Bridging the Domain Gap Between Target Detection and Parameter Estimation: A Time-Frequency Parameter Estimation Scheme for 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
Time-frequency analysis (TFA) serves as an effective technique in improving target-monitoring performance of high frequency surface wave radar (HFSWR). However, the potential of this technique has not been fully explored in existing schemes because the extracted time-frequency (TF) signatures are solely used for identifying targets. In addition to missed detection, target non-stationarity may also degrade parameter estimation accuracy. To address this challenge, we propose a TF-based parameter estimation scheme. Specifically, we develop range and direction of arrival (DOA) methods that directly leverage TF signatures obtained during the detection stage to extract target parameters. These parameters are then processed for subsequent plot association and target localization stages. Statistical results on measured data show that the proposed range and DOA estimation methods outperform their conventional counterparts in accuracy. Next, these methods are integrated into the proposed parameter estimation scheme, which is then compared against existing schemes. Experimental results demonstrate that our scheme achieves better plot association performance compared with other conventional schemes. In addition, using automatic identification system (AIS) records as ground truth, our scheme achieves enhanced localization accuracy. Particularly, it reduces the proportion of anomalous coordinate trajectories by 2.05∼4.11%. Moreover, by seamlessly connecting target detection and parameter estimation stages within the TF domain, this scheme streamlines the overall target-monitoring pipeline.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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