Großartige Neuigkeiten aus den Forschungsgruppen „Telekommunikation, Navigation und Signalverarbeitung“ (TNS) und „Intelligent Vision Applications“ (IVA): Die Ergebnisse gemeinsamer Forschungsprojekte mit der Europäischen Weltraumorganisation (ESA) werden auf der renommierten EuCAP 2025 in Stockholm vorgestellt. Diese Erfolge basieren auf der engen Zusammenarbeit unserer Expertinnen und Experten, die bei den Forschungsaufträgen eine Schlüsselrolle spielten.
Ein besonderes Highlight: Unsere Forscherin Mirela Fetescu wurde eingeladen, ihre neuesten Arbeiten zur Anwendung von Deep Learning in der Satellitenkommunikation und Signalausbreitung auf Europas größter Konferenz für Antennen und Wellenausbreitung zu präsentieren. Die EuCAP bietet ein einzigartiges Forum, das internationale Wissenschaftler*innen, Fachleute aus der Industrie und führende Aussteller aus aller Welt zusammenbringt. Heuer waren 1.700 Wissenschaftler*innen aus aller Welt anwesend!
Mirela Fetescu hat Ende März 2025 ihre Studien „Low Complexity Deep Learning Models for Ionospheric Layer Detection“ und „XGBoost Based Regression Forecast for ACM on Q/V-Band Satellite Links“ vorgestellen. Ihre Forschung liefert nicht nur innovative Ansätze, sondern auch bahnbrechende Erkenntnisse, die die Weiterentwicklung dieser Schlüsseltechnologien vorantreiben.
- Low Complexity Deep Learning Models for Ionospheric Layer Detection
Die Ionosphäre spielt eine wichtige Rolle für Funkkommunikation und Satellitennavigation. Ionogramme, die ihre Schichten darstellen, werden oft manuell analysiert, obwohl es automatisierte Werkzeuge gibt. Fortschritte im Bereich Deep Learning verbessern diese Automatisierung und machen sie genauer, aber Herausforderungen wie die Erkennung mehrerer Schichten und die Verarbeitung verschiedener Datensätze bleiben bestehen. In der Studie wird eine einfache KI-Architektur mit einem U-Netz verglichen und anhand von Daten aus verschiedenen Quellen und Zeiten getestet. Die Methode zeigt bei wichtigen Messgrößen wie Intersection over Union (IoU) und Recall ähnlich gute Ergebnisse wie komplexere Ansätze. - XGBoost-basierte Regressionsprognose für ACM auf Q/V-Band-Satellitenverbindungen
Diese Studie vergleicht die klassische Technik zur Anpassung von Modulation und Codierung (ACM) mit zwei Methoden, die maschinelles Lernen nutzen. Diese Modelle sagen das Signal-Rausch-Verhältnis (SNR) voraus, um ACM-Entscheidungen zu verbessern. Daten aus dem Q/V-Band, die über zwei Jahre in Graz gesammelt wurden, zeigen, dass das multivariate Modell am besten abschneidet. Es macht die SNR-Schätzung einfacher und erhöht die Effizienz.
Wir gratulieren unseren Wissenschaftler*innen zur erfolgreichen Einreichung des wissenschaftlichen Papers und für die Teilnahme und Präsentation auf der EuCAP 2025. Das ist ein hervorragender Meilenstein für die Forschung im Bereich der Satellitenkommunikation und Signalausbreitung.
