Multiple Detection-Aided Low-Observable Track Initialization Using ML-PDA
Notice bibliographique
Résumé
In low signal-to-noise ratio or heavy clutter environments, target track initialization is a challenging task. The maximum likelihood probabilistic data association (ML-PDA) algorithm has been demonstrated to be effective in dealing with this issue. In practical scenarios, multiple signals from one target via different propagation paths can be detected in a scan. Signals from different propagation paths convey useful information and can improve track initialization performance. However, the conventional ML-PDA algorithm assumes that a target can generate at most one detection per scan. That is, it cannot handle multiple target-originated measurements per scan correctly, nor take full advantage of the additional information contained in those seemingly extraneous returns. In this paper, a multiple-detection ML-PDA (MD-ML-PDA) estimator is proposed to rectify this shortcoming. The proposed estimator exploits the additional information available in all measurements by considering the combinatorial events of association that are formed from MD patterns. It is capable of handling the possibility of multiple target-originated measurements per scan with less-than-unity detection probability for various paths in the presence of clutter. The proposed MD-ML-PDA estimator is applied to a simulated sonar target tracking scenario. The same algorithm can be used on other angle-only tracking problems as well. Results show that MD-ML-PDA can effectively handle multiple target-originated measurements and yield improved track initialization performance over the traditional single detection ML-PDA. The Cramer-Rao lower bound for MD track initialization is also derived.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».