h1

000834559 001__ 834559
000834559 005__ 20230411161626.0
000834559 0247_ $$2HBZ$$aHT021148781
000834559 0247_ $$2Laufende Nummer$$a40782
000834559 0247_ $$2datacite_doi$$a10.18154/RWTH-2021-09991
000834559 037__ $$aRWTH-2021-09991
000834559 041__ $$aEnglish
000834559 082__ $$a621.3
000834559 1001_ $$0P:(DE-588)1245892789$$aApfeld, Sabine$$b0$$urwth
000834559 245__ $$aMachine learning for electronic intelligence$$cvorgelegt von Sabine Apfeld, M.Sc.$$honline
000834559 246_3 $$aMaschinelles Lernen für die elektronische Aufklärung$$yGerman
000834559 260__ $$aAachen$$bRWTH Aachen University$$c2021
000834559 300__ $$a1 Online-Ressource : Diagramme
000834559 3367_ $$02$$2EndNote$$aThesis
000834559 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000834559 3367_ $$2BibTeX$$aPHDTHESIS
000834559 3367_ $$2DRIVER$$adoctoralThesis
000834559 3367_ $$2DataCite$$aOutput Types/Dissertation
000834559 3367_ $$2ORCID$$aDISSERTATION
000834559 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000834559 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2021$$gFak06$$o2021-10-19
000834559 5203_ $$aZiel der elektronischen Aufklärung ist das Zusammentragen von Informationen über Radaremitter durch die Erfassung und Analyse ihrer Signale. Mithilfe der gesammelten Informationen werden charakteristische Merkmale gefunden, anhand derer ein bereits bekannter Emitter identifiziert werden kann. Traditionelle Ansätze zur Analyse und Identifikation benötigen Datenbanken, die Beschreibungen der operationellen Modi der Radarsysteme enthalten. Bei herkömmlichen Radarsystemen sind solche Modi speziell für die Erfüllung einer Funktion ausgelegt und weisen konstante Muster in ihren Wellenform-Parametern auf. Agile Multifunktionsradare optimieren ihre Wellenform-Parameter hingegen für die vorgefundene Situation und zeigen daher keine konstanten Muster. Traditionelle Datenbanken können agile Emissionscharakteristiken aus diesem Grund nicht effektiv repräsentieren. Zusätzlich sind sie nicht in der Lage, die Beziehungen zwischen Emissionen effizient darzustellen und sind somit nicht für die Modellierung des Emitterverhaltens geeignet. Die vorliegende Arbeit schlägt ein neues Emissionsmodell vor, das die Radaremissionen als eine Sprache mit einer inhärent hierarchischen Struktur begreift, bestehend aus den fünf Modellierungsebenen Buchstaben, Silben, Wörter, Befehle und Funktionen. Solch ein Emissionsmodell erlaubt es, die Vorteile von Methoden des maschinellen Lernens aus dem Gebiet der natürlichen Sprachverarbeitung im Allgemeinen und des Repräsentationslernens im Speziellen zu nutzen. Basierend auf diesem Ansatz werden in dieser Arbeit Methoden für die vier Aufgaben der Emissionsvorhersage, der Identifikation des Emittertyps, des Lernens von Verhaltensmodellen sowie der Erkennung unbekannter Emitter entwickelt. Zu diesem Zweck werden Vorhersagemodelle erstellt, die das Verhalten von agilen Radaremittern darstellen können. Zusätzlich werden verschiedene Architekturen zur Kombination von mehreren Emittermodellen zu einem Ensemble untersucht. Für alle vier Aufgaben werden zwei gegensätzliche Methoden betrachtet, die "gedächtnislose" Markow-Kette und das Long Short-Term Memory rekurrente neuronale Netz, das speziell dafür entwickelt wurde, sich an die Vergangenheit zu "erinnern". Die hierarchische Struktur des Emissionsmodells steigert die Performanz für alle vier angeführten Aufgaben im Vergleich zu klassischen Methoden der Signalanalyse erheblich. Traditionell werden die Pulse der Radare, d.h. die Buchstaben, analysiert, anhand derer die Emitteridentifikation und die Erkennung unbekannter Emitter nicht gelingen. Zudem wird gezeigt, dass in der Mehrheit der Szenarien Methoden des maschinellen Lernens große Vorteile gegenüber konventionellen Ansätzen bieten.$$lger
000834559 520__ $$aElectronic intelligence is concerned with gathering information about radar emitters by intercepting and analysing their signals. By collecting this information, characteristic features are found that can be exploited to recognise known emitters. Traditional analysis and identification approaches rely on databases, which contain descriptions of the radars' operational modes. In conventional radar systems, modes are designed to fulfil a certain function and exhibit constant patterns of the waveform parameters. Agile multifunction radars, however, optimise their waveform parameters for the specific situation and therefore, they do not exhibit constant patterns. Consequently, traditional databases cannot effectively represent their emission characteristics. Moreover, they are unable to efficiently capture the relationships between emissions and hence, they cannot model the emitters' behaviour. This thesis suggests a new emission model, which understands the radar emissions as a language with an inherent hierarchical structure of the five modelling levels letters, syllables, words, commands, and functions. Such an emission model allows exploiting machine learning methods, which are designed for natural language processing and in particular for the field of representation learning. Based on this approach, methods are developed for the four tasks of emission prediction, the identification of the emitter type, the learning of behavioural models, and the recognition of unknown emitters. To this end, predictive models are created that capture the behaviour of agile radar emitters. In addition, several architectures are investigated that combine multiple emitter models into an ensemble. Two contrasting approaches are compared for all four tasks throughout this thesis, namely the "memoryless" Markov chain and the Long Short-Term Memory recurrent neural network, which is designed to "remember" the past. The hierarchical structure of the emission model significantly increases the performance of all considered tasks in comparison to traditional signal analysis methods. These process radar pulses, i.e. letters, based on which emitter identification and recognition of unknown emitters are not successful. Moreover, it is shown that machine learning methods provide large benefits in comparison to conventional approaches in the majority of the settings.$$leng
000834559 588__ $$aDataset connected to Lobid/HBZ
000834559 591__ $$aGermany
000834559 653_7 $$aMarkov chain
000834559 653_7 $$aMarkow-Kette
000834559 653_7 $$aneuronales Netz
000834559 653_7 $$aRadar
000834559 653_7 $$aSignalanalyse
000834559 653_7 $$aneural network
000834559 653_7 $$aradar
000834559 653_7 $$asignal analysis
000834559 7001_ $$0P:(DE-82)IDM00630$$aAscheid, Gerd$$b1$$eThesis advisor$$urwth
000834559 7001_ $$0P:(DE-82)IDM00418$$aHeberling, Dirk$$b2$$eThesis advisor$$urwth
000834559 7001_ $$0P:(DE-82)024762$$aKoch, Wolfgang$$b3$$eThesis advisor
000834559 8564_ $$uhttps://publications.rwth-aachen.de/record/834559/files/834559.pdf$$yOpenAccess
000834559 8564_ $$uhttps://publications.rwth-aachen.de/record/834559/files/834559_source.zip$$yRestricted
000834559 909CO $$ooai:publications.rwth-aachen.de:834559$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
000834559 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1245892789$$aRWTH Aachen$$b0$$kRWTH
000834559 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00630$$aRWTH Aachen$$b1$$kRWTH
000834559 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00418$$aRWTH Aachen$$b2$$kRWTH
000834559 9141_ $$y2021
000834559 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000834559 9201_ $$0I:(DE-82)611810_20140620$$k611810$$lLehrstuhl für Integrierte Systeme der Signalverarbeitung$$x0
000834559 961__ $$c2021-12-03T09:51:24.441629$$x2021-10-27T17:30:27.151354$$z2021-12-03T09:51:24.441629
000834559 9801_ $$aFullTexts
000834559 980__ $$aI:(DE-82)611810_20140620
000834559 980__ $$aUNRESTRICTED
000834559 980__ $$aVDB
000834559 980__ $$aphd