Andere Kunden interessierten sich auch für
![Modern Approaches in IoT and Machine Learning for Cyber Security]( "Modern Approaches in IoT and Machine Learning for Cyber Security")
Modern Approaches in IoT and Machine Learning for Cyber Security160,49 €![Learning from Data Streams in Evolving Environments]( "Learning from Data Streams in Evolving Environments")
Learning from Data Streams in Evolving Environments74,99 €![Federated Learning Over Wireless Edge Networks]( "Federated Learning Over Wireless Edge Networks")
Federated Learning Over Wireless Edge Networks74,99 €![Federated Learning Over Wireless Edge Networks]( "Federated Learning Over Wireless Edge Networks")
Federated Learning Over Wireless Edge Networks74,99 €![AI Time Series Control System Modelling]( "AI Time Series Control System Modelling")
AI Time Series Control System Modelling74,99 €![Education in & with Robotics to Foster 21st-Century Skills]( "Education in & with Robotics to Foster 21st-Century Skills")
Education in & with Robotics to Foster 21st-Century Skills110,99 €![Pattern Recognition and Computational Intelligence Techniques Using Matlab]( "Pattern Recognition and Computational Intelligence Techniques Using Matlab")
Pattern Recognition and Computational Intelligence Techniques Using Matlab85,99 €
Zwei grundlegende Herausforderungen für das Automobilradar betreffen die Robustheit gegenüber Interferenzen im gleichen Frequenzband, sowie die Verbesserung der Winkelauflösung zur präzisen Lokalisierung von Objekten und Personen. In der vorliegenden Forschungsarbeit werden neue Ansätze der modernen Signalverarbeitung für Automobilradarsensoren basierend auf Deep Learning (DL) erforscht um die Leistungsfähigkeit und die Robustheit von konventionellen Verfahren zur Interferenzunterdrückung sowie zur Winkelschätzung zu übertreffen. Für das Training von datenbasierten DL Verfahren werden spezielle Datensätze benötigt, welche mittels neuartigen hybriden Verfahren erzeugt werden. Anschließend wird sowohl die Effektivität dieser hybriden Verfahren als auch die Robustheit der trainierten Modelle gegenüber Modellabweichungen und Nichtidealitäten demonstriert. Am Beispiel der Interferenzunterdrückung werden die Vorteile von DL in der Automobilradarsignalverarbeitung aufgezeigt. Die erfolgreiche Validierung der Konzepte erfolgt anhand von Messungen von Interferenzen im 77 GHz-Frequenzband. Des Weiteren wird gezeigt, dass die vorgestellten Verfahren wirkungsvoll eingesetzt werden können, um eine präzise Lokalisierung von Zielen zu realisieren. Mit hybriden Datensätzen werden drei verschiedene Konzepte untersucht um eine hochauflösende Winkelschätzung zu realisieren. Hierbei wird eine Leistungsfähigkeit erzielt die den Stand der Technik übertrifft, ohne dass eine sensorspezifische Kalibrierung erforderlich ist.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.