RCI-DUNet: Efficient Complex-Valued Deep Unrolling Network for Multiview MIMO Radar Coincidence Imaging
Notice bibliographique
Résumé
In the application of radar coincidence imaging (RCI) sparse reconstruction with target multi-view imaging cell scattering intensity (ICSI) fluctuation, the traditional compressed sensing (CS) algorithms suffer from undesirable imaging quality and high computational complexity. This paper proposes a complexvalued deep unrolling network for RCI based on the fast iterative shrinkage-thresholding algorithm (FISTA), called RCI-DUNet. We first convert the complex-valued form of the radar signal to realvalued form using the complex-to-real arithmetic rule, and then propose a momentum correction module (MCM) with an acceleration function that achieves stable gradient propagation while maintaining phase coherence. We design a sparse transformation function based on convolutional neural network (CNN) and channel attention (CA) mechanism to dynamically adapt to target multiview ICSI fluctuation, effectively solving the problem of correlation mismatch between reference signals and echoes. We apply RCIDUNet to multipe input multiple output (MIMO) RCI of target multi-view ICSI fluctuation. It is shown that RCI-DUNet can provide high-quality imaging results even at low sampling rates with drastic ICSI fluctuation. Moreover, RCI-DUNet can greatly reduce imaging time compared to traditional CS algorithms, which can be used for fast RCI. The simulation results validate that RCI-DUNet achieves excellent reconstruction performance and high efficiency in MIMO RCI with target multi-view ICSI fluctuation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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 ».