DE102017129168A1 - Spectrum classification method, classification method and receiving device - Google Patents

Spectrum classification method, classification method and receiving device Download PDF

Info

Publication number
DE102017129168A1
DE102017129168A1 DE102017129168.7A DE102017129168A DE102017129168A1 DE 102017129168 A1 DE102017129168 A1 DE 102017129168A1 DE 102017129168 A DE102017129168 A DE 102017129168A DE 102017129168 A1 DE102017129168 A1 DE 102017129168A1
Authority
DE
Germany
Prior art keywords
spectrum
neural network
electromagnetic signals
artificial neural
provisionally
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102017129168.7A
Other languages
German (de)
Inventor
Baris Güzelarslan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rohde and Schwarz GmbH and Co KG
Original Assignee
Rohde and Schwarz GmbH and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rohde and Schwarz GmbH and Co KG filed Critical Rohde and Schwarz GmbH and Co KG
Priority to DE102017129168.7A priority Critical patent/DE102017129168A1/en
Publication of DE102017129168A1 publication Critical patent/DE102017129168A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/08—Measuring electromagnetic field characteristics
    • G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
    • G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

Ein Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen wird vorgeschlagen. Zunächst werden elektromagnetische Signale empfangen. Ein Spektrum (F) der elektromagnetischen Signale wird bestimmt und das Spektrum (F) wird mittels eines künstlichen neuronalen Netzes verarbeitet. Dabei wird zumindest ein Teilabschnitt des Spektrums (F) mittels des künstlichen neuronalen Netzes wenigstens vorläufig klassifiziert, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum (F) zumindest vorläufig zu klassifizieren. Ferner werden ein Verfahren zur Klassifizierung von elektromagnetischen Signalen sowie eine Empfangsvorrichtung (10) für elektromagnetische Signale vorgestellt.A method for spectrum classification of electromagnetic signals is proposed. First, electromagnetic signals are received. A spectrum (F) of the electromagnetic signals is determined and the spectrum (F) is processed by means of an artificial neural network. In this case, at least a partial section of the spectrum (F) is at least provisionally classified by means of the artificial neural network in order to at least provisionally classify an electromagnetic signal and / or an event in the spectrum (F). Furthermore, a method for the classification of electromagnetic signals as well as a receiving device (10) for electromagnetic signals are presented.

Description

Die Erfindung betrifft ein Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, ein Verfahren zur Klassifizierung von elektromagnetischen Signalen sowie eine Empfangsvorrichtung für elektromagnetische Signale.The invention relates to a method for spectrum classification of electromagnetic signals, a method for the classification of electromagnetic signals and a receiving device for electromagnetic signals.

Verschiedene Verfahren zur Klassifizierung von elektromagnetischen Signalen sind aus dem Stand der Technik bekannt und werden beispielsweise in Empfangsgeräten für elektromagnetische Wellen eingesetzt, um unter anderem die Modulationsart der entsprechenden elektromagnetischen Signale zu bestimmen. Dazu werden meist von einem geschulten, menschlichen Operator (Bediener) bestimmte Merkmale aus einem Spektrum von elektromagnetischen Signalen extrahiert, indem er diese visuell erfasst. Diese Merkmale können dann anhand ihrer IQ-Daten („in-phase“ und „quadrature“-Daten, also Daten über Amplitude und Phase der elektromagnetischen Signale) maschinell klassifiziert werden, beispielsweise mittels sogenannter Entscheidungsbäume (decision trees) und/oder Entscheidungswälder (random forests). Der geschulte Operator ist dabei erforderlich, um die Daten zu extrahieren, die für die entsprechenden Algorithmen benötigt werden, um diese anzulernen.Various methods of classifying electromagnetic signals are known in the art and are used, for example, in electromagnetic wave receivers to determine, among other things, the modulation type of the corresponding electromagnetic signals. For this purpose, a trained human operator (operator) usually extracts certain features from a spectrum of electromagnetic signals by visually detecting them. These features can then be classified by their IQ data ("in-phase" and "quadrature" data, ie data on the amplitude and phase of the electromagnetic signals), for example by means of so-called decision trees and / or decision forests (random forests). The trained operator is required to extract the data needed for the appropriate algorithms to teach them.

Aufgabe der Erfindung ist es, den Automatisierungsgrad bei einem Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, einem Verfahren zur Klassifizierung von elektromagnetischen Signalen sowie einer Empfangsvorrichtung für elektromagnetische Signale zu erhöhen.The object of the invention is to increase the degree of automation in a method for spectrum classification of electromagnetic signals, a method for the classification of electromagnetic signals and a receiving device for electromagnetic signals.

Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, mit den folgenden Schritten: elektromagnetische Signale werden empfangen; ein Spektrum der elektromagnetischen Signale wird bestimmt; und das Spektrum wird mittels eines künstlichen neuronalen Netzes verarbeitet. Dabei wird zumindest ein Teilabschnitt des Spektrums mittels des künstlichen neuronalen Netzes wenigstens vorläufig klassifiziert, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum zumindest vorläufig zu klassifizieren. Insbesondere wird das Spektrum und damit das elektromagnetisches Signal und/oder ein Ereignis im Spektrum mittels des künstlichen neuonalen Netzes abschließend klassifiziert. Bei dem Spektrum handelt es sich beispielsweise um eine Fourier-Transformierte, eine spektrale Energiedichte oder ein Wirkleistungsspektrum der empfangenen elektromagnetischen Signale. Die (vorläufige) Spektrumklassifizierung des Teilabschnitts des Spektrums erfolgt gemäß dem erfindungsgemäßen Verfahren mittels des künstlichen neuronalen Netzes vollautomatisch, also ohne menschlichen Operator. Der menschliche Operator ist nicht mehr notwendig, da die künstlichen neuronalen Netze selbstständig lernen können, das Spektrum (vorläufig) zu klassifizieren. Die Verarbeitung des Spektrums erfolgt mittels der künstlichen neuronalen Netze besonders schnell und kann dementsprechend in Echtzeit erfolgen. Zudem ist die Spektrumklassifizierung mittels der künstlichen neuronalen Netze auch bei einem schlechten Signal-Rausch-Verhältnis zuverlässig. Bei dem künstlichen neuronalen Netz kann es sich um ein bereits bekanntes künstliches neuronales Netz (beispielsweise AlexNet, VGG, ResNet oder GoogLeNet) oder um ein speziell für diesen Zweck angepasstes künstliches neuronales Netz handeln.The object is achieved by a method for spectrum classification of electromagnetic signals, comprising the following steps: electromagnetic signals are received; a spectrum of the electromagnetic signals is determined; and the spectrum is processed by means of an artificial neural network. In this case, at least a subsection of the spectrum is at least provisionally classified by means of the artificial neural network in order to at least provisionally classify an electromagnetic signal and / or an event in the spectrum. In particular, the spectrum and thus the electromagnetic signal and / or an event in the spectrum is finally classified by means of the artificial neural network. The spectrum is, for example, a Fourier transform, a spectral energy density or an active power spectrum of the received electromagnetic signals. The (preliminary) spectrum classification of the subsection of the spectrum is carried out fully automatically in accordance with the method according to the invention by means of the artificial neural network, ie without a human operator. The human operator is no longer necessary because the artificial neural networks can independently learn to classify the spectrum (tentatively). The processing of the spectrum by means of the artificial neural networks is particularly fast and can therefore be done in real time. In addition, the spectrum classification by means of the artificial neural networks is reliable even with a poor signal-to-noise ratio. The artificial neural network may be an already known artificial neural network (eg AlexNet, VGG, ResNet or GoogLeNet) or an artificial neural network specially adapted for this purpose.

Das neuronale Netz wird demnach eingesetzt, um die visuellen Fähigkeiten eines Menschen technisch abzubilden und entsprechend zu ersetzen, sodass die Vorklassifizierung automatisch abläuft. Insofern wird über das neuronale Netz beispielsweise eine Bildverarbeitung des aus den empfangenen elektromagnetischen Signalen bestimmten Spektrums bereitgestellt.Accordingly, the neural network is used to technically map and replace a person's visual capabilities so that pre-classification automatically takes place. In this respect, an image processing of the spectrum determined from the received electromagnetic signals is provided via the neural network, for example.

Die Vorklassifizierung, die mittels des neuronalen Netzes erfolgt, extrahiert demnach die Daten bzw. Merkmale aus dem bestimmten Spektrum, die anschließend zur Klassifizierung in bekannter Weise weiterverarbeitet werden, beispielsweise ebenfalls mittels neuronaler Netze.The preclassification, which takes place by means of the neural network, accordingly extracts the data or features from the specific spectrum, which are subsequently further processed for classification in a known manner, for example likewise by means of neural networks.

Unter den Signalen und/oder Ereignissen, die vorläufig klassifiziert werden, sind unter anderem Chirp-Signale zu verstehen, die im Spektrum auftreten.Among the signals and / or events that are tentatively classified are, inter alia, chirp signals that occur in the spectrum.

Ferner ist es generell möglich, mit dem Verfahren ein sogenanntes Autoencoding durchzuführen, da sich die relevanten Daten bzw. die wesentlichen Merkmale in automatisierter Weise aus dem Spektrum extrahieren lassen.Furthermore, it is generally possible to perform so-called auto-coding with the method, since the relevant data or the essential features can be extracted from the spectrum in an automated manner.

Ein Aspekt sieht vor, dass ein zeitlicher Verlauf des Spektrums bestimmt wird. Ein solcher zeitlicher Verlauf des Spektrums wird auch als Wasserfallspektrum bezeichnet. Ferner kann der zeitliche Verlauf als eine sogenannte Heatmap dargestellt werden. Unter einem Spektrum ist im Folgenden sowohl eine Momentaufnahme des Spektrums als auch sein zeitlicher Verlauf, beispielsweise in Form eines Wasserfallspektrums, zu verstehen. Insbesondere wird das Wasserfallspektrum mittels des künstlichen neuronalen Netzes in gewissen Zeitabständen, vorzugsweise kontinuierlich, verarbeitet und wenigstens vorläufig klassifiziert. Dadurch kann die Qualität der Klassifizierung verbessert und/oder eine Veränderung des Spektrums detektiert werden.One aspect provides that a temporal course of the spectrum is determined. Such a temporal course of the spectrum is also called a waterfall spectrum. Furthermore, the time course can be represented as a so-called heat map. In the following, a spectrum is to be understood as meaning both a snapshot of the spectrum and its time course, for example in the form of a waterfall spectrum. In particular, the waterfall spectrum is processed by the artificial neural network at certain time intervals, preferably continuously, and at least provisionally classified. As a result, the quality of the classification can be improved and / or a change in the spectrum can be detected.

Gemäß einem weiteren Aspekt wird das Spektrum hinsichtlich einer Modulation der Signale zumindest vorläufig klassifiziert. Insbesondere wird das Spektrum hinsichtlich der Modulation der Signale abschließend klassifiziert. Anders ausgedrückt wird mittels des künstlichen neuronalen Netzes vollautomatisch die Modulationsart der empfangenen elektromagnetischen Signale erkannt. Mit der bekannten Modulationsart können die Signale dann nachfolgend entsprechend für eine weitere Verarbeitung demoduliert werden.According to another aspect, the spectrum is in terms of a modulation of the signals at least provisionally classified. In particular, the spectrum is finally classified with regard to the modulation of the signals. In other words, the modulation type of the received electromagnetic signals is automatically detected by means of the artificial neural network. With the known modulation type, the signals can then be subsequently demodulated accordingly for further processing.

Generell ist es demnach möglich, dass das aus den elektromagnetischen Signalen bestimmte Spektrum mittels des künstlichen neuronalen Netzes vollständig klassifiziert wird, also ohne zwischengeschaltete Ermittlung der I/Q-Daten. Der Automatisierungsgrad erhöht sich hierdurch entsprechend.In general, it is therefore possible for the spectrum determined from the electromagnetic signals to be completely classified by means of the artificial neural network, that is to say without intermediately determining the I / Q data. The degree of automation increases accordingly.

Vorzugsweise werden zur Klassifizierung des Spektrums charakteristische Verläufe im Spektrum erkannt, insbesondere wobei eine Breite des charakteristischen Verlaufs bestimmt wird. Zu diesem Zweck können bestimmte Formen und/oder Ereignisse im Spektrum mittels des künstlichen neuronalen Netzes erkannt werden. Anders ausgedrückt kann mittels des künstlichen neuronalen Netzes eine Bildverarbeitung des Spektrums durchgeführt werden, um die charakteristischen Verläufe zu erkennen und zu identifizieren. Mittels des künstlichen neuronalen Netzes lässt sich die Bildverarbeitung vollautomatisch und zeitlich effizient durchführen, insbesondere in Echtzeit.Preferably, characteristic gradients in the spectrum are recognized for classifying the spectrum, in particular wherein a width of the characteristic profile is determined. For this purpose, certain forms and / or events in the spectrum can be detected by means of the artificial neural network. In other words, by means of the artificial neural network, image processing of the spectrum can be performed in order to recognize and identify the characteristic progressions. By means of the artificial neural network, image processing can be carried out fully automatically and efficiently over time, in particular in real time.

Das Spektrum, insbesondere ein Teilabschnitt des Spektrums, kann im Allgemeinen basierend auf einer spektralen Energiedichte zumindest vorläufig klassifiziert werden.The spectrum, in particular a subsection of the spectrum, can generally be classified at least provisionally based on a spectral energy density.

In einer Ausgestaltung der Erfindung wird das Spektrum mittels eines Convolutional Neural Networks (CNN) verarbeitet. Diese künstlichen neuronalen Netze eignen sich besonders gut für eine Bildverarbeitung des Spektrums und liefern auch bei schlechtem Signal-Rausch-Verhältnis eine zuverlässige (vorläufige) Klassifizierung des Spektrums. Zudem benötigen die Convolutional Neural Networks weniger Parameter, weswegen der Rechenaufwand reduziert und die Auflösung des Spektrums verbessert ist.In one embodiment of the invention, the spectrum is processed by means of a convolutional neural network (CNN). These artificial neural networks are particularly well suited for image processing of the spectrum and provide a reliable (preliminary) classification of the spectrum even with a poor signal-to-noise ratio. In addition, the Convolutional Neural Networks require fewer parameters, so the computational effort is reduced and the resolution of the spectrum is improved.

Ein weiterer Aspekt sieht vor, dass mittels des Convolutional Neural Networks eine Position eines charakteristischen Verlaufs innerhalb des Spektrums bestimmt wird. Bei dem Convolutional Neural Network kann es sich dementsprechend um ein (fast/faster) Regional Convolutional Neural Network (RCNN) oder um ein sogenanntes YOLO Convolutional Neural Network handeln. Wird zusätzlich eine Breite des charakteristischen Verlaufs bestimmt, so kann das entsprechende Merkmal oder Ereignis vollautomatisch zur weiteren Verarbeitung aus dem Spektrum ausgeschnitten werden, beispielsweise für eine genauere Klassifizierung. Speziell das YOLO Convolutional Neural Network hat den Vorteil, dass es wegen seiner Recheneffizienz besonders gut für eine schnelle Bildverarbeitung geeignet ist, insbesondere für eine Bildverarbeitung in Echtzeit.In another aspect, the Convolutional Neural Network determines a position of a characteristic curve within the spectrum. Accordingly, the Convolutional Neural Network can be a (fast / faster) Regional Convolutional Neural Network (RCNN) or a so-called YOLO Convolutional Neural Network. In addition, if a width of the characteristic curve is determined, then the corresponding feature or event can be cut out of the spectrum for further processing fully automatically, for example for a more accurate classification. Especially the YOLO Convolutional Neural Network has the advantage that, due to its computing efficiency, it is particularly well suited for fast image processing, especially for real-time image processing.

Die Aufgabe wird ferner erfindungsgemäß gelöst durch ein Verfahren zur Klassifizierung von elektromagnetischen Signalen, mit den folgenden Schritten: elektromagnetische Signale werden mittels eines erfindungsgemäßen Verfahrens zur Spektrumklassifizierung empfangen und vorklassifiziert; IQ-Daten („in-phase“ und „quadrature“-Daten, also Daten über Amplitude und Phase der elektromagnetischen Signale) des vorläufig klassifizierten Teilabschnitts des Spektrums werden bestimmt und verarbeitet; und zumindest der Teilabschnitt des Spektrums wird anhand der verarbeiteten IQ-Daten klassifiziert, insbesondere hinsichtlich der Modulation des Signals. Erfindungsgemäß erfolgt die vorläufige Spektrumklassifizierung mittels des künstlichen neuronalen Netzes, wie oben beschrieben, besonders schnell und effizient, insbesondere in automatisierter Weise. In diesem Schritt werden relevante Teilabschnitte des Spektrums vollautomatisch identifiziert, die anschließend einer genaueren Klassifizierung anhand der IQ-Daten des jeweiligen Teilabschnitts zugeführt werden, was ebenfalls automatisch geschehen kann. Dadurch kann die Qualität der Klassifizierung nochmals verbessert werden.The object is further achieved according to the invention by a method for the classification of electromagnetic signals, comprising the following steps: electromagnetic signals are received and pre-classified by means of a method according to the invention for spectrum classification; IQ data ("in-phase" and "quadrature" data, ie data on the amplitude and phase of the electromagnetic signals) of the provisionally classified subsection of the spectrum are determined and processed; and at least the subsection of the spectrum is classified on the basis of the processed IQ data, in particular with regard to the modulation of the signal. According to the invention, the preliminary spectrum classification by means of the artificial neural network, as described above, takes place particularly quickly and efficiently, in particular in an automated manner. In this step, relevant subsections of the spectrum are identified fully automatically, which are then fed to a more accurate classification on the basis of the IQ data of the respective subsection, which can also be done automatically. This can further improve the quality of the classification.

Vorzugsweise werden die IQ-Daten mittels eines künstlichen neuronalen Netzes verarbeitet, insbesondere mittels eines Convolutional Neural Networks. Die Klassifizierung des Teilabschnitts des Spektrums erfolgt gemäß dem erfindungsgemäßen Verfahren mittels des künstlichen neuronalen Netzes vollautomatisch, wobei die künstlichen neuronalen Netze selbstständig lernen können, die Teilabschnitte zu klassifizieren. Die Verarbeitung der IQ-Daten erfolgt mittels der künstlichen neuronalen Netze besonders schnell und kann dementsprechend in Echtzeit erfolgen. Die Verarbeitung der IQ-Daten mittels des künstlichen neuronalen Netzes liefert auch bei schlechtem Signal-Rausch-Verhältnis eine zuverlässige Klassifizierung des Spektrums. Alternativ oder zusätzlich können die IQ-Daten auch mittels Entscheidungsbäumen und/oder Entscheidungswäldern verarbeitet werden.Preferably, the IQ data is processed by means of an artificial neural network, in particular by means of a convolutional neural network. The classification of the subsection of the spectrum is carried out fully automatically according to the inventive method by means of the artificial neural network, wherein the artificial neural networks can learn independently to classify the subsections. The processing of the IQ data by means of the artificial neural networks particularly fast and can therefore be done in real time. The processing of the IQ data by means of the artificial neural network provides a reliable classification of the spectrum even with a poor signal-to-noise ratio. Alternatively or additionally, the IQ data can also be processed by means of decision trees and / or decision forests.

Die Aufgabe wird außerdem erfindungsgemäß gelöst durch eine Empfangsvorrichtung für elektromagnetische Signale mit einer Empfängereinheit und einer Signalverarbeitungseinheit, wobei die Empfängereinheit dazu ausgebildet ist, elektromagnetische Signale zu empfangen und an die Signalverarbeitungseinheit zu übertragen, und wobei die Signalverarbeitungseinheit dazu ausgebildet ist, ein Spektrum der elektromagnetischen Signale zu bestimmen und mittels eines künstlichen neuronalen Netzes wenigstens einen Teilabschnitt des Spektrums zumindest vorläufig zu klassifizieren, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum zumindest vorläufig klassifizieren. Insbesondere ist die Empfangsvorrichtung dazu eingerichtet, ein erfindungsgemäßes Verfahren zur Spektrumklassifizierung und/oder zur Klassifizierung von elektromagnetischen Signalen durchzuführen. Bezüglich der Vorteile wird auf die obigen Erläuterungen verwiesen.The object is also achieved according to the invention by a receiving device for electromagnetic signals with a receiver unit and a signal processing unit, wherein the receiver unit is adapted to receive electromagnetic signals and transmit to the signal processing unit, and wherein the signal processing unit is adapted to a spectrum of the electromagnetic signals to determine and at least provisionally classify by means of an artificial neural network at least a portion of the spectrum to at least provisionally classify an electromagnetic signal and / or an event in the spectrum. In particular, the receiving device is adapted to carry out a method according to the invention for the spectrum classification and / or for the classification of electromagnetic signals. With regard to the advantages, reference is made to the above explanations.

Ein Aspekt sieht vor, dass die Signalverarbeitungseinheit dazu eingerichtet ist, eine Bildverarbeitung des Signals durchzuführen, um das Spektrum zumindest vorläufig zu klassifizieren. Die Signalverarbeitungseinheit ist also insbesondere dazu ausgebildet, eine Bildverarbeitung des Signals mittels eines künstlichen neuronalen Netzes durchzuführen, vorzugsweise mittels eines Convolutional Neural Networks, weiter bevorzugt mittels eines (fast/faster) Regional Convolutional Neuronal Networks oder eines YOLO Convolutional Neural Networks. Die Bildverarbeitung mittels solcher künstlicher neuronaler Netze erfolgt vollautomatisch, also ohne einen menschlichen Operator, und besonders schnell und zuverlässig. Speziell das YOLO Convolutional Neural Network hat den Vorteil, dass es besonders für eine schnelle Bildverarbeitung geeignet ist, insbesondere für eine Bildverarbeitung in Echtzeit.One aspect provides that the signal processing unit is set up to perform an image processing of the signal in order to at least provisionally classify the spectrum. The signal processing unit is thus in particular designed to perform image processing of the signal by means of an artificial neural network, preferably by means of a convolutional neural network, more preferably by means of a (fast / faster) Regional Convolutional Neuronal Networks or a YOLO Convolutional Neural Networks. The image processing by means of such artificial neural networks is fully automatic, ie without a human operator, and particularly fast and reliable. Especially the YOLO Convolutional Neural Network has the advantage that it is particularly suitable for fast image processing, especially for image processing in real time.

Gemäß einer Ausgestaltung der Erfindung ist die Signalverarbeitungseinheit dazu eingerichtet, das Spektrum basierend auf einer spektralen Energiedichte zumindest vorläufig zu klassifizieren. Die Signalverarbeitungseinheit kann dazu ausgebildet sein, bestimmte Energiesignaturen im Spektrum zu erkennen, insbesondere mittels eines künstlichen neuronalen Netzes, um das Spektrum zumindest vorläufig zu klassifizieren. Beispielsweise ist die Signalverarbeitungseinheit dazu ausgebildet, eine qualitative oder quantitative Peak-Analyse des Spektrums durchzuführen.According to one embodiment of the invention, the signal processing unit is set up to classify the spectrum based on a spectral energy density at least provisionally. The signal processing unit can be designed to recognize certain energy signatures in the spectrum, in particular by means of an artificial neural network, in order to at least provisionally classify the spectrum. For example, the signal processing unit is designed to perform a qualitative or quantitative peak analysis of the spectrum.

Die Signalverarbeitungseinheit kann dazu ausgebildet sein, IQ-Daten des Spektrums zu bestimmen und zu verarbeiten und zumindest einen Teilabschnitt des Spektrums basierend auf den verarbeiteten IQ-Daten zu klassifizieren, insbesondere hinsichtlich der Modulation des Signals. Vorzugsweise ist die Signalverarbeitungseinheit dazu ausgebildet, die IQ-Daten mittels eines künstlichen neuronalen Netzes zu verarbeiten, insbesondere mittels eines Convolutional Neural Networks. Die Verarbeitung der IQ-Daten mittels des künstlichen neuronalen Netzes erfolgt vollautomatisch, besonders schnell (echtzeitfähig) und liefert auch bei schlechtem Signal-Rausch-Verhältnis eine zuverlässige Klassifizierung des Spektrums. Alternativ oder zusätzlich kann die Signalverarbeitungseinheit dazu eingerichtet sein, die IQ-Daten mittels Entscheidungsbäumen und/oder Entscheidungswäldern zu verarbeiten.The signal processing unit may be configured to determine and process IQ data of the spectrum and to classify at least a subsection of the spectrum based on the processed IQ data, in particular with regard to the modulation of the signal. Preferably, the signal processing unit is designed to process the IQ data by means of an artificial neural network, in particular by means of a convolutional neural network. The processing of the IQ data by means of the artificial neural network is fully automatic, very fast (real-time capable) and provides a reliable classification of the spectrum even with a poor signal-to-noise ratio. Alternatively or additionally, the signal processing unit may be configured to process the IQ data by means of decision trees and / or decision trees.

Weitere Vorteile und Eigenschaften der Erfindung ergeben sich aus der nachfolgenden Beschreibung und den Zeichnungen, auf die Bezug genommen wird. In diesen zeigen:

  • - 1 ein schematisches Ablaufdiagramm der Schritte eines erfindungsgemäßen Verfahrens zur Spektrumklassifizierung von elektromagnetischen Signalen;
  • - 2 ein beispielhaftes elektromagnetisches Spektrum;
  • - 3 ein schematisches Ablaufdiagramm der Schritte eines erfindungsgemäßen Verfahrens zur Klassifizierung von elektromagnetischen Signalen; und
  • - 4 schematisch eine erfindungsgemäße Empfangsvorrichtung.
Further advantages and features of the invention will become apparent from the following description and the drawings, to which reference is made. In these show:
  • - 1 a schematic flow diagram of the steps of a method according to the invention for spectrum classification of electromagnetic signals;
  • - 2 an exemplary electromagnetic spectrum;
  • - 3 a schematic flow diagram of the steps of a method according to the invention for the classification of electromagnetic signals; and
  • - 4 schematically a receiving device according to the invention.

Die nachfolgende ausführliche Beschreibung in Verbindung mit den beigefügten Zeichnungen, in denen mit gleichen Bezugszeichen auf gleiche Merkmale Bezug genommen wird, ist als Beschreibung verschiedener Ausführungsformen der Erfindung gedacht und soll nicht die einzig möglichen Ausführungsformen darstellen. Jede nachfolgend beschriebene Ausführungsform dient lediglich als Beispiel oder Illustration und soll nicht als bevorzugte oder vorteilhafte Ausführungsform gegenüber anderen Ausführungsformen verstanden werden. Die beschriebenen Beispiele sind nicht erschöpfend und sollen den beanspruchten Gegenstand nicht auf die konkreten Ausführungsbeispiele beschränken.The following detailed description, taken in conjunction with the accompanying drawings, in which like reference characters refer to like features, is intended to describe various embodiments of the invention and is not intended to represent the only possible embodiments. Each embodiment described below is merely an example or illustration and should not be construed as a preferred or advantageous embodiment over other embodiments. The examples described are not exhaustive and are not intended to limit the claimed subject matter to the specific embodiments.

In 4 ist schematisch eine Empfangsvorrichtung 10 für elektromagnetische Wellen gezeigt. Die Empfangsvorrichtung 10 ist dazu ausgebildet, elektromagnetische Wellen zu empfangen, insbesondere elektromagnetische Wellen aus einem gewissen Frequenzbereich. Die Empfangsvorrichtung 10 ist beispielsweise ein Breitbandempfänger.In 4 is schematically a receiving device 10 shown for electromagnetic waves. The receiving device 10 is designed to receive electromagnetic waves, in particular electromagnetic waves from a certain frequency range. The receiving device 10 is for example a broadband receiver.

Die Empfangsvorrichtung 10 weist eine Empfangseinheit 12 sowie eine Signalverarbeitungseinheit 14 auf. Die Empfangseinheit 12 ist dazu eingerichtet, elektromagnetische Wellen zu empfangen und an die Signalverarbeitungseinheit 14 zur weiteren Verarbeitung zu übertragen. Beispielsweise umfasst die Empfangseinheit 12 zumindest eine Antenne.The receiving device 10 has a receiving unit 12 and a signal processing unit 14 on. The receiving unit 12 is adapted to receive electromagnetic waves and to the signal processing unit 14 for further processing. By way of example, the receiving unit comprises 12 at least one antenna.

Insbesondere ist die Empfangsvorrichtung 10 dazu eingerichtet, ein im Folgenden beschriebenes Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen durchzuführen.In particular, the receiving device 10 configured to perform a method for spectrum classification of electromagnetic signals described below.

Zunächst werden mittels der Empfangseinheit 12 elektromagnetische Signale empfangen und die elektromagnetischen Signale werden an die Signalverarbeitungseinheit 14 übertragen, die ein Spektrum F der elektromagnetischen Signale bestimmt (Schritt S1). Bei dem Spektrum handelt es sich beispielsweise um eine Fourier-Transformierte, eine spektrale Energiedichte oder ein Wirkleistungsspektrum der elektromagnetischen Signale. First, by means of the receiving unit 12 receive electromagnetic signals and the electromagnetic signals are sent to the signal processing unit 14 transmit a spectrum F of the electromagnetic signals (step S1 ). The spectrum is, for example, a Fourier transform, a spectral energy density or an active power spectrum of the electromagnetic signals.

Ein beispielhafter Verlauf des Spektrums F ist in 2 gezeigt. Das Spektrum F ist eine Funktion der Frequenz f der elektromagnetischen Signale. Zudem kann das Spektrum F auch zeitlich veränderlich sein, was durch die Zeitkoordinatenachse t angedeutet ist. In diesem Fall handelt es sich bei dem Spektrum F also um ein Wasserfallspektrum F(f, t), das in 2 schematisch in einer Draufsicht gezeigt ist. Entsprechend kann vorgesehen sein, einen zeitlichen Verlauf des Spektrums F zu bestimmen. Dazu können in gewissen Zeitabständen Momentaufnahmen des Spektrums bestimmt werden, insbesondere kontinuierlich bzw. periodisch.An exemplary course of the spectrum F is in 2 shown. The spectrum F is a function of frequency f the electromagnetic signals. In addition, the spectrum can F also be temporally variable, which is due to the time coordinate axis t is indicated. In this case, it is the spectrum F So a waterfall spectrum F (f, t) , this in 2 is shown schematically in a plan view. Accordingly, it can be provided a temporal course of the spectrum F to determine. For this purpose, snapshots of the spectrum can be determined at certain intervals, in particular continuously or periodically.

Unter einem Spektrum ist im Folgenden sowohl eine Momentaufnahme des Spektrums als auch ein Wasserfallspektrum zu verstehen.In the following, a spectrum is to be understood as meaning both a snapshot of the spectrum and a waterfall spectrum.

Das Spektrum F wird nun mittels eines künstlichen neuronalen Netzes verarbeitet (Schritt S2). Demnach ist die Signalverarbeitungseinheit 14 dazu eingerichtet, das Spektrum F mittels eines künstlichen neuronalen Netzes zu verarbeiten. Bei dem künstlichen neuronalen Netz kann es sich um ein bekanntes künstliches neuronales Netz (beispielsweise AlexNet, VGG, ResNet oder GoogLeNet) oder um ein speziell für die Spektrumklassifizierung angepasstes künstliches neuronales Netz handeln. Insbesondere handelt es sich bei dem künstlichen neuronalen Netz um ein Convolutional Neural Network (CNN), ein (fast/faster) Regional Convolutional Neural Network (RCNN) oder ein YOLO Convolutional Neural Network.The spectrum F is now processed by means of an artificial neural network (step S2 ). Accordingly, the signal processing unit 14 adapted to process the spectrum F by means of an artificial neural network. The artificial neural network may be a known artificial neural network (eg AlexNet, VGG, ResNet or GoogLeNet) or an artificial neural network specifically adapted for spectrum classification. In particular, the artificial neural network is a Convolutional Neural Network (CNN), an (fast / faster) Regional Convolutional Neural Network (RCNN), or a YOLO Convolutional Neural Network.

In Schritt S2 wird mittels des künstlichen neuronalen Netzes wenigstens ein Teilabschnitt des Spektrums F wenigstens vorläufig klassifiziert, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum F zu erkennen und zumindest vorläufig zu klassifizieren, insbesondere hinsichtlich einer Modulation der elektromagnetischen Signale. Beispielsweise wird also in Schritt S2 zumindest vorläufig erkannt, gemäß welcher Modulationsart die elektromagnetischen Signale moduliert sind. Mit der bekannten Modulationsart können die Signale dann nachfolgend entsprechend demoduliert werden.In step S2 At least a subsection of the spectrum F is at least provisionally classified by the artificial neural network in order to detect and at least preliminarily classify an electromagnetic signal and / or an event in the spectrum F, in particular with regard to a modulation of the electromagnetic signals. For example, so in step S2 at least provisionally recognized according to which modulation type the electromagnetic signals are modulated. With the known modulation type, the signals can then be subsequently demodulated accordingly.

Um das Spektrum F zumindest vorläufig zu klassifizieren, können mittels des künstlichen neuronalen Netzes charakteristische Verläufe im Spektrum F erkannt werden. Beispiele für solche charakteristischen Verläufe sind in 2 in Form eines ersten Peaks 16 und eines zweiten Peaks 18 gezeigt. Die Peaks 16, 18 unterscheiden sich typischerweise unter anderem in folgenden Parametern: Höhe, (Halbwerts-) Breite, Form (zum Beispiel rechteckig, glockenförmig, etc.) und/oder zentrale Frequenz. Zur Klassifizierung des Spektrums F kann dementsprechend eine qualitative und/oder quantitative Peak-Analyse durchgeführt werden, insbesondere mittels des künstlichen neuronalen Netzes.To the spectrum F at least provisionally classify, by means of the artificial neural network characteristic courses in the spectrum F be recognized. Examples of such characteristic courses are in 2 in the form of a first peak 16 and a second peak 18 shown. The peaks 16 . 18 typically differ among others in the following parameters: height, (half-width) width, shape (for example, rectangular, bell-shaped, etc.) and / or central frequency. To classify the spectrum F Accordingly, a qualitative and / or quantitative peak analysis can be carried out, in particular by means of the artificial neural network.

Die charakteristischen Verläufe werden beispielsweise dadurch erkannt, dass mittels des künstlichen neuronalen Netzes im Wesentlichen eine Bildverarbeitung des Spektrums F durchgeführt wird, wobei charakteristische Formen im Verlauf des Spektrums F erkannt werden (angedeutet durch die gestrichelten Linien in 1). Diese charakteristischen Formen im Verlauf werden dazu genutzt, das Spektrum F wenigstens vorläufig zu klassifizieren, also die vom Spektrum F umfassten Signale und/oder Ereignisse.The characteristic curves are recognized, for example, by means of the artificial neural network essentially image processing of the spectrum F is performed, with characteristic shapes in the course of the spectrum F be recognized (indicated by the dashed lines in 1 ). These characteristic shapes in the course are used to classify the spectrum F at least provisionally, that is to say from the spectrum F included signals and / or events.

Insbesondere kann das Spektrum sogar abschließend klassifiziert werden.In particular, the spectrum can even be classified conclusively.

Es kann vorgesehen sein, dass eine Position der charakteristischen Verläufe innerhalb des Spektrums F ermittelt wird, insbesondere wobei auch eine Breite der charakteristischen Verläufe bestimmt wird. Anders ausgedrückt werden diejenigen Teilabschnitte des Spektrums F identifiziert und (vorläufig) klassifiziert, die charakteristische Verläufe aufweisen. Das künstliche neuronale Netz ist in dieser Variante dementsprechend derart gestaltet, dass es eine Bestimmung der Position und/oder der Breite der charakteristischen Verläufe erlaubt. Beispielsweise ist das künstliche neuronale Netz ein (fast/faster) Regional Convolutional Neural Network oder ein YOLO Convolutional Neural Network.It can be provided that a position of the characteristic curves within the spectrum F is determined, in particular wherein also a width of the characteristic curves is determined. In other words, those portions of the spectrum F identified and (provisionally) classified, which have characteristic courses. The artificial neural network in this variant is accordingly designed such that it allows a determination of the position and / or the width of the characteristic courses. For example, the artificial neural network is a (faster / faster) Regional Convolutional Neural Network or a YOLO Convolutional Neural Network.

Wurde in Schritt S2 das Spektrum lediglich vorläufig und nicht abschließend klassifiziert, so können die identifizierten Teilabschnitte, die charakteristische Verläufe aufweisen, aus dem Spektrum F isoliert weiterverarbeitet werden.Was in step S2 Classifying the spectrum only provisionally and not conclusively, the identified subsections, which have characteristic courses, can be processed further from the spectrum F in isolation.

Dazu werden IQ-Daten („in-phase“ und „quadrature“-Daten, also Daten über Amplitude und Phase der elektromagnetischen Signale) der vorläufig klassifizierten Teilabschnitte bestimmt und mittels der Signalverarbeitungseinheit 14 verarbeitet (Schritt S3), wie in 3 gezeigt. Gemäß einer Variante werden die IQ-Daten mittels eines künstlichen neuronalen Netzes verarbeitet, insbesondere mittels eines der oben genannten Convolutional Neural Networks.For this purpose, IQ data ("in-phase" and "quadrature" data, ie data on amplitude and phase of the electromagnetic signals) of the provisionally classified sections are determined and by means of the signal processing unit 14 processed (step S3 ), as in 3 shown. According to a variant, the IQ data are processed by means of an artificial neural network, in particular by means of one of the above-mentioned Convolutional Neural Networks.

Alternativ oder zusätzlich können die IQ-Daten auch mittels Entscheidungsbäumen und/oder Entscheidungswäldern verarbeitet werden, um die Teilabschnitte zu klassifizieren.Alternatively or additionally, the IQ data may also be processed by decision trees and / or decision trees to classify the subsections.

Durch die Verarbeitung der IQ-Daten kann die Genauigkeit der Klassifizierung des Spektrums F, beispielsweise hinsichtlich der Modulation der elektromagnetischen Signale, nochmals verbessert werden.By processing the IQ data can improve the accuracy of the classification of the spectrum F , for example, with respect to the modulation of the electromagnetic signals, be further improved.

Sofern die Signale und/oder Ereignisse des Spektrums bereits im Schritt S2 vollständig klassifiziert worden sind, entfällt der Schritt S3, sodass die IQ-Daten nicht mehr bestimmt werden müssen, um die Signale und/oder Ereignisse abschließend zu klassifizieren. Es liegt dann eine sogenannte Ende-zu-Ende Klassifizierung (end-to-end) vor.Provided the signals and / or events of the spectrum already in step S2 have been fully classified, the step is omitted S3 so that the IQ data no longer need to be determined to finally classify the signals and / or events. There is then a so-called end-to-end classification (end-to-end).

Claims (11)

Verfahren zur Spektrumklassifizierung von elektromagnetischen Signalen, mit den folgenden Schritten: - Empfangen von elektromagnetischen Signalen; - Bestimmen eines Spektrums (F) der elektromagnetischen Signale; und - Verarbeiten des Spektrums (F) mittels eines künstlichen neuronalen Netzes; wobei zumindest ein Teilabschnitt des Spektrums (F) mittels des künstlichen neuronalen Netzes wenigstens vorläufig klassifiziert wird, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum (F) zumindest vorläufig zu klassifizieren.Method for spectrum classification of electromagnetic signals, comprising the following steps: - receiving electromagnetic signals; - determining a spectrum (F) of the electromagnetic signals; and - processing the spectrum (F) by means of an artificial neural network; wherein at least a portion of the spectrum (F) is at least provisionally classified by the artificial neural network to at least provisionally classify an electromagnetic signal and / or an event in the spectrum (F). Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein zeitlicher Verlauf des Spektrums (F) bestimmt wird.Method according to Claim 1 , characterized in that a temporal course of the spectrum (F) is determined. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Spektrum (F) hinsichtlich einer Modulation der Signale zumindest vorläufig klassifiziert wird.Method according to Claim 1 or 2 , characterized in that the spectrum (F) is classified at least provisionally with regard to a modulation of the signals. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Klassifizierung des Spektrums (F) charakteristische Verläufe im Spektrum (F) erkannt werden, insbesondere wobei eine Breite des charakteristischen Verlaufs bestimmt wird.Method according to one of the preceding claims, characterized in that for the classification of the spectrum (F) characteristic curves in the spectrum (F) are detected, in particular wherein a width of the characteristic curve is determined. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Spektrum (F) mittels eines Convolutional Neural Networks verarbeitet wird, insbesondere wobei mittels des Convolutional Neural Networks eine Position eines charakteristischen Verlaufs innerhalb des Spektrums (F) bestimmt wird.Method according to one of the preceding claims, characterized in that the spectrum (F) is processed by means of a convolutional neural network, in particular wherein a position of a characteristic curve within the spectrum (F) is determined by means of the convolutional neural network. Verfahren zur Klassifizierung von elektromagnetischen Signalen, mit den folgenden Schritten: - Empfangen und Vorklassifizieren von elektromagnetischen Signalen mittels eines Verfahrens zur Spektrumklassifizierung gemäß einem der vorhergehenden Ansprüche; - Bestimmen und Verarbeiten von IQ-Daten des vorläufig klassifizierten Teilabschnitts des Spektrums (F); und - Klassifizieren zumindest des Teilabschnitts des Spektrums (F) anhand der verarbeiteten IQ-Daten, insbesondere hinsichtlich der Modulation des Signals.Method for classifying electromagnetic signals, comprising the following steps: - Receiving and preclassifying electromagnetic signals by means of a method for spectrum classification according to one of the preceding claims; Determining and processing IQ data of the tentatively classified subsection of the spectrum (F); and Classifying at least the subsection of the spectrum (F) on the basis of the processed IQ data, in particular with regard to the modulation of the signal. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die IQ-Daten mittels eines künstlichen neuronalen Netzes verarbeitet werden, insbesondere mittels eines Convolutional Neural Networks.Method according to Claim 6 , characterized in that the IQ data are processed by means of an artificial neural network, in particular by means of a convolutional neural network. Empfangsvorrichtung (10) für elektromagnetische Signale, mit einer Empfängereinheit (12) und einer Signalverarbeitungseinheit (14), wobei die Empfängereinheit (12) dazu ausgebildet ist, elektromagnetische Signale zu empfangen und an die Signalverarbeitungseinheit (14) zu übertragen, und wobei die Signalverarbeitungseinheit (14) dazu ausgebildet ist, ein Spektrum (F) der elektromagnetischen Signale zu bestimmen und mittels eines künstlichen neuronalen Netzes wenigstens einen Teilabschnitt des Spektrums (F) zumindest vorläufig zu klassifizieren, um ein elektromagnetisches Signal und/oder ein Ereignis im Spektrum (F) zumindest vorläufig zu klassifizieren.A receiving device (10) for electromagnetic signals, comprising a receiver unit (12) and a signal processing unit (14), wherein the receiver unit (12) is adapted to receive and transmit electromagnetic signals to the signal processing unit (14), and wherein the signal processing unit ( 14) is adapted to determine a spectrum (F) of the electromagnetic signals and classify by means of an artificial neural network at least a portion of the spectrum (F) at least provisionally, at least one electromagnetic signal and / or an event in the spectrum (F) provisionally classify. Empfangsvorrichtung (10) nach Anspruch 8, dadurch gekennzeichnet, dass die Signalverarbeitungseinheit (14) dazu eingerichtet ist, eine Bildverarbeitung des Signals durchzuführen, um das Spektrum (F) zumindest vorläufig zu klassifizieren.Receiving device (10) after Claim 8 , characterized in that the signal processing unit (14) is adapted to perform image processing of the signal to at least provisionally classify the spectrum (F). Empfangsvorrichtung (10) nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass die Signalverarbeitungseinheit (14) dazu eingerichtet ist, das Spektrum (F) basierend auf einer spektralen Energiedichte zumindest vorläufig zu klassifizieren.Receiving device (10) after Claim 8 or 9 , characterized in that the signal processing unit (14) is adapted to classify the spectrum (F) based on a spectral energy density at least provisionally. Empfangseinrichtung (10) nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, dass die Signalverarbeitungseinheit (14) dazu ausgebildet ist, IQ-Daten des Spektrums (F) zu bestimmen und zu verarbeiten und zumindest einen Teilabschnitt des Spektrums (F) basierend auf den verarbeiteten IQ-Daten zu klassifizieren, insbesondere hinsichtlich der Modulation des Signals.Receiving device (10) according to one of Claims 8 to 10 characterized in that the signal processing unit (14) is adapted to determine and process IQ data of the spectrum (F) and to classify at least a portion of the spectrum (F) based on the processed IQ data, in particular in terms of modulation the signal.
DE102017129168.7A 2017-12-07 2017-12-07 Spectrum classification method, classification method and receiving device Pending DE102017129168A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102017129168.7A DE102017129168A1 (en) 2017-12-07 2017-12-07 Spectrum classification method, classification method and receiving device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102017129168.7A DE102017129168A1 (en) 2017-12-07 2017-12-07 Spectrum classification method, classification method and receiving device

Publications (1)

Publication Number Publication Date
DE102017129168A1 true DE102017129168A1 (en) 2019-06-13

Family

ID=66629450

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102017129168.7A Pending DE102017129168A1 (en) 2017-12-07 2017-12-07 Spectrum classification method, classification method and receiving device

Country Status (1)

Country Link
DE (1) DE102017129168A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3825703A1 (en) 2019-11-20 2021-05-26 Rohde & Schwarz GmbH & Co. KG Method and system for detecting and/or classifying a wanted signal
US11316542B2 (en) 2020-08-10 2022-04-26 Rohde & Schwarz Gmbh & Co. Kg Signal analysis method and signal analysis module

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3825703A1 (en) 2019-11-20 2021-05-26 Rohde & Schwarz GmbH & Co. KG Method and system for detecting and/or classifying a wanted signal
US11316542B2 (en) 2020-08-10 2022-04-26 Rohde & Schwarz Gmbh & Co. Kg Signal analysis method and signal analysis module

Similar Documents

Publication Publication Date Title
DE102017210105B4 (en) DEVICE AND METHOD FOR RADAR SIGNAL PROCESSING
EP2657664B1 (en) Method for determining the fill level of a medium and corresponding apparatus
DE102012000049A1 (en) Method and radar device for detecting a target object
DE102014226073A1 (en) Method and device for operating a radar system of a motor vehicle
EP3112894A1 (en) Method for the automatic classification of radar objects
EP0544991B1 (en) Method for the automatic classification of digitally modulated signals, and apparatus to carry out the method
DE102017129168A1 (en) Spectrum classification method, classification method and receiving device
DE102021124796A1 (en) Method for detecting interference in a radar signal disturbed by interference
DE102017119182B4 (en) Method and device for computationally efficient target detection and tracking using a radar
DE102018222195A1 (en) Location and / or classification of objects from radar data with machine learning
DE102019211459B4 (en) Method and device for checking a calibration of environmental sensors
EP3740777B1 (en) Method and device for correcting a radar signal, and radar device
DE102019216017A1 (en) Method and device for processing a Doppler range matrix and radar system
DE102016123207A1 (en) Method for detecting a disturbance in a radar signal
EP3547481B1 (en) Method for monitoring an electrical grid
WO2023046441A1 (en) Method for reconstructing a spectrum from a radar signal disrupted by interference
EP3018490B1 (en) Method for detecting interference in a received signal in a radar sensor of a motor vehicle, computing device, driver assistance system, motor vehicle and computer program product
DE102020127244A1 (en) Direction-finding system and method for locating an interference signal in a high-frequency signal
EP2699933B1 (en) Method and device for determining target parameters
WO2020069922A1 (en) Method for providing object information from static objects in surroundings of a vehicle
DE19925580B4 (en) Level and bearing angle-based detection and segmentation of programs in the HF range
EP0948172A2 (en) Method of automatic, clock-free, recognition of modulation type
EP1489557A2 (en) Method for adaptive edge detection
EP2732308B1 (en) Method for detecting measuring errors or artifacts in weather radar images
DE69009584T2 (en) Method and device for spectral analysis with high resolution for non-stationary signals in an electromagnetic detection system.

Legal Events

Date Code Title Description
R012 Request for examination validly filed