Continuous Tracking of Targets for Stereoscopic HFSWR Based on IMM Filtering Combined with ELM
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High frequency surface wave radar (HFSWR) plays an important role in marine surveillance on account of its ability to provide wide-range early warning detection. However, vessel target track breakages are common in large-scale marine monitoring, which limits the continuous tracking ability of HFSWR. The following are the possible reasons for track fracture: highly maneuverable vessels, dense channels, target occlusion, strong clutter/interference, long sampling intervals, and low detection probabilities. To solve this problem, we propose a long-term continuous tracking method for multiple targets with stereoscopic HFSWR based on an interacting multiple model extended Kalman filter (IMMEKF) combined with an extreme learning machine (ELM). When the trajectory obtained by IMMEKF breaks, a new section of the track will start on the basis of the observation data. For multiple-target tracking, a number of broken tracks can be obtained by IMMEKF tracking. Then the ELM classifies the segments from the same vessel by extracting different features including average velocity, average curvature, ratio of the arc length to the chord length, and wavelet coefficient. Both the simulation and the field experiment results validate the method presented here, showing that this method can achieve long-term continuous tracking for multiple vessels, with an average correct track segment association rate of over 91.2%, which is better than the tracking performance of conventional algorithms, especially when the vessels are in dense channels and strong clutter/interference area.
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.
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) | 0,000 | 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 découle