Signal Interpretation of Multifunction Radars: Modeling and Statistical Signal Processing With Stochastic Context Free Grammar
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
Multifunction radars (MFRs) are sophisticated sensors with complex dynamical modes that are widely used in surveillance and tracking. Because of their agility, a new solution to the interpretation of radar signal is critical to aircraft survivability and successful mission completion. The MFRs' three main characteristics that make their signal interpretation challenging are: i) MFRs' behavior is mission dependent, that is, selection of different radar tasks in similar tactic environment given different policies of operation; ii) MFRs' control mechanism is hierarchical and their top level commands often require symbolic representation; and iii) MFRs are event driven and difference and differential equations are often not adequate. Our approach to overcome these challenges is to employ knowledge-based statistical signal processing with syntactic domain knowledge representation: a signal-to-symbol transformer maps raw radar pulses into abstract symbols, and a symbolic inference engine interprets the syntactic structure of the symbols and estimates the state of the MFR. In particular, we model MFRs as systems that "speak" a language that can be characterized by a Markov modulated stochastic context free grammar (SCFG). We demonstrate that SCFG, modulated by a Markov chain, serves as an adequate knowledge representation of MFRs' dynamics. We then deal with the statistical signal interpretation, the threat evaluation, of the MFR signal. Two statistical estimation algorithms for MFR signal are derived - a maximum likelihood sequence estimator to estimate the system state, and a maximum likelihood parameter estimator to infer the system parameter values. Based on the interpreted radar signal, the interaction dynamics between the MFR and the target is studied and the control of the aircraft's maneuvering models is implemented.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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