Joint detection and tracking of unresolved targets with a monopulse radar using a particle filter
Notice bibliographique
Résumé
Detection and estimation of multiple unresolved targets with a monopulse radar is a challenging problem. For ideal single bin processing, it was shown in the literature that at most two unresolved targets can be extracted from the complex matched filter output signal. In this paper, a new algorithm is developed to jointly detect and track more than two targets from a single detected bin. This method involves the use of tracking data in detection. For this purpose, target states are transformed into detection parameter space, which involves high nonlinearity. In order to handle this, the sequential Monte Carlo (SMC) method, which is proved to be effective for nonlinear non-Gaussian estimation problems, is used as the basis of the closed loop system for tracking multiple unresolved targets. In addition to the standard SMC steps, the detection parameters corresponding to the predicted particles are evaluated using the nonlinear monopulse radar beam model. It in turn enables the evaluation of the likelihood of the monopulse signal given tracking data. That is, we evaluate the likelihoods of different hypotheses of possible combinations of targets being in different detected bins. The hypothesis testing is used to find the correct detection event. The particles are updated and resampled according to the hypothesis that has the highest likelihood (score). A simulated amplitude comparison monopulse radar is used to generate the data with more than unresolved two targets. Simulation results confirm the possible extraction and tracking of more than two targets jointly.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».