Master thesis - Tidsserie-modellering för ML-baserad, teknisk signalspaning

Moderna radarsändare skapar komplexa pulsmönster som gör det svårt att avgöra vilken sändare en uppmätt signalsekvens kommer från. Examensarbetet hos Saab undersöker hur sekventiell maskininlärning och datadrivna autoregressiva modeller kan användas för att beskriva passivt uppmätta radarsignaler. Syftet är att modellera emittersekvenser och förutsäga egenskaper hos sändarna.

Uppgiften

• Utveckla metoder för tillförlitlig och effektiv modellering av komplexa emittersekvenser.
• Använda sekventiell inlärning med autoregressiva modeller för att undersöka radarsändarnas signalmönster.
• Arbeta med övervakade, oövervakade eller generativa ML-metoder för att förutsäga emitteregenskaper.
• Eventuellt undersöka kontinuerlig inlärning som ytterligare metod.

Vi söker dig som

• Du har en stabil ämnesgrund inom maskininlärning, tillämpad matematik, reglerteori, teknisk fysik eller ett närliggande område.
• Du har goda programmeringskunskaper i exempelvis Python.
• Kunskap om öppna bibliotek och ramverk för maskin- och djupinlärning, exempelvis PyTorch, är meriterande.
• Du kommunicerar tydligt muntligt och skriftligt och kan arbeta både självständigt och tillsammans med andra.

Vi erbjuder

• Handledning och stöd i att omsätta teoretiska kunskaper till praktiska lösningar.
• Samarbete med erfarna ingenjörer och specialister.
• Praktisk erfarenhet av avancerad teknik och möjlighet att bidra till Saabs teknikutveckling.

Praktiskt

Ort: Solna. Examensarbete på masternivå. Sista ansökningsdag är 7 november 2026. Urval sker löpande och platsen kan tillsättas tidigare.