Entropy Metrics of Radar Signatures of Sea Surface Scattering for Distinguishing Targets
Notice bibliographique
Résumé
This paper analyzes sea clutter by a random series without assuming the scattering being independent. We quantitated the complexity of sea clutter by applying multiscale sample entropy. We found that above certain wave heights or wind speeds, and for HH or VV polarization, the target can be distinguished from sea clutter by regarding (i) the sample entropy at large scale factors or (ii) the complexity index (CI) as entropy metrics. This is because the backscattering amplitudes of range bins with the primary target were found equipped with the lowest sample entropy at large scale factors or the lowest CI compared to that of range bins with sea clutter only. To further cover low-to-moderate sea states, we constructed a polarized complexity index (PCI) based on the polarization signatures of the multiscale sample entropy of sea clutter. We demonstrated that the PCI is yet another alternative entropy metric and can achieve a superb performance on distinguishing targets within 1993’s IPIX radar data sets. In each data set, the range bins with the primary target turned to have the lowest PCI compared to that of range bins with sea clutter alone. Moreover, in our experiment using 1993’s IPIX radar data sets, the PCIs of range bins with sea clutter only were almost the same and stable in each data set, further suggesting that the proposed PCI metric can be applied in the presence of no or multiple targets through proper fitting curves.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».