An Expectation Maximization Based Simultaneous Registration and Fusion Algorithm for Radar Networks
Notice bibliographique
Résumé
In this paper, we present an expectation maximization (EM) based simultaneous registration and fusion algorithm for multiple radars network. This simultaneous registration and fusion approach has advantages over other track registration techniques such as augmented Kalman filtering approach. Systematic biases (including radar time bias, radar two angular biases, and radar range bias) are estimated using the EM algorithm. The EM algorithm can guarantee that the estimated systematic biases can converge to a stationary point of the maximum likelihood function. In order to track maneuvering targets, three kinematic models are used to have a more complete description of the motion of a target: the constant velocity (CV), the constant acceleration (CA), and the coordinated turn (CT) models. The conditional expectations and covariances of the system states can be effectively computed by interactive multiple model (IMM) approach. The IMM method is a recursive hybrid filtering technique that provides a good balance between performance and complexity. We employ a fixed-interval smoother-based IMM approach to estimate the system states. The forward and backward Kalman filters are used to obtain a smooth estimate. The IMM approach is combined with the EM algorithm for simultaneous registration and fusion. The proposed algorithm consists of two steps: the first step is to adopt the fixed-interval smoother-based IMM method to calculate the conditional expectation of the log likelihood function using the current estimate of the systematic biases and the observations; the second step updates the parameter estimate by maximizing the log likelihood function
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».