Minimization of Internally Reflected Power Via Waveform Design in Cognitive MIMO Radar
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
State-of-the-art cognitive multiple-input multiple-output (MIMO) radars maximize the signal-to-interference-plus-noise ratio (SINR) for an extended target of interest by matching the transmitted waveforms to the target impulse response (TIR). Existing methods to match the transmitted waveforms do not consider the problem of internally reflected power due to the mutual coupling between the transmitting antenna array elements, which results in transmitter inefficiency and possible hardware damage. While the mutual coupling problem in MIMO radars has been handled using microwave techniques heretofore, we herein advocate a signal-processing approach to this problem in cognitive MIMO radars. Specifically, we propose an effective waveform design formalism allowing to jointly maximize the SINR and minimize the reflected power from the transmitting antennas under a TIR matching constraint, while achieving waveform orthogonality in the Doppler domain. Minimizing the reflected power is achieved through the incorporation of a regularization term, taking the form of an $\ell _{\infty }$-norm, in the objective function of a minimum variance distortionless response criterion. An efficient proximal gradient method is developed to solve the resulting nonsmooth optimization problem. Simulations with different TIR distributions and transmitting antenna array sizes show that the proposed waveform design algorithm results in lower active reflection coefficients for the antenna elements than selected benchmarks. Furthermore, our algorithm offers a competitive SINR performance compared to these benchmarks and can cope with the fast-varying TIR.
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 | 0,001 |
| 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