Descenso de gradiente de orden fraccionario restringido L1 para la estimación de la dimensión axial de objetivos...

Área de la Ciencia:

• Diseminación electromagnética
• Reconocimiento de objetivos
• Procesamiento de señales

Sus antecedentes:

• Los perfiles de resolución de alto alcance (HRRP) contienen información estructural crucial para el reconocimiento de objetivos.
• La estimación precisa del tamaño es vital para la identificación efectiva del objetivo en entornos electromagnéticos complejos.
• Los métodos tradicionales a menudo luchan con la sensibilidad atípica y la eficiencia computacional.

Objetivo del estudio:

• Desarrollar un método de estimación de tamaño robusto y eficiente para objetivos balísticos utilizando HRRPs.
• Mejorar el rendimiento del reconocimiento de objetivos invirtiendo con precisión el tamaño real del objetivo respecto al tamaño proyectado.
• Para superar las limitaciones de los métodos tradicionales de norma L2 en el manejo de datos ruidosos.

Principales métodos:

• Estableció un modelo de relación analítica entre el tamaño proyectado y el objetivo real utilizando óptica geométrica.
• Construido una función de error L1-norma para la optimización robusta.
• Empleado un descenso de gradiente de orden fraccionario de ajuste de orden adaptativo con conmutación de orden dinámica para mejorar la eficiencia y precisión computacional.

Principales resultados:

• El método propuesto logra una inversión de tamaño precisa en entornos electromagnéticos complejos.
• Se ha demostrado una menor sensibilidad a los valores atípicos en comparación con los métodos tradicionales de norma L2.
• El error de inversión de tamaño real se mantuvo por debajo del 3,7%, incluso con un error de medición de 0,4 m.

Conclusiones:

• El método de descenso del gradiente de orden fraccionario variable de la norma L1 ofrece un avance significativo en la estimación del tamaño objetivo basado en HRRP.
• El método proporciona una solución robusta y computacionalmente eficiente para el reconocimiento de objetivos en condiciones difíciles.
• Este enfoque mejora la utilización de la información estructural de los HRRPs para mejorar el rendimiento.