Publikationen

Die monostatische Radarsensorik für die Umwelterfassung wird kontinuierlich weiterentwickelt, wobei der Schwerpunkt auf dem Auflösungsvermögen in den vier Dimensionen Azimut, Elevation, Entfernung und Geschwindigkeit liegt. Fortschritte in der Bildgebungsmethodik ermöglichen ein hohes Auflösungsvermögen, beispielsweise durch den Einsatz des inversen synthetischen Apertur Radars. Hierbei wird die (Eigen-)Bewegung von Zielobjekten genutzt, um eine höhere Winkelauflösung zu erreichen. In dieser Arbeit wurden Reflektivitätsmessungen mit zwei Radaransätzen durchgeführt und verglichen. Dazu wurde zunächst ein analytisches Modell entwickelt, mit dem die Trennbarkeit von Punktstreuern untersucht und die Messparameter für die anschließenden Reflektivitätsmessungen abgeleitet wurden. Für die Reflektivitätsmessungen wurde zum einen der Vektor-Netzwerkanalysator (VNA) eingesetzt, mit dem eine zweidimensionale Aufsicht der Messobjekte dargestellt werden kann. Zum anderen wurde ein Radarsystem der Firma Rohde & Schwarz eingesetzt, mit dem Signale mit einer dreidimensionalen räumlichen Auflösung gemessen werden können. Durch den Vergleich der Streuung an metallischen Kugeln unterschiedlicher Größe konnte das Auflösungsvermögen beider Systeme verglichen werden, wobei sich eine höhere Sensitivität der Messung mit dem VNA zeigte. Bei der anschließenden Untersuchung von komplexen Testobjekten, wie einem Fußgänger- und Fahrradfahrermodell, wurde deutlich, dass die Messung mit dem Radarsystem von Rohde & Schwarz hervorragende Bilder in der Vorderansicht liefert. Damit konnte die genaue Ausdehnung der Objekte wahrgenommen werden, für die Darstellung der Aufsicht ist das System jedoch nicht ausreichend. Die Messung der komplexen Testobjekte mit dem VNA lieferte vorteilhafte Ergebnisse in der Aufsicht, mit der die Ausdehnung der Objekte im Bereich von wenigen Zentimetern gemessen werden konnte. Die Ergebnisse zeigen das Potenzial bildgebender Radarverfahren für das automatisierte Fahren, um eine hohe Auflösung in Azimut, Elevation und Entfernung zu erreichen.

Multidimensional channel sounding measures the geometrical structure of mobile radio propagation. The parameters of a multipath data model in terms of directions, time-of-flight, and Doppler shift are estimated from observations in frequency, time, and space. A maximum likelihood estimation framework allows joint high resolution in all dimensions. The prerequisite for this is an appropriate parametric data model that represents the multipath propagation correctly. At the same time, a device data model is necessary that typically results from calibration measurements. The used model should be as simple as possible, since its structure has a considerable effect on the estimation effort. For instance, the inherent effort in parameter search is reduced if the influence of the parameters is kept independent. Therefore, the data model is characterized by several approximations. The most important is the “narrowband assumption,” which assumes a low relative bandwidth and also avoids considering any frequency response in magnitude and phase. We extend the well-known multidimensional Richter maximization approach (RIMAX) parameter estimation framework by including proper frequency responses. The advantage reveals itself with high bandwidth in the mmWave and sub-THz range. It allows for a more realistic modeling of antenna arrays, and it breaks with the usual narrowband model and allows a better modeling of mutual coupling and time delay effects. If the interacting object extends over several delay bins (hence, an extended target in radar terminology), we propose a model that assigns a short delay spread and a frequency response to the propagation path that associates it with the respective object. We verify the validity of the device model by numerical experiments on simulated and measured antenna data and compare it with RIMAX. In addition, we use synthetic data based on ray-tracing results and measurements both ranging from 27.0 to 33 GHz with known ground-truth information and show that the proposed estimator delivers better performance for higher relative bandwidths than the conventional RIMAX implementation.

Finanzmärkte sind ein Bereich, der schon immer komplizierte Muster und Nuancen aufwies. Sie stellen den Einsatz fortschrittlicher Modelle für maschinelles Lernen vor große Herausforderungen. In dieser Forschung versuchen wir, diese Komplexitäten und das Zusammenspiel zwischen rekurrenten neuronalen Netzen (RNNs) und Netzwerken mit langem Kurzzeitgedächtnis (LSTM) zu erforschen, mit dem Ziel, finanzielle Zeitreihennuancen zu erraten, die in 15-Minuten-Chartintervallen von 2020 bis 2023 verwurzelt sind. Unsere grundlegende Arbeit basiert auf einer Reihe von Funktionen und umfasst nicht nur die Standardmetriken wie „Eröffnung“, „Hoch“, „Tief“, „Schluss“ und „Volumen“, sondern befasst sich auch mit differenzierteren technischen Indikatoren wie „ RSI‘, ‚ADX‘, einige Indizes wie Fear-Greed-Indizes und auch einige Sentiment-Analyse-Scores basierend auf Google-Trends. Der Schwerpunkt unserer Studie beschränkt sich auf Klassifizierungsherausforderungen. Unser Ziel ist es, die bevorstehenden Trends bei den Schlusskursen vorherzusagen – egal, ob sie steigen oder fallen. In dieser Suche untersuchen wir zwei Hauptmodelle neuronaler Netzwerke: RNNs, die für ihre Fähigkeit zur Verarbeitung von Sequenzen bekannt sind, und LSTMs, die speziell dafür entwickelt wurden, sich Muster über längere Zeiträume zu merken. Bevor wir unsere neuronalen Netze trainierten, bereiteten wir zunächst unsere Daten vor. Dabei ging es darum, die Daten zu vereinfachen und auf die wichtigsten Aspekte zu konzentrieren. Wir haben mehrere Techniken getestet, darunter Mean Decrease Impurity (MDI), Mean Decrease Accuracy (MDA), Single Feature Importance (SFI), PCA (Hauptkomponentenanalyse) und Korrelationsanalyse. Da sich jedoch keine zwei Feature-Auswahltechniken auf die gleichen Ergebnisse einigten, basierten wir bei der Konstruktion unserer Feature-Sets auf den MDI-Ergebnissen. Wir haben Finanzzeitreihendaten verwendet, um unsere Modelle zu trainieren und zu testen. Zur Auswertung haben wir eine Sliding-Window-Methode angewendet, die mithilfe eines Lookback-Windows verschiedene Teile vergangener Daten für Vorhersagen berücksichtigt. Dieses Fenster hilft bei der Bestimmung, welche vergangenen Momente für kommende Prognosen wesentlich sind. Um die chronologische Reihenfolge der Daten beizubehalten und zuverlässige Vorhersagen zu gewährleisten, verwendeten wir außerdem eine „Walk-Forward“-Kreuzvalidierungstechnik. Dieser schrittweise Ansatz stellte sicher, dass wir zukünftige Daten vorhersagen können, ohne versehentlich einen Blick nach vorne zu werfen. Frühe Durchgänge in den Bereich der Ergebnisse verdeutlichen die differenzierten Fähigkeiten des LSTM, insbesondere, wenn sich der Beobachtungshorizont erweitert. Die Rolle der Vorverarbeitung, insbesondere bei Techniken wie MDI und Korrelation, stellt einen Eckpfeiler dar, der die Rohdaten in verfeinerte Erkenntnisse umwandelt. Zusammenfassend begibt sich diese Arbeit auf eine mutige Reise und befasst sich eingehend damit, wie RNN- und LSTM-Netzwerke Finanztrends vorhersagen können. Ziel ist es, den Weg für zukünftige Studien zu ebnen, die Finanzwesen und fortgeschrittenes maschinelles Lernen miteinander verbinden.

Currently, 5G low-earth orbit satellite communications offer enhanced wireless coverage beyond the reach of 5G terrestrial networks, with important implications, particularly for automated and connected vehicles. Such wireless automotive mass-market applications demand well-designed compact user equipment antenna terminals offering non-terrestrial jointly with terrestrial communications. The antenna should be low-profile, conformal, and meet specific parameter values for gain and operational frequency bandwidth, tailored to the intended applications, in line with the aesthetic design requirements of passenger cars. This work presents an original concept for a dual-band nested circularly polarized automotive user terminal that operates at the S-band frequencies around 3.5 GHz and Ka-band frequencies around 28 GHz, namely within the 5G new-radio bands n78 and n257, respectively. The proposed terminal is designed to be integrated into the plastic components of a passenger vehicle. The arrays consist of 2 × 2 aperture-coupled corner-truncated microstrip slot patch antenna elements for the n78 band and of 4 × 4 single-layer edge-truncated microstrip circular slot patch antenna elements for the n257 band. The embedded arrays offer, across the two bands, respectively, 9.9 and 13.7 dBi measured realized gain and 3-dB axial ratio bandwidths of 100 and 1500 MHz for the n78 and n257 bands along the broadside direction. Detailed link budget calculations anticipate uplink data rates of 21 and 6 Mbit/s, respectively, deeming it suitable for various automotive mobility and Internet-of-Things applications.