Thesis work - Stochastic Modelling of Advanced Multi-Functional Radars using Reinforcement Learning for Electronic Warfare Applications
Technology, Data & Digital · Software & Web Development · Software Engineering · Machine Learning · Artificial Intelligence
In short
Responsibilities
- Modellera avancerade multifunktionella radarer (MFR).
- Stokastiskt fånga sekvenser av latenta beskrivningar av de pulser som en MFR skulle sända ut.
- Utforska olika metoder för att modellera avancerade MFRs, där tidsåtgången på målet och vågformen kan anpassas baserat på antingen regelbaserade algoritmer eller en tränad agent.
- Samarbeta med erfarna ingenjörer och specialister.
- Bidra till Saabs tekniska framsteg.
Requirements
- Student i sista skedet av sin utbildning.
- Intresse för fysik, tillämpad matematik och maskininlärning.
- Påbörja ett 30-hp examensarbete.
- Arbeta på plats vid Saabs kontor i Solna Strand, Stockholm.
- Måste klara säkerhetsprövning.
Desired Qualifications
- Intresse för avancerade multifunktionella radarer och elektronisk krigföring.
Benefits
- Möjlighet att tillämpa teoretisk kunskap på verkliga utmaningar.
- Få praktisk erfarenhet.
- Samarbeta med erfarna ingenjörer och specialister.
- Möjlighet att bidra till teknologiska genombrott.
Skills
As a leading defence and security company, we offer solutions that range from the depths of the oceans to high in the sky, on land and in cyberspace, to keep people and society safe. Empowered by our 22,000 talented people, we constantly push the boundaries of technology to create a safer, more sustainable and more equitable world. We design, manufacture and maintain advanced systems in aeronautics, weapons, command and control, sensors and underwater systems. We are headquartered in Sweden and have major operations all over the world and are part of the domestic defence capability of several…
Company
SaabJob Posted
1 day ago
Expires
in 2 weeks
Employment Type
Internship
Work mode
On Site
Experience Level
Entry
Locations
Solna, Sweden
Qualification
Applicants
Be an early applicant
