Spatial Configuration Design for Multistatic Airborne SAR Based on Multiple Objective Particle Swarm Optimization
Notice bibliographique
Résumé
Multistatic airborne synthetic aperture radar (MuA-SAR) systems can achieve high-resolution imaging in a short time by fusing observation data from multiple radar platforms. However, its imaging quality relies on a rigorous design of the spatial configuration (SC) of each platform, mainly including the relative spatial separation and velocity. The rigorously designed SCs make it difficult to obtain in actual flight and weaken the flexibility advantage brought by the airborne platforms. Therefore, it is meaningful and necessary to explore a new SC design method to obtain relaxed SCs under the condition of ensuring imaging quality. In this paper, to relax the limitations of SC, an optimal design method for MuA-SAR SC is proposed. First, the relationship between the spatial configuration, wavenumber spectrum (WS) distribution, and imaging performance is established, and it visually reveals the configuration limitations. Second, an optimized search space of SC is defined by the peak to sidelobe ratio (PSLR) to relax the space to compromised configurations. Finally, the SC design problem is transformed into a constrained multiple objective optimization problem (CMOP) which is solved by the multiple objective particle swarm optimization (MOPSO) algorithm. The simulation results show that the proposed method can still obtain the optimized SC beyond the strictly restricted configuration space, which expands the SC limitations of the MuA-SAR system.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».