Array shape estimation and tracking using active sonar reverberation
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
This paper concerns the problem of array shape estimation and tracking for towed active sonar arrays, using received reverberation returns from a single transmitted CW pulse. Uniform linear arrays (ULAs) deviate from their nominal geometry while being towed due to ship maneuvers as well as ocean currents. In such scenarios, conventional beamforming performed under the assumption of a ULA can sometimes lead to unacceptably high spatial sidelobes. The reverberation leaking through the sidelobes can potentially mask weak targets in Doppler, especially when the target Doppler is close to that of the mainlobe reverberation and the reverberation-to-target ratio (RTR) is very high. Although heading sensors located along the array can be used to provide shape estimates, they may not be sufficiently available or accurate to provide the required sidelobe levels. We propose an array shape calibration algorithm using multipath reverberation returns from each ping as a distributed source of opportunity. More specifically, a maximum likelihood (ML) array shape calibration algorithm is developed, which exploits a deterministic relationship between the reverberation spatial and Doppler frequencies causing it to be low rank in the space-time vector space formed across a single coherent processing interval (CPI). In this application, a sequence of overlapped CPI length snapshots of duration less than the CW pulse is used. The ML estimates obtained for each snapshot are tracked using a Kalman filter with a state equation corresponding to the water pulley model for array dynamics. Simulations performed using real heading sensor data in conjunction with simulated reverberation suggest that 8-10 dB improvement in sidelobe level may be possible using the proposed array shape tracking algorithm versus an algorithm that uses only the available heading information.
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 | 0,001 |
| 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