Analysis of Moving Object Imaging from Compressively Sensed SAR Data in the Presence of Dictionary Mismatch
Notice bibliographique
Résumé
We present compressed sensing (CS) synthetic aperture radar (SAR) moving target imaging in the presence of dictionary mismatch. Unlike existing work on CS SAR moving target imaging, we analyze the sensitivity of the imaging process to the mismatch and present an iterative scheme to cope with dictionary mismatch. We analyze and investigate the effects of mismatch in range and azimuth positions, as well as range velocity. The analysis reveals that the reconstruction error increases with the mismatch and range velocity mismatch is the major cause of error. Instead of using traditional Laplacian prior (LP), we use Gaussian-Bernoulli prior (GBP) for CS SAR imaging mismatch. The results show that the performance of GBP is much better than LP. We also provide the Cramer-Rao Bounds (CRB) that demonstrate theoretically the lowering of mean square error between actual and reconstructed result by using the GBP. We show that a combination of an upsampled dictionary and the GBP for reconstruction can deal with position mismatch effectively. We further present an iterative scheme to deal with the range velocity mismatch. Numerical and simulation examples demonstrate the accuracy of the analysis as well as the effectiveness of the proposed upsampling and iterative scheme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».