High sensitivity multi‐channel digital receiver for wideband very weak signal direction‐finding classified by machine learning
Notice bibliographique
Résumé
Abstract For weak signal detection with direction‐finding (DF), this article presents a new receiver design approach that combines our accumulatively increasing receiver sensitivity (AIRS) signal detection algorithm with the compressive‐sensing (CS)‐based DF‐array/algorithm. The former uses the concept of timeslot (TS)‐based signal threshold detection, whereas the latter employs a frequency‐independent array with randomly located elements, whose bandwidth (BW) largely determines the DF‐array BW. To estimate the direction of a signal, the AIRS algorithm generates the array steering vectors in each TS when the amplitude of any frequency bins exceeds the predetermined threshold of the TS. The aim of this paper is to demonstrate the ability of the new receiver to detect low probability of intercept radar signals with high DF accuracy, fine frequency resolution, and good time‐of‐arrival measurement resolution. To discriminate accurate emitter directions from many false estimations created by the DF‐array in very low signal‐to‐noise ratio environments, K‐means clustering was also applied. In a scenario, the frequency modulated signals from several 165‐mW X‐band radars were in the field of view of a 6‐element DF‐array. Simulation results show that the receiver can accurately estimate all the emitters' directions with root mean squared error of less than 1°, when the separation between the DF‐array and radars is about 100 km.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».