Mitigation of Rain Effect on Wave Height Measurement Using X-Band Radar Sensor
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 presence of rain can negatively affect the performance of many sensors such as X-band radar. In this paper, an effective approach is proposed to mitigate the effect of rain on significant wave height ( <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${H}_{s}$ </tex-math></inline-formula> ) estimation from X-band radar sensor data along with a machine-learning (ML)-based method. First of all, the haze removal algorithm is applied to rain-contaminated radar images as pre-processing. Then, three different features are extracted from the processed radar images. Different combinations of these three features are utilized to estimate <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${H}_{s}$ </tex-math></inline-formula> under the rain condition by using support vector regression (SVR)-based and temporal convolutional network (TCN)-based regression methods. It is found that the root-mean-square-errors (RMSEs) of <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${H}_{s}$ </tex-math></inline-formula> estimation results using two typical methods (signal-to-noise ratio (SNR)-based and ensemble empirical mode decomposition (EEMD)-based linear fitting methods) are decreased by 0.14 m and 0.48 m after introducing the haze removal algorithm, respectively. Also, a relatively high accuracy can be achieved using the SVR-based regression method with the combination of SNR and gray level co-occurrence matrix (GLCM) features. Compared to the SNR-based and EEMD-based linear regression methods, the proposed SVR-based method further improves the estimation accuracy, with reductions of RMSE by 0.19 m and 0.82 m, respectively.
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 | 0,003 | 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 | 0,001 | 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) | 0,002 | 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