DOA Estimation for HFSWR Target Based on PSO-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 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.
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