Fourier‐Bessel transform and time–frequency‐based approach for detecting manoeuvring air target in sea‐clutter
Notice bibliographique
Résumé
In many applications, it may be desired to decompose a non‐stationary signal into its individual components. If spectral components of the non‐stationary signal do not overlap in the frequency domain then Fourier transform can be used to decompose the non‐stationary signal. Fourier transform fails to decompose the non‐stationary signal if its spectral components overlap in the frequency domain. In this study, the authors propose Fourier‐Bessel transform and the time–frequency analysis in conjunction with the fractional Fourier transform (FB‐TF) method for the separation of multi‐component non‐stationary signal whose components overlap in both time and/or frequency domains. The efficiency of the proposed method is compared with one of the traditional decomposition methods like EMD. The proposed approach is applied to both simulated and experimental radar data. Results demonstrate the effectiveness of the proposed method for non‐stationary signal separation and for detecting manoeuvring target in heavy sea‐clutter environments. The improvement factor and clutter attenuation are calculated and used to compare the performance of the EMD and the FB‐TF methods in suppressing the sea‐clutter and enhancing target detection. The proposed method can be used as a potential tool for detecting and enhancing the low observable manoeuvring air targets in the sea‐clutter environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».