文献

J-GLOBAL ID：202202218523208133   整理番号：22A0913232

海面クラッタ内のターゲット検出のための自己回帰スペクトルベース特徴学習の多重フラクタル相関解析【JST・京大機械翻訳】

Multifractal Correlation Analysis of Autoregressive Spectrum-Based Feature Learning for Target Detection Within Sea Clutter

著者 (3件)： Fan Yifei (School of Electronics and Information, Northwestern Polytechnical University, Xi’an, China) ,  Tao Mingliang (School of Electronics and Information, Northwestern Polytechnical University, Xi’an, China) ,  Su Jia (School of Electronics and Information, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5108811.1-11  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： フラクタル理論は,海面クラッタバックグラウンドの下で目標検出性能を改善した。しかし,時間領域またはFourierドメインにおける従来のフラクタル法は,複雑な海面クラッタ特性を正確に特徴付けることができず,低信号クラッタ比(SCR)条件下でターゲット検出性能の劣化をもたらす。本論文は,検出性能改良のための自己回帰(AR)スペクトル領域における海面クラッタのマルチフラクタル相関特性を研究した。本研究では,従来のターゲット検出問題を海面クラッタとターゲットの二値分類問題に変換した。種々の特異点スケール間隔と範囲ビンにおける精製フラクタル特性を解析して,ARマルチフラクタル相関スペクトルの蓄積面積と共にAR特異性強度相関関数幅を固有特徴として抽出した。次に,単純で効率的な完全接続ネットワークを開発し,分類を実現した。実測定海洋レーダデータセットの実験結果は,提案した方法が低SCR条件下で最先端のフラクタルベース法よりも約15%検出確率を増加できることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相関関数 ,  *ターゲット ,  *学習 ,  ネットワーク ,  *海面クラッタ ,  *スペクトル ,  *多重化 ,  *クラッタ ,  特異点 ,  *フラクタル
準シソーラス用語： マルチフラクタル ,  *相関分析 ,  時間領域 ,  検出確率 ,  *自己回帰 , 【Automatic Indexing@JST】

分類 (1件)： レーダ  (ND13010H)

タイトルに関連する用語 (8件)： 海面クラッタ ,  ターゲット検出 ,  自己回帰 ,  スペクトル ,  学習 ,  多重 ,  フラクタル ,  相関解析