KKC_0301 | KI-gestützte Signalanalyse (ELINT/SIGINT): Grundkurs

Sie möchten aus I/Q-Daten nicht nur hübsche Spektren erzeugen, sondern belastbare Hinweise ableiten. Genau darum geht es in diesem Seminar: Sie entwickeln eine durchgängige KI-Pipeline für ELINT/SIGINT, die in der Praxis mit Rauschen, wechselnden Empfangsbedingungen und unvollständigen Labels umgehen kann. Wir starten mit den Signalgrundlagen, die Sie für maschinelles Lernen wirklich brauchen: Abtastung, Bandbreite, SNR, Dynamik und typische Merkmale von Emissionen.

Danach setzen Sie eine robuste Vorverarbeitung auf, inklusive Filterung, Normalisierung, DC-Offset-Korrektur, Segmentierung und sinnvoller Label-Strategien. Im nächsten Schritt bauen Sie Detektion und Ereignisbildung: von energie- und schwellenbasierten Verfahren bis zu CFAR-Grundprinzipien, Burst-Erkennung und dem Clustering einzelner Beobachtungen zu konsistenten Events. Darauf aufbauend trainieren Sie Modelle für die Klassifikation, zunächst mit soliden Baselines wie SVM oder Random Forest, anschließend mit CNNs auf Spektrogrammen.

Sie lernen, warum ROC-Kurven allein oft täuschen und wie Sie mit PR-Kurven, Konfusionsmatrix und Kalibrierung die Fehlalarmrate kontrollieren. Zum Schluss behandeln Sie die Themen, die im Betrieb entscheiden: Anomalieerkennung für neue Emitters, Concept Drift, Re-Training-Trigger und eine Reject-Option für Open-Set-Szenarien. Außerdem erhalten Sie Werkzeuge für nachvollziehbare Ergebnisse, damit Ihr KI-Entscheidungen auditierbar bleiben und sich in bestehende Analyseprozesse integrieren lassen.

• Abtastung, Bandbreite, SNR und Dynamik für maschinelles Lernen einordnen
• I/Q-Daten filtern, normalisieren, segmentieren und labeln
• DC-Offset und wechselnde Empfangsbedingungen behandeln
• Energie-, Schwellen- und CFAR-Verfahren zur Detektion anwenden
• Bursts erkennen und Beobachtungen zu Ereignissen clustern
• SVM, Random Forest und CNN-Ansätze zur Klassifikation vergleichen
• Modelle unter Rauschen, Drift und unvollständigen Labels bewerten

Das Seminar richtet sich an Signalverarbeitungsingenieur/innen, Funk- und Nachrichtentechniker/innen, Data Scientists sowie Fachkräfte aus Spektrumanalyse, Sensorik und technischer Aufklärung.

Grundkenntnisse in digitaler Signalverarbeitung, Statistik und Programmierung werden vorausgesetzt. Erfahrungen mit Python und I/Q-Daten sind hilfreich.

• 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