Training-based adaptive transmit-receive beamforming for random phase radar signals
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
The advent of increasingly sophisticated control over the transmitted signal has enabled the consideration of multiple input, multiple output (MIMO) radar systems wherein each transmitter transmits a different waveform. Exploiting this capability, MIMO radars can improve target detection by jointly designing the transmit signal and receive filter so as to optimize the resulting signal-to-interference-plus-noise ratio (SINR). However, the SINR depends on the clutter covariance matrix which, in turn, is a function of the transmitted signal. This paper considers the joint design of adaptive transmit and receive weights to maximize the SINR of a target at a chosen look angle-Doppler point. This is akin to extending receive-only space-time adaptive processing (STAP) to include transmit adaptivity. Previous work in joint design assumed that the required second-order statistics are known a priori. In this paper we develop a method to estimate the required statistics through a number of training sequences. The estimation is based on received data only, and does not assume any specific structure for, or a-priori knowledge of, the clutter covariance matrix. We do assume that the clutter statistics do not change during the training and detection intervals. Simulation results show that, as in receive-only STAP, the proposed method does not suffer from a large SINR loss with respect to the known-covariance case.
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