DE102019100320A1 - DF method and DF system - Google Patents
DF method and DF system Download PDFInfo
- Publication number
- DE102019100320A1 DE102019100320A1 DE102019100320.2A DE102019100320A DE102019100320A1 DE 102019100320 A1 DE102019100320 A1 DE 102019100320A1 DE 102019100320 A DE102019100320 A DE 102019100320A DE 102019100320 A1 DE102019100320 A1 DE 102019100320A1
- Authority
- DE
- Germany
- Prior art keywords
- signal
- neural network
- artificial neural
- bearing
- sample
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/143—Systems for determining direction or deviation from predetermined direction by vectorial combination of signals derived from differently oriented antennae
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/023—Monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/04—Details
- G01S3/10—Means for reducing or compensating for quadrantal, site, or like errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
Abstract
Ein Peilverfahren hat die folgenden Schritte:a) Empfangen von einem Signal mittels wenigstens zwei Antennenelementen (12) durch mehrere Empfänger (14) und Digitalisieren des empfangenen Signals, wobei wenigstens ein Sample (S) des empfangenen Signals erhalten wird, das jeweils wenigstens einen Messwert (x, x) der Empfänger (14) enthält,b) Detektieren von wenigstens einem Signalpuls im empfangenen Signal, wobei Rauschen verworfen wird,c) Vorverarbeiten des wenigstens einen Samples (S) des empfangenen Signals durch Bestimmen einer komplexen Kovarianzmatrix (M) des wenigstens einen Samples (S),d) Konvertieren der komplexen Kovarianzmatrix (M) in einen reellwertigen Vektor (V), unde) Zuführen des Vektors (V) zu einem künstlichen neuronalen Netzwerk (26), wobei das künstliche neuronale Netzwerk (26) den Einfallswinkel des Signals, eine Angabe zur Qualität des Signals und/oder eine Angabe zur Konfidenz der Peilung bestimmt.Ferner ist ein Peilsystem (10) gezeigt.A direction finding method has the following steps: a) Receiving a signal by means of at least two antenna elements (12) by a plurality of receivers (14) and digitizing the received signal, at least one sample (S) of the received signal being obtained, each of which has at least one measured value (x, x) the receiver (14) contains, b) detecting at least one signal pulse in the received signal, whereby noise is rejected, c) preprocessing the at least one sample (S) of the received signal by determining a complex covariance matrix (M) at least one sample (S), d) converting the complex covariance matrix (M) into a real vector (V), unde) supplying the vector (V) to an artificial neural network (26), the artificial neural network (26) den The angle of incidence of the signal, an indication of the quality of the signal and / or an indication of the confidence of the bearing are determined. A bearing system (10) is also shown.
Description
Die Erfindung betrifft ein Peilverfahren sowie ein Peilsystem mit wenigstens zwei Antennenelementen.The invention relates to a DF method and a DF system with at least two antenna elements.
Bekannte Peilverfahren sind sehr komplex und sind daher ressourcenintensiv bei akzeptabler Performance. Dies führt unter anderem zu großen Systemen. Insbesondere für mobile Peilsysteme ist jedoch eine kompakte Bauweise wünschenswert.Known DF methods are very complex and are therefore resource-intensive with acceptable performance. Among other things, this leads to large systems. However, a compact design is desirable in particular for mobile direction finding systems.
Es ist daher Aufgabe der Erfindung, ein Peilverfahren sowie ein Peilsystem bereitzustellen, die einen niedrigeren Ressourcenverbrauch bei gleichbleibender Performance aufweisen.It is therefore an object of the invention to provide a DF method and a DF system which have a lower resource consumption with constant performance.
Die Aufgabe wird gelöst durch ein Peilverfahren mittels eines Peilsystems, das wenigstens eine Antenneneinheit mit wenigstens zwei Antennenelementen und wenigstens zwei Empfängern, die je einem der Antennenelemente zugeordnet sind, und ein Maschinenlernmodul mit einem künstlichen neuronalen Netzwerk aufweist. Das Verfahren umfasst dabei die folgenden Schritte:
- a) Empfangen von einem Signal mittels der wenigstens zwei Antennenelemente durch die Empfänger und Digitalisieren des empfangenen Signals, wobei wenigstens ein Sample des empfangenen Signals erhalten wird, das jeweils wenigstens einen Messwert der Empfänger enthält,
- b) Detektieren von wenigstens einem Signalpuls im empfangenen Signal, wobei Rauschen verworfen wird,
- c) Vorverarbeiten des wenigstens einen Samples des empfangenen Signals durch Bestimmen einer komplexen Kovarianzmatrix des wenigstens einen Samples,
- d) Konvertieren der komplexen Kovarianzmatrix in einen reellwertigen Vektor, und
- e) Zuführen des Vektors zu dem künstlichen neuronalen Netzwerk des Maschinenlernmoduls, wobei das künstliche neuronale Netzwerk den Einfallswinkel des Signals, eine Angabe zur Qualität des Signals und/oder eine Angabe zur Konfidenz der Peilung bestimmt.
- a) Receiving a signal by means of the at least two antenna elements by the receivers and digitizing the received signal, at least one sample of the received signal being obtained, each of which contains at least one measured value of the receivers,
- b) detecting at least one signal pulse in the received signal, noise being rejected,
- c) preprocessing the at least one sample of the received signal by determining a complex covariance matrix of the at least one sample,
- d) converting the complex covariance matrix into a real vector, and
- e) supplying the vector to the artificial neural network of the machine learning module, the artificial neural network determining the angle of incidence of the signal, an indication of the quality of the signal and / or an indication of the bearing confidence.
Durch die Verwendung eines künstlichen neuronalen Netzwerks, das insbesondere nur reellwertige Eingangswerte erhält, wird die Komplexität des Peilverfahrens reduziert, wodurch der Ressourcenverbrauch ebenfalls reduziert werden kann, ohne dass Performanceeinbußen eintreten. Dies ermöglicht zum einen eine verbesserte Performance bei unverändertem Ressourceneinsatz, aber andererseits auch eine höhere Integrationsdichte und damit eine kompaktere Bauweise bei gleichbleibender Performance. Dadurch kann die Baugröße von Peilsystemen, insbesondere mobilen Peilsystemen, verringert werden.By using an artificial neural network, which in particular only receives real-value input values, the complexity of the direction finding process is reduced, as a result of which the resource consumption can also be reduced without any loss of performance. On the one hand, this enables an improved performance with unchanged use of resources, but on the other hand also a higher integration density and therefore a more compact design with constant performance. As a result, the size of DF systems, in particular mobile DF systems, can be reduced.
Das Signal bzw. die Messwerte des Signals können mittels I-Daten und Q-Daten ausgedrückt werden (In-Phase-&-Quadrature-Verfahren).The signal or the measured values of the signal can be expressed using I data and Q data (in-phase & quadrature method).
Der reellwertige Vektor ist zum Beispiel doppelt so lang, wie die Anzahl an Elementen, die in der komplexen Kovarianzmatrix enthalten sind.For example, the real-valued vector is twice as long as the number of elements contained in the complex covariance matrix.
Der Einfallswinkel bzw. die Peilung kann den Azimut und die Elevation beinhalten.The angle of incidence or the bearing can include the azimuth and the elevation.
Zum Beispiel wird sämtliches Rauschen verworfen.For example, all noise is discarded.
Zur weiteren Verbesserung der Performance kann aus dem Signal oder dem Messwert ein vorbestimmtes Frequenzband zur weiteren Verarbeitung ausgewählt werden. Dies kann bereits durch die Empfänger geschehen. Zum Beispiel sind die Messwerte die Antennenspannungen.To further improve the performance, a predetermined frequency band can be selected from the signal or the measured value for further processing. This can already be done by the recipient. For example, the measured values are the antenna voltages.
Das vorbestimmte Frequenzband ist dabei beispielsweise vom Benutzer vorausgewählt.The predetermined frequency band is preselected by the user, for example.
Vorzugsweise enthält das wenigstens eine Sample Messwerte jedes der wenigstens zwei Empfänger, wodurch die Signalinformationen jedes Antennenelementes zur Bestimmung der Peilung verwendet werden.The at least one sample preferably contains measured values from each of the at least two receivers, as a result of which the signal information of each antenna element is used to determine the bearing.
In einer Ausgestaltung der Erfindung wird ein pulsbeschreibendes Datenwort für den Signalpuls, insbesondere für jeden Signalpuls bestimmt, wodurch das Signal genau beschrieben wird.In one embodiment of the invention, a pulse-describing data word is determined for the signal pulse, in particular for each signal pulse, as a result of which the signal is precisely described.
Ein pulsbeschreibendes Datenwort (PDW) wird auch „pulse descriptor word“ genannt.A pulse describing data word (PDW) is also called "pulse descriptor word".
In einer Ausführungsform der Erfindung enthält die Angabe über die Qualität des Signals einen geschätzten Fehler beim Signalempfang und/oder die Polarisation des Signals und/oder die Angabe zur Konfidenz enthält einen geschätzten Fehler des Einfallswinkels. Auf diese Weise lässt sich das Signal eindeutig klassifizieren.In one embodiment of the invention, the information about the quality of the signal contains an estimated error in signal reception and / or the polarization of the signal and / or the information about the confidence contains an estimated error of the angle of incidence. In this way, the signal can be clearly classified.
Um die Komplexität des Peilverfahrens weiter zu verringern und um die Genauigkeit zu erhöhen, können dem Vektor weitere Informationen beigefügt werden, insbesondere die Frequenz des Signals und/oder die Signalstärke des Signals.In order to further reduce the complexity of the direction finding process and to increase the accuracy, further information can be added to the vector, in particular the frequency of the signal and / or the signal strength of the signal.
In einer Ausführungsform der Erfindung wird das von jedem der wenigstens zwei Empfänger empfangene Signal über die entsprechende Empfangsdauer integriert, wodurch ein akkumuliertes Sample, insbesondere ein akkumulierter Messwert je Antennenelement erhalten wird. Dadurch kann die Genauigkeit der Peilung weiter verbessert werden.In one embodiment of the invention, the signal received by each of the at least two receivers is integrated over the corresponding reception duration, as a result of which an accumulated sample, in particular an accumulated measured value, is generated Antenna element is obtained. This can further improve the accuracy of the bearing.
Dabei kann das akkumulierte Sample genauso wie die zuvor beschriebenen Samples weiterverarbeitet werden.The accumulated sample can be processed in the same way as the previously described samples.
Beispielsweise stellt die letzte Lage des künstlichen neuronalen Netzwerks eine Softmax-Funktion bereit und/oder kombiniert die I-Daten und Q-Daten des Signals. Dadurch kann die Ausgabe des künstlichen neuronalen Netzwerks vereinfacht werden.For example, the last layer of the artificial neural network provides a soft max function and / or combines the I data and Q data of the signal. This can simplify the output of the artificial neural network.
In einem Aspekt der Erfindung wird das künstliche neuronale Netzwerk mit Soll-Trainingsdaten trainiert, wobei die Soll-Trainingsdaten gemessene Signale und/oder synthetische Signale sowie Informationen zu den tatsächlichen Signaleigenschaften, insbesondere dem tatsächlichen Einfallswinkel des Signals, der Qualität des Signals und/oder der Konfidenz der Peilung umfassen. Dabei werden folgende Trainingsschritte durchgeführt:
- - Vorwärtsspeisen des künstlichen neuronalen Netzwerks mit den Soll-Trainingsdaten,
- - Bestimmen der Signaleigenschaften mittels des künstlichen neuronalen Netzwerks,
- - Ermitteln eines Fehlers zwischen den bestimmten Signaleigenschaften und den tatsächlichen Signaleigenschaften, und
- - Ändern von Gewichtungsfaktoren des künstlichen neuronalen Netzwerks durch Rückwärtsspeisen des künstlichen neuronalen Netzwerks mit dem Fehler.
- - feeding the artificial neural network with the target training data,
- Determining the signal properties by means of the artificial neural network,
- Determining an error between the specific signal properties and the actual signal properties, and
- - Changing weighting factors of the artificial neural network by feeding back the artificial neural network with the error.
Auf diese Weise kann die Genauigkeit der Peilung stark verbessert werden.In this way, the accuracy of the bearing can be greatly improved.
In einer weiteren Ausführungsform der Erfindung wird der bestimmte Einfallswinkel des Signals, die Angabe zur Qualität des Signals und/oder die Angabe zur Konfidenz der Peilung einem Auswertemodul des Peilsystems bereitgestellt, wodurch weitere Verarbeitungsschritte möglich sind.In a further embodiment of the invention, the determined angle of incidence of the signal, the information on the quality of the signal and / or the information on the confidence of the bearing are made available to an evaluation module of the direction-finding system, as a result of which further processing steps are possible.
Zum Beispiel werden die Angaben und/oder der Einfallswinkel als Vorklassifizierung (Pre-Classifier) für ein bekanntes Peilverfahrens verwendet, zum Beispiel ein Peilverfahren basierend auf der Maximum-Likelihood-Methode.For example, the information and / or the angle of incidence are used as a pre-classifier for a known DF method, for example a DF method based on the maximum likelihood method.
Ferner wird die Aufgabe gelöst durch ein Peilsystem mit wenigstens einer Antenneneinheit, die wenigstens zwei Antennenelemente, wenigstens zwei Empfänger, die je einem der Antennenelemente zugeordnet sind, und wenigstens zwei Analog-digital-Wandler zur Digitalisierung des Signals, die jeweils einem der Empfänger zugeordnet sind, aufweist, einem Maschinenlernmodul mit einem künstlichen neuronalen Netzwerk und einer Steuereinheit. Die Empfänger sind dazu eingerichtet, ein Signal am jeweiligen Antennenelement zu empfangen und daraus ein vorbestimmtes Frequenzband auszuwählen. Die Steuereinheit ist dazu eingerichtet, das Peilsystem zur Durchführung eines zuvor beschriebenen, erfindungsgemäßen Verfahrens zu steuern.Furthermore, the object is achieved by a direction finding system with at least one antenna unit, the at least two antenna elements, at least two receivers, each associated with one of the antenna elements, and at least two analog-digital converters for digitizing the signal, each associated with one of the receivers , has a machine learning module with an artificial neural network and a control unit. The receivers are set up to receive a signal at the respective antenna element and to select a predetermined frequency band therefrom. The control unit is set up to control the direction finder system for carrying out a previously described method according to the invention.
Die Merkmale und Vorteile, die zum Peilverfahren beschrieben wurden, gelten gleichermaßen für das Peilsystem und umgekehrt.The features and advantages described for the DF method apply equally to the DF system and vice versa.
Beispielsweise weist das künstliche neuronale Netzwerk wenigstens eine vollständig verbundene Lage auf, um die Klassifizierung und/oder Bestimmung der Peilung weiter zu verbessern.For example, the artificial neural network has at least one completely connected position in order to further improve the classification and / or determination of the bearing.
Das künstliche neuronale Netzwerk kann ein Convolutional Neural Network (CNN) sein.The artificial neural network can be a convolutional neural network (CNN).
In einer Ausgestaltung der Erfindung ist das Maschinenlernmodul ein Field Programmable Gate Array (FPGA), ein Mikrocontroller oder ein Grafikprozessor (GPU), wodurch kompakte Bauweisen erreicht werden.In one embodiment of the invention, the machine learning module is a field programmable gate array (FPGA), a microcontroller or a graphics processor (GPU), as a result of which compact designs are achieved.
Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung sowie aus den beigefügten Zeichnungen, auf die Bezug genommen wird. In den Zeichnungen zeigen:
- -
1 ein erfindungsgemäßes Peilsystem, - -
2 ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens, und - -
3 eine mathematische Veranschaulichung von Teilen des Verfahrens nach2 .
- -
1 a bearing system according to the invention, - -
2nd a flowchart of a method according to the invention, and - -
3rd a mathematical illustration of parts of the method according to2nd .
In
Das Peilsystem
Das Peilsystem
Das Vorverarbeitungsmodul
Das Maschinenlernmodul
Das Maschinenlernmodul
Die letzte Lage
Die Empfänger
Die Analog-digital-Wandler
Außerdem sind die Empfänger
Zur Peilung ist die Steuereinheit
In
Ein Signal einer zu peilenden Signalquelle trifft auf die Antennenelemente
Außerdem wird in diesem ersten Schritt
Wie in
Die Messwerte sind zum Beispiel die Antennenspannung des jeweiligen Antennenelements
Die Messwerte
Die Samples
Im nächsten Schritt
Gut zu erkennen ist, dass die Kovarianzmatrix
In der dritten Darstellung in
Im nächsten Schritt
Dies geschieht abermals unter Zuhilfenahme bekannter Verfahren und Algorithmen. Again, this is done with the help of known methods and algorithms.
Der reellwertige Vektor
Außerdem können dem Vektor
Dies ist im gezeigten Ausführungsbeispiel beispielsweise die Frequenz
Denkbar sind jedoch auch andere Parameter, die zur Bestimmung der Peilung hilfreich sind.However, other parameters are also conceivable that are helpful for determining the bearing.
Der auf diese Weise erhaltene reellwertige Vektor
Das künstliche neuronale Netzwerk
Die letzte Lage
Zusätzlich kann das künstliche neuronale Netzwerk
Die Peilung und die Angaben zur Qualität und/oder zur Konfidenz können dann mittels der Ausgabeeinheit
Die Peilung, die Angabe zur Qualität des Signals und/oder die Angabe zur Konfidenz der Peilung können dem Nachverarbeitungsmodul
Das Nachverarbeitungsmodul
Denkbar ist auch, dass die bestimmte Peilung, die Angaben zur Qualität und/oder Konfidenz im Nachverarbeitungsmodul
Wie in
In dem Trainingsschritt T werden zunächst dem künstlichen neuronalen Netzwerk
Zudem enthalten die Soll-Trainingsdaten Informationen zu den tatsächlichen Signaleigenschaften, das heißt dem tatsächlichen Einfallswinkel des Signals, der Qualität des Signals und/oder der Konfidenz der Peilung. Die Soll-Trainingsdaten enthalten somit ein Signal, wie es von den Antennenelementen
Das künstliche neuronale Netzwerk
Anschließend wird nun der Fehler zwischen den vom künstlichen neuronalen Netzwerk
Diese Schritte werden mit verschiedenen Soll-Trainingsdaten wiederholt, bis der ermittelte Fehler ausreichend gering ist. Selbstverständlich muss der Fehler für die Anwendung der Vorklassifizierung nicht so klein sein, als wenn das künstliche neuronale Netzwerk
Denkbar ist es auch, dass nicht einzelne Samples
Das akkumulierte Sample
Auf diese Weise lässt sich die Peilung mittels eines künstlichen neuronalen Netzwerks
Claims (13)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019100320.2A DE102019100320A1 (en) | 2019-01-08 | 2019-01-08 | DF method and DF system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019100320.2A DE102019100320A1 (en) | 2019-01-08 | 2019-01-08 | DF method and DF system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019100320A1 true DE102019100320A1 (en) | 2020-07-09 |
Family
ID=71104160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019100320.2A Pending DE102019100320A1 (en) | 2019-01-08 | 2019-01-08 | DF method and DF system |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019100320A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734012A (en) * | 2021-01-07 | 2021-04-30 | 北京灵汐科技有限公司 | Impulse neural network training method, data processing method, electronic device, and medium |
CN113030841A (en) * | 2021-01-07 | 2021-06-25 | 屠勇刚 | Radio direction finding method, device and readable storage medium |
-
2019
- 2019-01-08 DE DE102019100320.2A patent/DE102019100320A1/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734012A (en) * | 2021-01-07 | 2021-04-30 | 北京灵汐科技有限公司 | Impulse neural network training method, data processing method, electronic device, and medium |
CN113030841A (en) * | 2021-01-07 | 2021-06-25 | 屠勇刚 | Radio direction finding method, device and readable storage medium |
CN112734012B (en) * | 2021-01-07 | 2024-03-05 | 北京灵汐科技有限公司 | Impulse neural network training method, data processing method, electronic equipment and medium |
CN113030841B (en) * | 2021-01-07 | 2024-04-02 | 屠勇刚 | Radio direction finding method, device and readable storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE202017102238U1 (en) | Aktorsteuerungssystem | |
DE202017102235U1 (en) | training system | |
DE2825110A1 (en) | METHOD OF DETECTING CONTINUOUS VOICE SIGNALS | |
DE19511752A1 (en) | Process for high-resolution evaluation of signals for one- or two-dimensional direction or frequency estimation | |
DE2825082A1 (en) | METHOD OF VOICE RECOGNITION | |
DE102019100320A1 (en) | DF method and DF system | |
DE69815390T2 (en) | NEURONAL NETWORKS | |
DE102010028510A1 (en) | Device for determining physical quantity e.g. position from erroneous measured values, has evidence determiner which determines overall evidence for measured values based on redundancy contained in subgroup | |
DE3744691A1 (en) | Assessing method for received radar pulses | |
DE2021126B2 (en) | Speech recognition arrangement | |
DE102021128769A1 (en) | Direction finding method and direction finding system | |
EP0048865B1 (en) | Method of recognizing digital data when using a digital data transmission, particularly a data transmission in mobile radio communication systems | |
DE2845164C2 (en) | Target location and distance measuring system | |
DE19627218B4 (en) | radar device | |
EP0048866B1 (en) | Method of recognizing digital data when using a digital data transmission, particularly a data transmission in mobile radio communication systems | |
EP0048859A1 (en) | Method of recognizing digital data when using a digital data transmission, particularly a data transmission in mobile radio communication systems | |
DE19956625C2 (en) | Real-time data sorting and reduction | |
DE102013217707A1 (en) | Measuring device and measuring method for determining an active channel | |
EP1584943B1 (en) | High resolution direction finding method with broad band FFT sensors | |
DE3825661C2 (en) | DF arrangement with several directional antennas | |
EP0834859B1 (en) | Method for determining an acoustic model for a word | |
DE102010056526A1 (en) | Method for determining one or more relative directions as target bearing or target bearings and device for carrying out the method | |
DE2626671A1 (en) | Multichannel direction finding system - combines receiver outputs in groups in radio beam networks and selects network with highest output signal for operation | |
DE202019105256U1 (en) | Device for creating a machine learning system | |
DE102022109320B3 (en) | Method and device for channel measurement |