Target Localization Performance of Binary-Optimized Antenna Placement Using Mutual Coherence Minimization
Notice bibliographique
Résumé
Radar is becoming an attractive technology for automotive vehicles due to its robustness to weather conditions. However, the angular resolution of radar technology is dependent on the radar’s antenna size relative to the wavelength used, which, for achieving high angular resolution requires an impractically massive aperture and a large number of antennas. Recently, compressive sensing (CS) has allowed for the improvement of angular resolution in radar technology, which involves two principles: sparse signal recovery and sensing matrix design. Assuming a sparse target scene is present, CS radar performance hinges solely on the design of the sensing matrix. The design of the sensing matrix is a nuanced task, requiring it to possess certain properties, such as satisfying the restricted isometry property (RIP) and low coherence. The sensing matrix design depends on the location of the antennas, as well as the angular space discretization. In this work, we consider the antenna placement problem in CS radar. The problem is interpreted as a binary program to minimize the mutual coherence of the sensing matrix. The direct relationship between mutual coherence and peak-sidelobe level was exploited to place antenna elements with minimal peak-sidelobes. Due to the NP-hardness of the the antenna placement problem, we propose to solve it directly using a heuristic binary optimization algorithm, namely; using binary differential evolution (BDE) algorithm. Simulation results illustrate the superiority of approaching the problem directly using BDE rather than resorting to relaxation approaches in the literature in terms of achieving lower mutual coherence, higher probability of target detection, and low peak-sidelobe level. BDE showed consistent superior performance when compared with other methods in the literature.
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 ».