Classifying Continuous Active Sonar Echoes for Target Recognition
Notice bibliographique
Résumé
Abstract : Classification and tracking are two important techniques for enhancing active sonar performance. Classification rejects unwanted clutter using echo analysis, and tracking provides a history of target motion while rejecting clutter that doesnt support realistic target motion. Continuous active sonar (CAS) has been proposed as an alternative to conventional pulsed active sonar (PAS), largely in order to provide tracking updates at a much higher rate than is possible with PAS. Unfortunately, these faster updates come at the cost of reduced classification performance, at least for CAS that uses linear frequency modulated waveforms. In this case, maximizing the update rate requires sub-band processing. Classification of echoes from these sub-bands is expected to be relatively poor, since the full bandwidth is favoured for classification. An alternate processing scheme for CAS uses full-band processing, which is typically used for PAS. This potentially maximizes classification performance rather than providing faster updates as in the sub-band approach. A risk of this scheme is the potential for complications in echo signals arising from coherence loss caused by the long duration of CAS waveforms. One facet of a recent Canada-U.S. sea trial, TREX13, focused on conducting experiments that allow direct comparison of the performance of CAS and PAS in shallow water. In this paper, DRDCs echo classification software was tested with sonar echoes from TREX13. The software, which was originally developed for PAS applications, was used to evaluate whether CAS echoes can be classified as accurately as PAS echoes.
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) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».