Joint Antenna Selection and Beamforming for Area Surveillance With Spatially Distributed Array 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
This article addresses the joint optimization problem of antenna selection and beamforming design for a spatially distributed array radar (SDAR) used for area surveillance, while meeting spatial response and surveillance requirements. We first derive the mathematical relationships between detection probability and key SDAR parameters, including antenna selection and beamforming weights. The surveillance area, defined as a portion of a hemisphere delimited in azimuth and polar angles, is split into a grid of smaller cells that can each be covered by a single beam. For each angular cell, we then seek to minimize the number of antennas being employed for irradiation, while achieving a desired spatial response and target detection probability. As the formulated optimization problem is a nonconvex mixed-integer nonlinear programming problem, we propose a joint antenna selection and beamforming design algorithm based on the alternating direction method of multipliers (ADMM) to solve it effectively. Specifically, the optimization problem is transformed into an augmented Lagrangian problem based on the ADMM framework by introducing a series of auxiliary variables. We proceed by decomposing the resulting problem into two intertwined subproblems for which an iterative solution is developed, hence enabling an efficient solution of the overall problem wherein both beamforming weights and antenna selection are optimized jointly. Simulation results show that the proposed algorithm can deliver excellent performance in terms of minimizing the antenna resource while reliably meeting the given spatial response and surveillance requirements.
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