DOA Estimation for HFSWR Target Based on PSO-ELM
Notice bibliographique
Résumé
High-frequency surface wave radar (HFSWR) plays an important role in vessel target surveillance. However, HFSWR’s inaccuracy of azimuth estimation caused by wide beams severely limits its detection ability. To solve this problem, a novel direction of arrival (DOA) estimation method based on extreme learning machine optimized by particle swarm optimization (PSO-ELM) is proposed to improve azimuth estimation accuracy for HFSWR. This method can obtain the optimal solution without searching the whole angle range of HFSWR. Specifically, PSO optimizes the input weight and hidden layer bias of ELM to obtain optimal parameters for improving the estimation performance. Based on the optimized parameters, the ELM network can give an optimal azimuth estimation in the sense of least squares and minimal norm. The sample sets used for PSO-ELM training are obtained by matching the points detected by HFSWR with the target points reported by an automatic identification system (AIS) on the range–Doppler (RD) spectra. The performance of DOA estimation is verified by field HFSWR data. The experimental results show that the new method has lower root-mean-square error and higher computational efficiency in comparison to the typical DOA estimation methods, such as digital beam forming (DBF) and multiple signal classification (MUSIC). It also uses the machine learning methods, such as back propagation neural network (BPNN) and support vector regression (SVR).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».