Waveform Diversity Design of OFDM Chirp for Miniature Millimeter-Wave MIMO Radar Based on Dechirp
Notice bibliographique
Résumé
The orthogonal waveform diversity design and efficient hardware implementation are important issues in miniature multiple-input multiple-output (MIMO) radars. The orthogonal frequency division multiplexing (OFDM) chirp waveform has received attention recently because of its large time-bandwidth product, constant modulus, no range-Doppler coupling, good orthogonality, and good Doppler tolerance. The dechirp-on-receive technique can reduce the amount of raw sampled data in near-field miniature millimeter-wave (mmW) MIMO radar detection and synthetic aperture radar (SAR) imaging. However, most of the current waveform diversity design methods are based on general matched filtering (MF). In this paper, the possibility of using the traditional OFDM chirp waveform for dechirp processing at the receiving end of MIMO radar is analyzed. Then, the results of different configurations of chirp rates within and between transmitted waveforms for different signal processing procedures are investigated. A novel dechirp-based OFDM chirp waveform diversity design method for MIMO radar is proposed, and the results of the waveform design are given. Numerical results, such as pulse compression (PC) results, dechirp ambiguity function (DAF), SAR imaging processing, etc., and experiments verify the effectiveness of the proposed methods.
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) | 0,000 | 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) | 0,001 | 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 ».