Coarray Tensor-Based Angle Estimation for Bistatic MIMO Radar With a Dilated Moving Receive Array
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
Utilizing sparse arrays is a very effective and commonly used method to enhance the degrees of freedom (DOFs) of multiple-input multiple-output (MIMO) radar. Unfortunately, as research on sparse arrays has matured, it has become difficult to greatly improve the DOFs by relying on array structure design only. Moreover, the existing angle estimation methods for sparse MIMO radar would process data under a matrix-based framework rather than the entire coarray tensor, thus suffering some loss in angle estimation performance. In this article, we extend the DOFs of MIMO radar by exploiting sparse array motion and propose an angle estimation method exploiting coarray tensor. First, we not only use sparse arrays at the transmitter and receiver parts of MIMO radar but also dilate the interelement spacing of the receive array on a moving platform. We set the transmitted signal as periodic, and further expand the DOFs and virtual aperture of MIMO radar by using the aperture synthesis technique introduced by array motion. Second, we build a self-correlation tensor model and reshape it to produce an optimal tensor with the highest DOFs that can be obtained under the uniqueness condition of parallel factor decomposition. Third, we theoretically analyze the achievable DOFs of the proposed method and show that the maximum number of detectable targets of bistatic MIMO radar can be increased to about three times. Simulation results verify the correctness of the theoretical analysis and demonstrate the superior estimation performance of our proposed method.
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