Kalman Filter Disciplined Phase Gradient Autofocus for Stripmap SAR
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
The phase gradient autofocus (PGA) and its improvements have been aimed to estimate the phase error exclusively from the phase of raw data. In this article, we introduced the Kalman filter (KF) into stripmap PGA (or phase curvature autofocus) by taking advantage of the continuous movement of the aircraft. The fundamental principle is to build a kinematic model and a measurement model to predict the phase curvature of the next subaperture, and to correct the measurement (phase curvature) of the current subaperture. The advantages of employing KF are as follows: 1) the inaccurate PGA estimation due to wrong target selection, serious phase error, or low signal-to-clutter ratio can be corrected by a well-maintained KF; 2) the prediction of the KF can be applied to the data of the next subaperture before phase estimation, to decrease the algorithm converge time, and to increase the estimation accuracy; and 3) KF disciplined PGA naturally fits the sequential processing needs and is capable of generating good phase error estimation in one execution. This helps real-time synthetic aperture radar (SAR) autofocus and motion compensation. The disciplining of the autofocus using KF is not restricted to PGA-based algorithm. It can be applied to other subaperture-based autofocus algorithms.
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