Performance evaluation of time compression overlap-add radar systems based on order-statistics CFAR under convolution noise jamming
Notice bibliographique
Résumé
We introduce a new scheme that integrates the Time Compression OverLap-Add (TC-OLA) spread spectrum technique into radar systems, more specifically the Linear Frequency Modulation Pulse Compression (LFM-PC) radar. This technique increases the signal to noise ratio (SNR) and, as a consequence, enables a greater processing gain compared to the traditional radar LFM-PC systems. In addition, TC-OLA allows the radar designer to control the spreading of the signal and therefore provides a better immunity against powerful jamming techniques. In our simulation, we extend the conventional LFM-PC radar model by appropriately adding Time Compression (TC) and Overlap-add (OLA) blocks at the transmitter and receiver, respectively. The evaluation performance of the proposed system and the convention LFM are done under AWGN and under one of the smart jamming technique called Convolution Noise Jamming (CNJ) using different Constant False Alarm Rate (CFAR) algorithms, namely, Cell-Average (CA), Greatest-Of (GO), and Order-Statistics (OS) CFAR. Using the TC-OLA-based LFM radar system, we show that we have higher SNRs while preserving the same Doppler shift and target time delay as the conventional LFM radar system. Furthermore, the proposed radar model relies on high sample rates only after the conventional LFM radar transmitter blocks and before conventional LFM radar receiver blocks. Therefore, it does not require changing any parameters of the conventional radar blocks.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».