Fusion Detection of Vessel Target with Multi-dimensional Information for Shipborne HFSWR
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
Compared to shore-based high frequency surface wave radar (HFSWR), shipborne HFSWR offers advantages such as platform mobility and flexibility, as well as the ability to expand the detection coverage without being constrained by the location of shore-based stations. However, there are several challenges in target detection using shipborne HFSWR: first, due to the size limitations of the shipborne platform, the radar array and transmission power are small, resulting in weak target echo signals; second, the forward motion of the shipborne platform causes the first-order sea clutter to broaden, leading to some vessel target echo signals falling into the broadened sea clutter; third, the platform's maneuvering can also cause the broadening of target echoes, further reducing their signal-to-noise ratio (or signal-to-clutter ratio). To address these issues, this paper proposes a fusion detection method for shipborne HFSWR targets based on multi-dimensional information. Initially, target detection is performed separately in individual dimensions such as the range-Doppler (RD) spectrum, time-frequency (TF) spectrum, and azimuth-Doppler (AD) spectrum. Subsequently, the detection results from different dimensions are integrated using a two-level fusion strategy, which involves fusing of the detection results on the TF and AD dimensions at the same range, followed by fusing these results with the RD dimension detection results. This approach enhances the target detection performance of shipborne HFSWR under complex conditions. Finally, the method is validated using simulation and real measurement data.
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 | 0,001 |
| 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