On Time Compression Overlap-Add Technique in Linear Frequency Modulation Pulse Compression Radar Systems: Design and Performance Evaluation
Notice bibliographique
Résumé
This paper introduces a novel approach to incorporate the time compression overlap-add (TC-OLA) technique used in communication systems into linear frequency modulation pulse compression (LFM-PC) radar systems. This technique significantly boosts the signal-to-noise ratio (SNR) and provides a robust processing gain compared with the traditional radar LFM-PC systems. In addition, TC-OLA provides a better immunity against powerful jamming techniques. At the transmitter side, we divide a digitized LFM chirp signal into a controlled number of overlapping segments. We then speed up each segment by increasing the sampling rate to account for the segment overlap. At the receiver side, we apply OLA to reconstruct the signal with a much higher gain. To simulate and evaluate the performance of the new system, we extend the conventional LFM-PC radar model, which includes matched filter (MF) processor, moving target detector (MTD), and two common constant false alarm rate (CFAR) algorithms, by suitably adding TC and OLA blocks at the transmitter and receiver, respectively. Using the TC-OLA-based LFM radar system, we have control over the SNR level and the spectrum spread while preserving the same Doppler shift and target time delay as the conventional LFM radar system. Furthermore, we transform LFM chirp signal into a novel TC signal that inherits LFM properties while possessing better immunity to jamming. Moreover, the proposed radar model relies on high sample rates only when needed and, therefore, does not require changing MF, MTD, and CFAR as is the case for a wideband LFM radar with the same processing gain. Detailed comparisons between the conventional LFM and the wideband LFM radars against the proposed model are also presented.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».