Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen:
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Format: | Hochschulschrift/Dissertation Buch |
| Sprache: | Deutsch |
| Veröffentlicht: |
Göttingen
Cuvillier Verlag
2022
|
| Ausgabe: | 1. Auflage |
| Schlagwörter: | |
| Links: | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034006321&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| Umfang: | VIII, 141 Seiten Illustrationen, Diagramme 21 cm x 14.8 cm |
| ISBN: | 9783736977143 373697714X |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV048631300 | ||
| 003 | DE-604 | ||
| 005 | 20231016 | ||
| 007 | t| | ||
| 008 | 230105s2022 gw a||| m||| 00||| ger d | ||
| 015 | |a 23,N01 |2 dnb | ||
| 016 | 7 | |a 1276274130 |2 DE-101 | |
| 020 | |a 9783736977143 |c : EUR 44.90 (DE), EUR 46.20 (AT) |9 978-3-7369-7714-3 | ||
| 020 | |a 373697714X |9 3-7369-7714-X | ||
| 024 | 3 | |a 9783736977143 | |
| 035 | |a (OCoLC)1357528572 | ||
| 035 | |a (DE-599)DNB1276274130 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-NI | ||
| 049 | |a DE-29 |a DE-29T |a DE-83 | ||
| 084 | |a ZN 6500 |0 (DE-625)157567: |2 rvk | ||
| 084 | |8 1\p |a 621.3 |2 23sdnb | ||
| 100 | 1 | |a Fuchs, Jonas |0 (DE-588)1277278814 |4 aut | |
| 245 | 1 | 0 | |a Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen |c vorgelegt von Jonas Fuchs |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Göttingen |b Cuvillier Verlag |c 2022 | |
| 300 | |a VIII, 141 Seiten |b Illustrationen, Diagramme |c 21 cm x 14.8 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 502 | |b Dissertation |c Friedrich-Alexander-Universität Erlangen-Nürnberg |d 2022 | ||
| 650 | 0 | 7 | |a Kraftfahrzeugelektronik |0 (DE-588)4191569-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Signalverarbeitung |0 (DE-588)4054947-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Deep Learning |0 (DE-588)1135597375 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Radarsensor |0 (DE-588)4809985-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Interferenzstörung |0 (DE-588)4227294-4 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Winkelauflösung |0 (DE-588)4189966-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Bilderzeugung |0 (DE-588)4197032-9 |2 gnd |9 rswk-swf |
| 653 | |a Fahrzeug, Autonomes Fahren | ||
| 653 | |a Automatisiertes Fahren | ||
| 653 | |a Umfelderkennung, Sensor, Radar | ||
| 653 | |a Automobil, Automobilradar | ||
| 653 | |a Signalverarbeitung, Radarsignalverarbeitung | ||
| 653 | |a Automobilradarsignalverarbeitung, Algorithmen | ||
| 653 | |a Chirp-Sequence Radar, Antennenarray | ||
| 653 | |a Signalverarbeitungskette | ||
| 653 | |a Künstliche Intelligenz | ||
| 653 | |a Maschinelles Lernen, Deep Learning | ||
| 653 | |a Regression | ||
| 653 | |a Klassifikation, Multilayer Perzeptron | ||
| 653 | |a Autoencoder, Interferenzen | ||
| 653 | |a nterferenzunterdrückung, hochauflösend | ||
| 653 | |a Winkelschätzung | ||
| 653 | |a Winkelauflösung | ||
| 653 | |a Maximum Likelihood | ||
| 653 | |a Signalmodell, Kalibrierung | ||
| 653 | |a Zielanzahl, Zieldetektion | ||
| 653 | |a Simulation, Datensätze, Hybride | ||
| 653 | |a Datenvorverarbeitung, Trainingdaten | ||
| 653 | |a Testdaten, Validierungsdaten | ||
| 653 | |a Frequenzbereich, Vehicle | ||
| 653 | |a Autonomous driving, Automated driving | ||
| 653 | |a Environment sensing | ||
| 653 | |a Automotive | ||
| 653 | |a Automotive Radar, Signal Processing | ||
| 653 | |a Radar Signal Processing | ||
| 653 | |a Automotive Radar Signal Processing | ||
| 653 | |a Antenna array | ||
| 653 | |a Signal processing chain | ||
| 653 | |a Artificial Intelligence | ||
| 653 | |a Machine Learning | ||
| 653 | |a Interference mitigation | ||
| 653 | |a Super-resolution, Direction-of-arrival estimation | ||
| 653 | |a Angular resolution, maximum likelihood | ||
| 653 | |a Signal model, Calibration | ||
| 653 | |a Model order, Target detection | ||
| 653 | |a Data sets | ||
| 653 | |a Data preprocessing | ||
| 653 | |a Training data, Test data | ||
| 653 | |a Frequency domain | ||
| 653 | |a Fahrerassistenzsysteme | ||
| 653 | |a adaptiver Tempomat | ||
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Kraftfahrzeugelektronik |0 (DE-588)4191569-0 |D s |
| 689 | 0 | 1 | |a Radarsensor |0 (DE-588)4809985-5 |D s |
| 689 | 0 | 2 | |a Signalverarbeitung |0 (DE-588)4054947-1 |D s |
| 689 | 0 | 3 | |a Deep Learning |0 (DE-588)1135597375 |D s |
| 689 | 0 | 4 | |a Bilderzeugung |0 (DE-588)4197032-9 |D s |
| 689 | 0 | 5 | |a Interferenzstörung |0 (DE-588)4227294-4 |D s |
| 689 | 0 | 6 | |a Winkelauflösung |0 (DE-588)4189966-0 |D s |
| 689 | 0 | |5 DE-604 | |
| 710 | 2 | |a Eric Cuvillier (Firma) |0 (DE-588)1067137041 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 978-3-7369-6714-4 |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034006321&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 883 | 1 | |8 1\p |a vlb |d 20221221 |q DE-101 |u https://d-nb.info/provenance/plan#vlb | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034006321 | |
Datensatz im Suchindex
| _version_ | 1823932151001776128 |
|---|---|
| adam_text |
INHALTSVERZEICHNIS
KURZFASSUNG
III
ABSTRACT
V
I
EINLEITUNG
I
1.1
MOTIVATION
.
I
1.2
STAND
DER
TECHNIK
.
3
1.2.1
DEEP
LEARNING-BASIERTE
INTERFERENZUNTERDRUECKUNG
.
4
1.2.2
DEEP
LEARNING-BASIERTE
WINKELSCHAETZUNG
.
5
1.2.3
OEFFENTLICHE
DATENSAETZE
FUER
AUTOMOBILRADAR
.
7
1.3
ZIELSETZUNG
UND
AUFBAU
DER
ARBEIT
.
9
2
AUTOMOBILRADARSIGNALVERARBEITUNG
11
2.1
CHIRP
SEQUENCE-RADAR
.
11
2.1.1
BASISBAND-SIGNALMODELL
.
12
2.1.2
ANTENNENARRAY-SIGNALMODELL
.
13
2.1.3
RADAR-SIGNALVERARBEITUNGSKETTE
.
15
2.2
GEGENSEITIGE
INTERFERENZEN
.
20
2.2.1
SIGNALMODELL
FUER
LINEAR
FREQUENZMODULIERTE
INTERFERENZEN
.
22
2.2.2
AUSWIRKUNGEN
VON
INTERFERENZEN
.
23
2.2.3
GEEIGNETE
MASSNAHMEN
ZUR
INTERFERENZUNTERDRUECKUNG
.
25
2.3
SINGLE
SNAPSHOT-WINKELSCHAETZUNG
.
26
2.3.1
ERWEITERTES
SIGNALMODELL
.
26
2.3.2
TRADITIONELLE
VERFAHREN
ZUR
WINKELSCHAETZUNG
.
28
2.3.3
SCHAETZUNG
DER
ZIELANZAHL
.
28
2.3.4
LIMITIERUNGEN
DER
WINKELSCHAETZUNG
.
30
3
DEEP
LEARNING-BASIERTE
INTERFERENZUNTERDRUECKUNG
33
3.1
GENERIERUNG
VON
GEEIGNETEN
DATENSAETZEN
.
34
3.1.1
MESSUNG
VON
INTERFERENZEN
.
34
3.1.2
SIMULATION
VON
INTERFERENZEN
.
36
3.1.3
HYBRIDES
SIGNALMODELL
.
38
3.1.4
DATENVORVERARBEITUNG
.
38
3.1.5
TRAININGS-,
TEST
UND
VALIDIERUNGSDATENSAETZE
.
40
3.2
PERFORMANCE-METRIKEN
.
4
1
3.3
INTERFERENZUNTERDRUECKUNG
IM
FREQUENZBEREICH
.
42
3.3.1
KONZEPT
UND
ARCHITEKTUR
DES
CNN-AUTOENCODERS
.
42
3.3.2
TRAINING
UND
VALIDIERUNG
.
43
3.4
TESTERGEBNISSE
.
45
3.4.1
PERFORMANCE
BEZUEGLICH
VERGLEICHSMETRIKEN
.
46
3.4.2
VALIDIERUNG
MIT
REALEN
MESSUNGEN
.
48
3.5
ZUSAMMENFASSUNG
DER
ERGEBNISSE
.
49
VII
4
HOCHAUFLOESENDE
WINKELSCHAETZUNG
MITTELS
DEEP
LEARNING
51
4.1
GENERIERUNG
VON
TRAININGS
UND
TESTDATEN
.
52
4.1.1
MESSAUFBAU
UND
RADARSENSORIK
.
53
4.1.2
SENSORKALIBRIERUNG
.
54
4.1.3
AUFBEREITUNG
DER
MESSERGEBNISSE
.
56
4.1.4
MEHRZIEL-SIGNALMODELLE
.
57
4.1.5
DATENVORVERARBEITUNG
.
60
4.1.6
SZENARIEN
ZUR
EVALUIERUNG
UND
BEWERTUNG
DER
PERFORMANCE
.
62
4.2
SCHAETZUNG
DER
ZIELANZAHL
.
63
4.2.1
PERFORMANCE-METRIKEN
DER
KLASSIFIKATION
.
64
4.2.2
ARCHITEKTUR
DER
MLP-BASIERTEN
KLASSIFIKATION
.
65
4.2.3
EVALUATION
UND
VERGLEICH
MIT
DEM
GENERALIZED
LIKELIHOOD
RATIO-TEST
66
4.2.4
ERWEITERUNG
DER
MOE
UND
OPTIMIERUNG
DER
DESIGNPARAMETER
.
68
4.2.5
PERFORMANCE
DES
ERWEITERTEN
MOE-NETZWERKS
.
71
4.3
REGRESSIONSBASIERTE
WINKELSCHAETZUNG
.
74
4.3.1
PERFORMANCE-METRIKEN
FUER
DIE
REGRESSION
.
75
4.3.2
KONZEPT
UND
ARCHITEKTUR
DES
REGRESSIONS-M
LP
.
75
4.3.3
EVALUATION
UND
VERGLEICH
MIT
DER
MAXIMUM
LIKELIHOOD-SCHAETZUNG
.
76
4.3.4
OPTIMIERUNG
DER
NETZWERKARCHITEKTUR
UND
DER
DESIGNPARAMETER
.
.
79
4.3.5
PERFORMANCE
DES
OPTIMIERTEN
REGRESSIONS-NETZWERKS
.
79
4.4
KLASSIFIKATIONSBASIERTE
SCHAETZUNG
DES
WINKELSPEKTRUMS
.
85
4.4.1
PERFORMANCE-METRIKEN
DER
SPEKTRUMBASIERTEN
WINKELSCHAETZUNG
.
.
86
4.4.2
KONZEPTE
UND
ARCHITEKTUREN
VERSCHIEDENER
DL-ANSAETZE
.
87
4.4.3
NACHVERARBEITUNG
UND
ZIELDETEKTION
.
91
4.4.4
EINFLUSS
DER
ZIELDETEKTION
AUF
DIE
PERFORMANCE
.
93
4.4.5
EVALUATION
UND
VERGLEICH
MIT
DER
MAXIMUM
LIKELIHOOD-SCHAETZUNG
.
95
4.4.6
VALIDIERUNG
DER
HOCHAUFLOESENDEN
WINKELSCHAETZUNG
.
102
4.5
ZUSAMMENFASSUNG
DER
ERGEBNISSE
.
105
5
DISKUSSION
DER
ERGEBNISSE
109
5.1
VERGLEICH
MIT
DEM
STAND
DER
TECHNIK
.
109
5.2
AUSBLICK
.
111
6
ZUSAMMENFASSUNG
113
LITERATURVERZEICHNIS
115
TABELLEN
UND
ABBILDUNGEN
125
ABKUERZUNGSVERZEICHNIS
131
SYMBOLVERZEICHNIS
133
DANKSAGUNG
137
EIGENE
VEROEFFENTLICHUNGEN
139
VIII |
| any_adam_object | 1 |
| author | Fuchs, Jonas |
| author_GND | (DE-588)1277278814 |
| author_facet | Fuchs, Jonas |
| author_role | aut |
| author_sort | Fuchs, Jonas |
| author_variant | j f jf |
| building | Verbundindex |
| bvnumber | BV048631300 |
| classification_rvk | ZN 6500 |
| ctrlnum | (OCoLC)1357528572 (DE-599)DNB1276274130 |
| discipline | Elektrotechnik / Elektronik / Nachrichtentechnik |
| edition | 1. Auflage |
| format | Thesis Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV048631300</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20231016</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">230105s2022 gw a||| m||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">23,N01</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1276274130</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783736977143</subfield><subfield code="c">: EUR 44.90 (DE), EUR 46.20 (AT)</subfield><subfield code="9">978-3-7369-7714-3</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">373697714X</subfield><subfield code="9">3-7369-7714-X</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783736977143</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1357528572</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1276274130</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-NI</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-29</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-83</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ZN 6500</subfield><subfield code="0">(DE-625)157567:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">621.3</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Fuchs, Jonas</subfield><subfield code="0">(DE-588)1277278814</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen</subfield><subfield code="c">vorgelegt von Jonas Fuchs</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Göttingen</subfield><subfield code="b">Cuvillier Verlag</subfield><subfield code="c">2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">VIII, 141 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">21 cm x 14.8 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="502" ind1=" " ind2=" "><subfield code="b">Dissertation</subfield><subfield code="c">Friedrich-Alexander-Universität Erlangen-Nürnberg</subfield><subfield code="d">2022</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Kraftfahrzeugelektronik</subfield><subfield code="0">(DE-588)4191569-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Signalverarbeitung</subfield><subfield code="0">(DE-588)4054947-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Radarsensor</subfield><subfield code="0">(DE-588)4809985-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Interferenzstörung</subfield><subfield code="0">(DE-588)4227294-4</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Winkelauflösung</subfield><subfield code="0">(DE-588)4189966-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Bilderzeugung</subfield><subfield code="0">(DE-588)4197032-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Fahrzeug, Autonomes Fahren</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Automatisiertes Fahren</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Umfelderkennung, Sensor, Radar</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Automobil, Automobilradar</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Signalverarbeitung, Radarsignalverarbeitung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Automobilradarsignalverarbeitung, Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Chirp-Sequence Radar, Antennenarray</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Signalverarbeitungskette</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen, Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Regression</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Klassifikation, Multilayer Perzeptron</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Autoencoder, Interferenzen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">nterferenzunterdrückung, hochauflösend</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Winkelschätzung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Winkelauflösung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maximum Likelihood</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Signalmodell, Kalibrierung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Zielanzahl, Zieldetektion</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Simulation, Datensätze, Hybride</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenvorverarbeitung, Trainingdaten</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Testdaten, Validierungsdaten</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Frequenzbereich, Vehicle</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Autonomous driving, Automated driving</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Environment sensing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Automotive</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Automotive Radar, Signal Processing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Radar Signal Processing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Automotive Radar Signal Processing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Antenna array</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Signal processing chain</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Interference mitigation</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Super-resolution, Direction-of-arrival estimation</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Angular resolution, maximum likelihood</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Signal model, Calibration</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Model order, Target detection</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data sets</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data preprocessing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Training data, Test data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Frequency domain</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Fahrerassistenzsysteme</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">adaptiver Tempomat</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Kraftfahrzeugelektronik</subfield><subfield code="0">(DE-588)4191569-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Radarsensor</subfield><subfield code="0">(DE-588)4809985-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Signalverarbeitung</subfield><subfield code="0">(DE-588)4054947-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">Bilderzeugung</subfield><subfield code="0">(DE-588)4197032-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><subfield code="a">Interferenzstörung</subfield><subfield code="0">(DE-588)4227294-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="6"><subfield code="a">Winkelauflösung</subfield><subfield code="0">(DE-588)4189966-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Eric Cuvillier (Firma)</subfield><subfield code="0">(DE-588)1067137041</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-7369-6714-4</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034006321&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20221221</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034006321</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV048631300 |
| illustrated | Illustrated |
| indexdate | 2025-02-13T09:00:47Z |
| institution | BVB |
| institution_GND | (DE-588)1067137041 |
| isbn | 9783736977143 373697714X |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034006321 |
| oclc_num | 1357528572 |
| open_access_boolean | |
| owner | DE-29 DE-29T DE-83 |
| owner_facet | DE-29 DE-29T DE-83 |
| physical | VIII, 141 Seiten Illustrationen, Diagramme 21 cm x 14.8 cm |
| publishDate | 2022 |
| publishDateSearch | 2022 |
| publishDateSort | 2022 |
| publisher | Cuvillier Verlag |
| record_format | marc |
| spelling | Fuchs, Jonas (DE-588)1277278814 aut Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen vorgelegt von Jonas Fuchs 1. Auflage Göttingen Cuvillier Verlag 2022 VIII, 141 Seiten Illustrationen, Diagramme 21 cm x 14.8 cm txt rdacontent n rdamedia nc rdacarrier Dissertation Friedrich-Alexander-Universität Erlangen-Nürnberg 2022 Kraftfahrzeugelektronik (DE-588)4191569-0 gnd rswk-swf Signalverarbeitung (DE-588)4054947-1 gnd rswk-swf Deep Learning (DE-588)1135597375 gnd rswk-swf Radarsensor (DE-588)4809985-5 gnd rswk-swf Interferenzstörung (DE-588)4227294-4 gnd rswk-swf Winkelauflösung (DE-588)4189966-0 gnd rswk-swf Bilderzeugung (DE-588)4197032-9 gnd rswk-swf Fahrzeug, Autonomes Fahren Automatisiertes Fahren Umfelderkennung, Sensor, Radar Automobil, Automobilradar Signalverarbeitung, Radarsignalverarbeitung Automobilradarsignalverarbeitung, Algorithmen Chirp-Sequence Radar, Antennenarray Signalverarbeitungskette Künstliche Intelligenz Maschinelles Lernen, Deep Learning Regression Klassifikation, Multilayer Perzeptron Autoencoder, Interferenzen nterferenzunterdrückung, hochauflösend Winkelschätzung Winkelauflösung Maximum Likelihood Signalmodell, Kalibrierung Zielanzahl, Zieldetektion Simulation, Datensätze, Hybride Datenvorverarbeitung, Trainingdaten Testdaten, Validierungsdaten Frequenzbereich, Vehicle Autonomous driving, Automated driving Environment sensing Automotive Automotive Radar, Signal Processing Radar Signal Processing Automotive Radar Signal Processing Antenna array Signal processing chain Artificial Intelligence Machine Learning Interference mitigation Super-resolution, Direction-of-arrival estimation Angular resolution, maximum likelihood Signal model, Calibration Model order, Target detection Data sets Data preprocessing Training data, Test data Frequency domain Fahrerassistenzsysteme adaptiver Tempomat (DE-588)4113937-9 Hochschulschrift gnd-content Kraftfahrzeugelektronik (DE-588)4191569-0 s Radarsensor (DE-588)4809985-5 s Signalverarbeitung (DE-588)4054947-1 s Deep Learning (DE-588)1135597375 s Bilderzeugung (DE-588)4197032-9 s Interferenzstörung (DE-588)4227294-4 s Winkelauflösung (DE-588)4189966-0 s DE-604 Eric Cuvillier (Firma) (DE-588)1067137041 pbl Erscheint auch als Online-Ausgabe 978-3-7369-6714-4 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034006321&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p vlb 20221221 DE-101 https://d-nb.info/provenance/plan#vlb |
| spellingShingle | Fuchs, Jonas Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen Kraftfahrzeugelektronik (DE-588)4191569-0 gnd Signalverarbeitung (DE-588)4054947-1 gnd Deep Learning (DE-588)1135597375 gnd Radarsensor (DE-588)4809985-5 gnd Interferenzstörung (DE-588)4227294-4 gnd Winkelauflösung (DE-588)4189966-0 gnd Bilderzeugung (DE-588)4197032-9 gnd |
| subject_GND | (DE-588)4191569-0 (DE-588)4054947-1 (DE-588)1135597375 (DE-588)4809985-5 (DE-588)4227294-4 (DE-588)4189966-0 (DE-588)4197032-9 (DE-588)4113937-9 |
| title | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen |
| title_auth | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen |
| title_exact_search | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen |
| title_full | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen vorgelegt von Jonas Fuchs |
| title_fullStr | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen vorgelegt von Jonas Fuchs |
| title_full_unstemmed | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen vorgelegt von Jonas Fuchs |
| title_short | Hybride Deep Learning-Verfahren zur Interferenzunterdrückung und hochauflösenden Winkelschätzung für Automobilradaranwendungen |
| title_sort | hybride deep learning verfahren zur interferenzunterdruckung und hochauflosenden winkelschatzung fur automobilradaranwendungen |
| topic | Kraftfahrzeugelektronik (DE-588)4191569-0 gnd Signalverarbeitung (DE-588)4054947-1 gnd Deep Learning (DE-588)1135597375 gnd Radarsensor (DE-588)4809985-5 gnd Interferenzstörung (DE-588)4227294-4 gnd Winkelauflösung (DE-588)4189966-0 gnd Bilderzeugung (DE-588)4197032-9 gnd |
| topic_facet | Kraftfahrzeugelektronik Signalverarbeitung Deep Learning Radarsensor Interferenzstörung Winkelauflösung Bilderzeugung Hochschulschrift |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034006321&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT fuchsjonas hybridedeeplearningverfahrenzurinterferenzunterdruckungundhochauflosendenwinkelschatzungfurautomobilradaranwendungen AT ericcuvillierfirma hybridedeeplearningverfahrenzurinterferenzunterdruckungundhochauflosendenwinkelschatzungfurautomobilradaranwendungen |