Falschalarmreduktion für Aktivsonare mittels Methoden des maschinellen Lernens

In den letzten Jahrzehnten haben sich die Anforderungen an aktive Sonar-Anwendungen grundlegend geändert. Während die Detektion und Klassifikation von Zielen einst manuell anhand von erfahrenen Sonar-Bedienern erfolgte, sollen die Systeme heutzutage weitgehend automatisiert arbeiten. Idealerweise sollte ein modernes Sonar-System Bedrohungen zuverlässig erkennen, verfolgen, klassifizieren und ggf. einen Alarm aussenden. Diesbezüglich besteht die größte Herausforderung darin, eine hohe Detektionswahrscheinlichkeit sowie simultan eine geringe Falschalarmrate zu erzielen. Für die Detektion werden in konventionellen Aktivsonar-Systemen zurzeit üblicherweise zwei verschiedene Pulsformen verwendet. Diese sind zum einen breitbandige frequenzmodulierte (FM) Pulse und zum anderen schmalbandige Continuous Wave (CW) Pulse. Im Fall der Verwendung von linearen oder hyperbolisch frequenzmodulierten (LFM bzw. HFM) Pulsen wird in der Regel nur das Signal-zu-Rausch-Verhältnis (SNR) der Kontakte als Maß für die Glaubwürdigkeit verwendet. Bei der Verwendung von CW-Pulsen werden neben dem SNR auch Doppler-Informationen berücksichtigt. Es ist jedoch bekannt, dass die Kontakte weit mehr Informationen enthalten, anhand derer ihre Relevanz beurteilt werden kann. In der Dissertation wird eine Modifikation der konventionellen Aktivsonar-Signalverarbeitung vorgestellt, mit der eine Extraktion von Merkmalen der Kontakte und anschließend eine Klassifikation derer erfolgt. Auf diese Weise wird eine Unterscheidung von Falschalarmen und relevanten Zielen ermöglicht, woraus eine Reduktion der Falschalarmrate resultiert.