A multiple-model prediction approach for sea clutter modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate modeling of sea clutter is an important problem in remote sensing and radar signal processing applications. Due to a recent discovery that sea clutter, the electromagnetic wave backscatter from a sea surface, is chaotic rather than purely random, computational intelligence techniques such as neural networks have been applied to develop new models for sea clutter. In this paper, we propose using the multiple neural network model approach to construct a predictive model for sea clutter. The motivation comes from the observation that the sea usually has some unpredictable motions that result in impulsive events such as sea spikes. Although a single nonlinear model could describe the Bragg scattering reasonably as shown in the literature, it is usually incapable of capturing sea spikes motions. Therefore, target detection performance might be degraded when such a clutter model is employed. Using a multiple radial basis function (RBF) net predictor, we found that a sea clutter signal with different underlying dynamics from sea spikes to normal motions can be modeled accurately. The multiple model (MM) approach automatically assigns different RBF predictors to model sea spikes and other mechanisms like Bragg scattering. The proposed multiple RBF neural network uses the expectation-maximization algorithm and multistep prediction for training, and hence it is suitable for real-time signal processing. Using real-life radar clutter data collected at the east coast of Canada, the proposed MM approach is shown to be effective in isolating and characterizing various components of sea clutter and, therefore, provides a promising model for clutter suppression in radar detection.
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.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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 découle