Kursbeschreibung
In ELINT/SIGINT ist „KI einsetzen“ nur dann ein Gewinn, wenn die Ergebnisse nachvollziehbar, reproduzierbar und operationalisierbar sind. Dieses Seminar zeigt dir, wie du eine KI-gestützte Signalanalyse so konzipierst, dass sie als verlässlicher Baustein in Analyse- und Lageprozessen funktioniert. Du startest mit den Grundlagen, die du für die Interpretation von I/Q-Daten brauchst, und übersetzt sie in konkrete Entscheidungen für die Datenaufbereitung: Filterung, Resampling, DC-Offset-Korrektur, AGC und Normalisierung. Du lernst, wie STFT, Wavelets und cyclostationäre Merkmale in der Praxis eingesetzt werden und welche Fallstricke bei Segmentierung und Labeling typische Fehlklassifikationen verursachen. Anschließend entwickelst du Detektion und Ereignisbildung als eigenständige Disziplin: Du definierst, was überhaupt als „Event“ zählt, setzt energie- und schwellenbasierte Verfahren auf und verstehst, wie CFAR-Grundprinzipien helfen, Fehlalarme unter Kontrolle zu halten. Mit Burst-Erkennung und Clustering bringst du Struktur in kontinuierliche Beobachtungen. Im Modellteil kombinierst du klassische ML-Modelle mit Deep Learning auf Spektrogrammen. Du lernst, wie du Modelle fair vergleichst, wie du mit PR-Kurven und Kalibrierung bei seltenen Klassen realistische Entscheidungen triffst und wie du eine Reject-Option für unbekannte Signale einbaust. Abschließend geht es um Betrieb: Drift erkennen, Re-Training-Trigger definieren, Logging und Reproduzierbarkeit sicherstellen und erste Schritte zu erklärbaren Ergebnissen umsetzen. So kannst du KI-Ergebnisse verantwortbar nutzen, statt nur Scores zu produzieren.
Die wichtigsten Themen im Überblick
- I/Q-Daten sicher auswerten und Signalmerkmale erkennen
- Spektren, Wasserfall und Zeit-Frequenz-Bilder lesen
- Features mit STFT, Wavelets und Zyklostationarität bauen
- Emissionen mit CFAR, Peak-Picking und Clustering detektieren
- ML-Modelle für Signalklassifikation trainieren und bewerten
- Anomalien, neue Emitter und Concept Drift erkennen
- Fehlalarme reduzieren und Schwellen nachvollziehbar setzen
- SIGINT- und ELINT-Pipelines reproduzierbar operationalisieren
Zielgruppe
- SIGINT- und ELINT-Analystinnen und Analysten
- Data-Science- und ML-Engineers in Sensorprojekten
- Systemingenieurinnen und Systemingenieure für Funkaufklärung und Monitoring
- Produktverantwortliche und Technical Leads für Auswerteplattformen
- Für alle, die KI-gestützte Signalanalyse von der Datenbasis bis zur operativen Entscheidung aufbauen wollen.
Voraussetzung für die Schulung
- Grundverständnis von Statistik und ML-Begriffen (Train/Test, Overfitting, Metriken).
- Basiswissen zu Signalen oder Funk ist hilfreich, aber nicht zwingend.
Kursinhalte
- 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
