Target Monitoring Capability Analysis for Shipborne HFSWR Under Different Platform Motions
Notice bibliographique
Résumé
Compared to shore-based high-frequency surface wave radar (HFSWR), shipborne HFSWR can overcome the constraints of a fixed radar site and extend its detection range. However, the radar echo is influenced by the movement of the shipborne platform, which in turn affects the target monitoring performance of the shipborne HFSWR. In this article, the radar echo model for shipborne radar is introduced, and the Doppler frequency shifts for different signals are given. Then, the characteristics of vessel target echoes for shipborne HF radar under various motion conditions are analyzed. Subsequently, the characteristics of spread sea clutter and its impact on target monitoring under different motion conditions are investigated. Moreover, land clutter, which is often neglected for shore-based HFSWR, is also investigated. Considering the combined effect of clutter blind zones caused by sea clutter and land clutter, the target monitoring capability of shipborne HFSWR under different motion conditions is evaluated, and then, a target monitoring scheme is proposed. In the target monitoring scheme, different navigation scenarios are used to adjust the platform motion state depending on different detection targets. Low-speed navigation scenario is appropriate for the monitoring of moving targets, whereas high-speed navigation scenario is suitable for detecting stationary targets or vessel target initially submerged in nonspread sea clutter. Finally, the clutter extraction results from measured data under different motion conditions and their impact on target monitoring are analyzed, and target monitoring results are provided and validated using field data.
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 | 0,001 |
| 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 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 ».