- Totalmente financiado
- la Universidad de Cambridg
- Bachiller, Maestro
- ingeniería de la información, matemáticas o informática
- estudiantes británicos elegibles, estudiantes internacionales
- REINO UNIDO
Descripción de la beca:
El objetivo general es introducir un marco bayesiano genérico para una sólida discriminación secuencial de objetivos a partir de ruidosos datos de series temporales. El reconocimiento de los drones a partir de los datos del radar será un área de aplicación clave, por ejemplo para la gestión del tráfico aéreo no tripulado. Esta investigación aprovechará los recientes avances en el aprendizaje secuencial a partir de datos de series cronológicas (por ejemplo, con métodos basados en el núcleo) y puede entrañar la incorporación de cualquier antecedente conocido sobre la evolución de las características a lo largo del tiempo o el ruido o el desorden actuales utilizando modelos adecuados (posiblemente jerárquicos) de espacio de estado estocástico. El principal desafío es mitigar los resultados de la clasificación de objetivos fluctuantes y poco fiables (por ejemplo, los aviones no tripulados) mediante métodos de aprendizaje supervisados o no supervisados, ya que: a) el clasificador utiliza características (por ejemplo, relacionadas con la cinemática o el Doppler) extraídas del sensor (por ejemplo, el radar) de datos de series temporales ruidosos, b) la calidad de los datos y las características fluctúa significativamente con el tiempo (por ejemplo, debido al desorden, los trayectos múltiples, las oclusiones, etc.) para un objetivo determinado, c) algunas características salientes clave (por ejemplo, relacionadas con los efectos micro-Doppler) están disponibles de forma intermitente.
Temas disponibles:
ingeniería de la información, matemáticas o informática
Criterios de elegibilidad:
La investigación se llevará a cabo en estrecha colaboración con Aveillant-Thales, que ofrecerá orientación y datos de radar potencialmente reales para diversos objetivos de interés para validar los algoritmos de reconocimiento desarrollados. Esto también incluye que el solicitante pase al menos 3 meses en las oficinas de Aveillant en Cambridge.
Los solicitantes deben tener (en la fecha de inicio) al menos un buen título de 2.1 en ingeniería de la información, matemáticas o informática. Es muy deseable una formación en procesamiento estadístico de señales y/o aprendizaje de máquinas, con experiencia en uno o más de los siguientes aspectos: métodos de rastreo y SMC, aprendizaje supervisado para la clasificación y aprendizaje profundo, detección de anomalías e inferencia de patrones de vida. Se espera que los solicitantes tengan una sólida capacidad de programación/modelación, por ejemplo en MATLAB/Python/C++.
Nacionalidades elegibles:
Las becas de DTP de EPSRC están financiadas en su totalidad (tasas y mantenimiento) para los estudiantes británicos elegibles. Los estudiantes internacionales (incluida la UE) serán considerados para recibir una financiación parcial (cuotas y mantenimiento a nivel de casa) del DTP.
Para más detalles sobre la elegibilidad y la financiación, consulte la página web:
https://epsrc.ukri.org/skills/students/help/eligibility/
https://www.postgraduate.study.cam.ac.uk/finance/fees
https://www.cambridgetrust.org/scholarships/
La Universidad apoya activamente la igualdad, la diversidad y la inclusión y fomenta las solicitudes de todos los sectores de la sociedad.
Procedimiento de solicitud:
Las solicitudes deben presentarse a través del portal de solicitantes de la Universidad de Cambridge www.graduate.study.cam.ac.uk/courses/directory/egegpdpeg, con el profesor Simon Godsill identificado como el posible supervisor.
Se alienta encarecidamente a los solicitantes a que se pongan en contacto con el Dr. Bashar Ahmad [email protected] a la mayor brevedad posible para expresar su intención de presentar una solicitud con un currículum de dos páginas (y otros documentos de apoyo, si los hubiera) o si tienen alguna consulta oficiosa.
Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator
