Cognitive Radar: Step Toward Bridging the Gap Between Neuroscience and Engineering
Notice bibliographique
Résumé
In this paper, we describe a cognitive radar (CR) that mimics the visual brain. Although the visual brain and radar are different in that the visual brain does not transmit a probing signal to the environment while the active radar greatly relies on the probing signal it transmits to the environment, both of them are observers of the surrounding environment. As such, there is much that we can learn from the visual brain in building a new generation of CRs that outperform traditional radars. In this paper, we confine the discussion, in both analytic and experimental terms, to CR aimed at target tracking. From a theoretical perspective, using the posterior Cramér-Rao lower bound (PCRLB), it is shown that a cognitive tracking radar has the potential to improve tracking performance significantly. In particular, computer experiments are presented, which demonstrate that CR can indeed go beyond the theoretical limits of traditional active radars (TARs) as well as fore-active radars (FARs); the latter are radars equipped with feedback from the receiver to the transmitter. Moreover, computer experiments are presented to demonstrate another practical benefit resulting from the combined use of memory and executive attention in CR for a target-tracking application. Specifically, it is shown that with the provision of these two cognitive processes, the transition in switching from one transmit waveform to another goes forward in a smooth manner. Such a capability is beyond that of TAR or FAR.
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 | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,012 |
| Communication savante | 0,007 | 0,016 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».