Bestellung
Wenn Sie an diesem Seminar teilnehmen wollen, füllen Sie folgendes Formular aus.Die mit * gekennzeichneten Felder müssen ausgefüllt werden.
In diesem Seminar baust du eine praxistaugliche Pipeline für KI-gestützte Signalanalyse im ELINT/SIGINT-Kontext: von Rohdaten (I/Q) über robuste Vorverarbeitung bis zu Detektion, Klassifikation und Anomalieerkennung. Du arbeitest mit Spektren, Wasserfall und Zeit-Frequenz-Features, lernst CFAR-nahe Detektionslogik, trainierst ML- und Deep-Learning-Modelle auf Spektrogrammen und bewertest sie sauber mit geeigneten Metriken. Ein Schwerpunkt liegt auf realen Betriebsproblemen wie Drift, unbekannten Emittern, False Alarms und nachvollziehbaren Entscheidungen. Am Ende kannst du Ergebnisse so aufbereiten, dass sie als belastbare Hinweise in Analyse- und Lageprozesse einfließen.
- Signalgrundlagen für ELINT/SIGINT
- I/Q-Sampling, Bandbreite, SNR, Dynamik
- Modulationen und typische Merkmale
- Spektren, Wasserfall, Zeit-Frequenz-Darstellung
- Vorverarbeitung und Feature Engineering
- Resampling, Filter, DC-Offset, AGC, Normalisierung
- STFT, Wavelets, Cyclostationary Features
- Segmentierung, Windowing, Label-Strategien
- Detektion und Ereignisbildung
- Energy Detection, CFAR-Grundprinzipien
- Peak-Picking, Burst-Erkennung, Duty-Cycle
- Clustering von Emissionen zu Events
- ML-Modelle für Klassifikation
- Baseline: kNN, SVM, Random Forest
- Deep Learning: CNN auf Spektrogrammen
- Bewertung: Confusion Matrix, ROC, PR
- Anomalien, neue Emitters, Drift
- Unsupervised Detection (Isolation Forest, Autoencoder)
- Concept Drift und Re-Training-Trigger
- Open-Set Recognition und Reject-Option
- Operationalisierung und Nachvollziehbarkeit
- Kalibrierung, Thresholding, False-Alarm-Management
- Explainability für Signale (Saliency, SHAP-Ideen)
- Pipeline-Design, Logging, Reproduzierbarkeit