MétaCan
Menu
Retour à la cohorte
Enregistrement W2901021898 · doi:10.3390/app8122348

Passive Detection of Low-Altitude Signal Sources Using an Improved Cross-Correlation Algorithm

2018· article· en· W2901021898 sur OpenAlexaff
Conghui Cao, Hua Yang, Hao Zhang, Yan Wang, T. Aaron Gulliver

Notice bibliographique

RevueApplied Sciences · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSIGNAL (programming language)Cross-correlationComputer scienceAlgorithmCorrelationFrequency domainDetection theoryEnergy (signal processing)DetectorStatisticsTelecommunicationsMathematicsComputer visionGeometry

Résumé

récupéré en direct d'OpenAlex

The passive detection of low-altitude signal sources is studied using an improved cross-correlation method in the time–frequency domain. A matching template is designed for signal cross-correlation, and a cross-correlation threshold is used to determine whether a signal source is present or not. An improved cross-correlation method is also proposed to estimate the direction of arrival and communication frequency of a signal source. Furthermore, the distance and signal-to-noise ratio are estimated using an energy detector. Outdoor data from a bridge in the Jimo District, Qingdao, and indoor data from a research laboratory are used for performance evaluation. The results obtained show that the proposed method can provide better passive detection of low-altitude signal sources compared to several well-known algorithms in the literature. In addition, this method is more suitable for long-distance detection.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,404
Score d'incertitude au seuil0,386

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,304
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetStructural Health Monitoring TechniquesTravaux en français237 207