Bayesian Nonparametric Tracking of Target Impulse Response for Cognitive Radars
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
A characteristic feature of cognitive radars is the ability to adapt their transmitted waveforms to the impulse response of the target of interest. A typical assumption is to represent the evolution of the target impulse response (TIR) using the Gaussian linear state space (LSS) model. Based on this assumption, the Kalman filter (KF) has been used to estimate the TIR as the optimal Bayesian filter under known target and interference statistics. In practice, however, the available measured data for different targets suggest non-Gaussian TIR distributions and do not justify the assumption of an LSS generating model. In this paper, we propose a new TIR tracking method based on Bayesian nonparametric (BNP) statistics. In contrast to conventional Bayesian filters such as Kalman or particle filters, the proposed method does not require prior knowledge about the target or environmental interference statistics. This added flexibility allows us to consider non-Gaussian TIR distributions, which have not been examined in the literature heretofore. Furthermore, we propose a new TIR generating model based on the spherical invariant random process, which stands as a more realistic approach supported by published empirical data. Through extensive Monte Carlo simulations, we show that the proposed BNP method offers improved TIR tracking accuracy compared to the conventional Bayesian filters under several distributions and generating models even in harsh environments like jamming. Notably, this superior performance comes with lower complexity and without prior knowledge about the target statistics as required by the conventional Bayesian filters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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