A Joint Detection and Tracking Paradigm Based on Reinforcement Learning for Compact HFSWR
Notice bibliographique
Résumé
Due to its limited transmit power and smaller receiving antenna array, compact high-frequency surface wave radar often encounters increased challenges in detecting and tracking sea-surface targets continuously. In tracking scenarios with dense clutter or multiple targets, weak target signals are often missed due to improper detection thresholds, leading to track fragmentations during target tracking. In order to improve target detection probability and enhance target tracking continuity, a joint detection and tracking (JDT) paradigm, which establishes a closed loop between the detector and tracker, is proposed. When a target of interest is tracked, the tracker sends its predicted range, Doppler velocity, and azimuth back to the detector, then the detector builds a detection gate centered at the predicted range and Doppler velocity on the range–Doppler map. Within the detection gate, an optimal detection threshold dependent on the detection background and tracking environment is determined using reinforcement learning. In this way, a potential target plot may be detected with a higher detection probability and the detected plot is provided for track update. The proposed paradigm employs tracking information to provide adaptive detection parameters for specific targets through reinforcement learning to enhance both target detection and tracking performance. Experimental results with field data demonstrate that compared with traditional detection before tracking scheme, the proposed JDT paradigm achieves a superior performance with the average tracking time on target being increased by 13.33 min and the average missed detection rate being reduced by 0.8$\%$.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».