MétaCan
Menu
Retour à la cohorte
Enregistrement W2980227853 · doi:10.1109/tgrs.2019.2943065

A Vessel Azimuth and Course Joint Re-Estimation Method for Compact HFSWR

2019· article· en· W2980227853 sur OpenAlexaff
Weifeng Sun, Weimin Huang, Yonggang Ji, Yongshou Dai, Peng Ren, Peng Zhou, Xianfeng Hao

Notice bibliographique

RevueIEEE Transactions on Geoscience and Remote Sensing · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueUnderwater Acoustics Research
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Natural Science Foundation of China
Mots-clésAzimuthDoppler effectBeamwidthComputer scienceRadarTracking (education)Radar trackerSynthetic aperture radarRemote sensingGeologyGeodesyAlgorithmOpticsPhysicsTelecommunicationsAntenna (radio)

Résumé

récupéré en direct d'OpenAlex

Small-aperture compact high-frequency surface wave radar (HFSWR) suffers from low azimuth accuracy for target detection due to its wide beamwidth. Multitarget tracking (MTT) algorithms, when applied to the raw target detection data of HFSWR, fail to effectively filter the target azimuths, and thus, resulting in inaccurate target tracks and courses. In this article, a vessel azimuth and course joint re-estimation method by exploring Doppler velocity and the information accumulated from consecutive observations is presented. It begins with applying an MTT algorithm to a measured target states data sequence acquired by HFSWR to establish initial target tracks, from which the measured range, azimuth, and radial velocity data sequences are obtained. Then, the azimuth trend is extracted from the obtained azimuth data sequence as roughly corrected azimuth estimates, with which the target locations are roughly corrected. Subsequently, target speeds and initial courses are estimated based on the roughly corrected location data sequence, followed by a data selection procedure based on proposed control parameter rules to select the qualified data for calculating the projected angles in terms of speed and direction, separately. Eventually, the target azimuth data sequence is further refined using a linear azimuth error model, whose parameters are obtained by minimizing the difference between the projected angles using a constrained optimization method. Experimental results from field data demonstrate that the proposed method can estimate the target azimuths with significantly improved accuracy. The deviations of the corrected target locations are considerably reduced, and the accuracy of course estimation is enhanced.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,300
Écart entre enseignants0,266 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations50
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Geoscience and Remote SensingMême sujetUnderwater Acoustics ResearchTravaux en français237 207