResNet-18 的对比，由配对 McNemar 检验裁决
• 由 AI 智能体以批处理方式驱动 MATLAB 对链路做审计：8 项有文档、可复现的发现
• 无数据泄漏的评估协议，按录制片段隔离数据
• 自动生成论文报告和答辩材料

技术内幕

雷达采集数据在 MATLAB 中处理：波束形成，对距离维做傅里叶变换，再沿慢时间做 STFT 以提取微多普勒调制。得到的时频谱图进入 Python 部分，这部分分为数据、训练和评估三个模块，让基于物理特征的 SVM 与 ResNet-18 同场比较。在审计环节，AI 智能体从命令行对 21 段录制数据启动 MATLAB，生成诊断脚本和可重放的 CSV 输出，并把每一个结果与雷达的物理参数逐一核对。

值得一提的难点

最亮眼的结果——六分类上极高的准确率——后来被证明是有偏的：随机划分帧的方式，让几乎相同的片段同时出现在训练集和测试集里。与其保留这个好看的数字，不如按录制片段隔离数据重做整个协议，得到对泛化能力的诚实度量；这份严谨被写进一份审计报告，本身也成了一项贡献。

我的角色

整个项目由 Odilon 设计：MATLAB 雷达处理链、Python 学习部分、评估协议、借助 AI 智能体完成的审计、论文报告和答辩。

项目进展

处理链已能在真实数据上运行，对比基准在公开数据集上运行。审计表明，最初的得分高估了泛化能力：在采用任何数字之前先修正了数据划分；下一步是重新训练，随后适配 W 波段数据。

• 在修正后的数据划分上重新训练
• 让模型适配真实的 W 波段数据
• 研究实时处理

几个数字

项目所用工具

信号处理

MATLAB R2025b（STFT、FMCW、Capon 波束形成）

机器学习

Python、scikit-learn（SVM）、PyTorch / torchvision（ResNet-18）

AI 智能体

Claude Code：批处理运行 MATLAB、可复现的审计

数据

公开数据集 DIAT-µSAT、77 GHz W 波段采集数据

成果输出

NumPy、SciPy、Matplotlib、PDF / PPTX 生成