Examensarbete: Machine learning för undertryckning av oönskade signaler i radardata i Göteborg

Tanken med detta examensarbete är att med Machine Learning förbättra estimeringen så att man får bra prestanda med icke-homogena indata.  

Inledning:
En viktig egenskap för en radar är förmågan att undertrycka brus och oönskade radarekon från marken (klotter). Denna undertryckning kan göras med statiska eller adaptiva modeller. En statisk modell byggs med kunskap om radarn och fysiken. En sådan modell är robust inte optimal med avseende på undertryckning av oönskade signaler. En adaptiv modell estimerar oönskade signaler och undertrycker dessa på ett optimalt sätt. Problemet är i detta fall hur man gör en bra estimering. I teorin är både själva estimeringen (beräkning av korrelationer mellan variabler) och uppskattning av estimeringsfelet enkelt.  Detta bygger dock på antaganden om homogena mätdata, dvs att data inte förändras. Detta är sällan fallet för ett radarproblem. Tanken med detta examensarbete är att med Machine Learning förbättra estimeringen så att man får bra prestanda med icke-homogena indata.

Uppgiften:
Luftburen sjöövervakning används för att kunna se båtar på långa avstånd där markbaserade radarsystem begränsas av att målen ligger bakom horisonten. En utmaning är att undertrycka reflektioner från vågor, vilket kallas sjöklotter. Sjöklotter varierar med vind, vågor och andra geografiska förutsättningar och är därför svåra att med adaptiva metoder estimera. Man tvingas välja mellan att antingen estimera klotter med mycket data men som inte nödvändigtvis behöver ha samma statistik alternativt med lite lokala data som har rätt statistik men få sampel för att kunna skattas bra. Detta arbeta går ut på att med Machine Learning lära sig denna skattning så att man kan få ett bra estimat trots att man har lite data. I arbetet kommer riktig flygprovsdata med sjöklotter att användas.

Tanken är att börja arbetet med att söka kunskap inom forskningsområdet, välja några intressanta alternativ och sedan utvärdera dessa inom denna tillämpning.

Vi söker en eller två civilingenjörsstudenter med intresse för Machine Learning.

Teoretiska kunskaper inom artificiella neuronnät/Machine Learning är ett önskemål.

Exjobbet kommer att utföras i Göteborg varav ni kommer att ha kollegor runt omkring er som kan stödja er i arbetet.

Exjobbet kommer att utföras hos PU Mission System som är ansvariga för utveckling av vårt flygande sensorsystem, Airborne Early Warning & Control solutions (AEW&C).

Välkommen till en arbetsplats med inspirerande utmaningar, bra sammanhållning och där mötet mellan kompetens och personlighet bygger grunden för vår framgång.

Kontaktperson

Tomas Berling, Chef

0734-379266

Anders Larsson, kontaktperson/handledare

0734-378248

För arbetet krävs det att du godkänns i en säkerhetsprövning i enlighet med säkerhetsskyddslagen.

If you aspire to help create and innovate whilst developing yourself in a challenging team setting, Saab may well have the perfect conditions for you to grow. We pride ourselves on a nurturing environment, where everyone is different yet we share the same goal – to help protect people.