Passive geolocation and tracking of an unknown number of emitters
Notice bibliographique
Résumé
Previous researches related to geolocation based on the time difference of arrival (TDOA) technique focused mainly on solving the nonlinear equations that relate the TDOA measurements to the unknown source location. They, however, considered a rather simplistic scenario: a single emitter with no possibility of either missed detections, or false measurements. In real world scenarios, one must resolve the important issue of measurement-origin uncertainty, before applying these techniques. This paper proposes an algorithm for the geolocation and tracking of multiple emitters in practical scenarios. The focus is on solving the all important data association problem, i.e., deciding from which target, if any, a measurement originated. A previous solution for data association based on the assignment formulation for passive measurement tracking systems relied on solving two assignment problems: an S-dimensional (or, SD, where S ≥ 3) assignment for association across sensors, and a 2D assignment for measurement-to-track association. Here, an (S + 1)D assignment algorithm, which performs the data association in one step, is introduced. As can be seen later, the (S+1)D assignment formulation reduces the computational cost significantly. Incorporation of correlated measurements (which is the case with TDOA measurements) into the SD framework that typically assumes uncorrelated measurements, is also discussed. The nonlinear TDOA equations are posed as an optimization problem, and solved using SolvOpt: a nonlinear optimization solver. The interacting multiple model (IMM) estimator is used in conjunction with the unscented Kalman filter (UKF) to track the geolocated emitters.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».