Nonuniformly Spaced Array with the Direct Data Domain Method for 2D Angle-of-Arrival Measurement in Electronic Support Measures Application from 6 to 18 GHz
Notice bibliographique
Résumé
This paper introduces a 2D angle-of-arrival (AoA) estimator, which has a 6–18 GHz 7-element nonuniformly spaced array (NSA) and a Direct Data Domain- (D3-) based AoA algorithm for a 2D isotropic-element planar array (IEPA). A 2D calibration and data-transformation method is developed to convert the NSA data to the output of the IEPA, so that the NSA-measured data can be used in the D3 algorithm. Using the steering vector (SV) of the IEPA and the results derived from the D3 method, a new 2D AoA searching method is also developed, which offers frequency-independent performance defined by the probability of AoA estimation, when the required estimation accuracy and signal-to-noise ratio (SNR) are given. For the applications of electronic support measures, this paper also presents the use of precalculated SV and data-transformation matrix databases built on preselected frequency points and a 2D-angle grid that is close to uniformly distributed directions. The simulation results show that with good SNR (≥15 dB), the estimator can have 50% probability of AoA estimation with root mean square error (RMSE) less than or equal to 1° using just a few samples from the NSA. Moreover, the study focuses on the applications with low SNR by using more samples from the NSA. Results show that the estimator has 52% and 80% probabilities of AoA estimation with RMSE ≤1° and 5°, respectively, for phase- or frequency-modulated radar pulses, when the SNR is within [−10, 0] dB. The study also shows that the estimator prefers a circular-shaped planar array with a triangular interelement pattern, since it presents more symmetrical characteristics from different azimuth angles.
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 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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».