Matched-filter loss from time-varying rough-surface reflection with a small ensonified area
Notice bibliographique
Résumé
Active sonar sensing often entails propagation paths that include a surface reflection, particularly in shallow-water scenarios. Models predicting surface reflection loss, which degrades sonar performance, are generally derived assuming the surface shape is not varying over the time in which the pulse is reflecting from it and that the ensonified region of the surface is large in extent relative to the spatial correlation length of the surface. While these models are often appropriate for short-duration, narrowband pulses, they are not necessarily applicable to long-duration, broadband pulses which are the focus of this paper. By assuming the effective ensonified area is smaller in extent than the spatial correlation length, the surface reflection loss after matched filtering (MF) is derived as a function of pulse duration relative to surface wave period when the net surface displacement is Gaussian distributed. Closed-form results are obtained when the pulse is long relative to the surface-wave period and under the assumption that the bandwidth is small relative to the center frequency (i.e., a narrow-band model). As might be expected, the MF loss for the small-ensonified-area scenario increases with the Rayleigh roughness, the number of consecutive surface reflections, and the ratio between pulse duration and the surface wave period. With respect to the latter, the loss is predicted to saturate when the pulse duration exceeds one surface wave period. Finally, the models were found to compare favorably with real data measurements. The models presented in this paper should be useful in sonar-equation analysis for predicting surface reflection loss with broadband waveforms when pulse duration is on par with or exceeds the surface wave period.
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 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) | 0,015 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».