EventoWeb

Zürcher Hochschule für Angewandte Wissenschaften

Nicht angemeldet (Donnerstag, 21. November 2024 15:08:31)  

t.BA.WV.DSV2.19HS (Digitale Signalverarbeitung 2) 
Modul: Digitale Signalverarbeitung 2
Diese Information wurde generiert am: 21.11.2024
Nr.
t.BA.WV.DSV2.19HS
Bezeichnung
Digitale Signalverarbeitung 2
Veranstalter
T ISC
Credits
4

Beschreibung

Version: 4.0 gültig ab 01.02.2024
 

Kurzbeschrieb

 Die Digitale Signalverarbeitung (DSV) spielt eine zentrale Rolle in vielen Anwendungen der Wireless Communication, Regelungstechnik, Sensorik, Messtechnik, Medizintechnik, Sprach- und Audio-Signalverarbeitung, ...). In diesem Modul lernen Sie klassische Schätzverfahren, lernende Systeme und die Klassifikation mit Deep Neural Networks kennen.

Modulverantwortung

 Rupf Marcel (rumc)

Lernziele (Kompetenzen)
Ziel Kompetenzen Taxonomiestufen
Kennenlernen von "advanced" DSV-Algorithmen und ihren Anwendungen F, M 3-5
Vertiefung der Kenntnisse der Implementation von DSV-Algorithmen F, M 3-5
Kennenlernen der stochastischen DSV und Deep Neural Networks F, M 3-5
     

Modulinhalte

 - Beschreibung von Zufallssignalen / "random signals"
(Alle interessanten Signale sind zufällig! Beschreibung im Zeit- und Frequenzbereich. Anwendungen: Suche von Ähnlichkeiten / Features, Messung der Raum-Impuls-Antwort mit Pseudo-Noise-Signalen ...)

- Adaptive LMS-Filter
(zeitvariante Filter, die sich mit einem rekursivem Algorithmus selbst an "unbekannte" Anforderungen anpassen und Veränderungen folgen können, Minimum Mean Squared Error- bzw. Wiener-Filter, LMS-Algorithmus)

- Least-Squares Schätzfilter
(Methode der kleinsten Quadrate, Orthogonalitätsprinzip, lineare Regression,
LS-FIR-Filter, Rekursiv Least-Squares, Anwendungen wie Prädiktion, Echo-Unterdrückung, Active Noise Cancelling, System-Identifikation, ...)

- Kalman-Filterung
(Zustandsgleichungen, System-Modell, Kalman Filter Gleichungen, einfache kinematische Tracking-Beispiele, Datenfusion z.B. von Inertial Measurement Unit bzw. IMU)

- Machine Learning Grundbegriffe
(Training- und Testdaten, Overfitting, Kostenfunktion, Regression und Klassifikation, Entscheidungsregionen)

- Deep Learning
(Künstliches Neuron, Deep Neural Networks, Backpropagation, Convolutional Neural Networks, Recurrent Neural Networks, Anwendungsbeispiele: Spracherkennung, TinyML, ...)

Lehrmittel/Materialien

 Skript, Folien, Uebungen, Praktikas und Testprüfungen

Ergänzende Literatur

 A.V. Oppenheim, G.C. Verghese, "Signals, Systems & Inference", Pearson, 2016. 

CH.M. Bishop with H. Bishop, "Deep Learning: Foundations and Concepts", Springer, 2023.

Zulassungs-voraussetzungen 

 DSV1 empfohlen

Unterrichtssprache

 (X) Deutsch ( ) Englisch

Teil des Internationalen Profils

 ( ) Ja (X) Nein

Modulausprägung

 Typ 3a
  Details siehe unter: T_RL_Richtlinie_Modulauspraegungen_Stundengutschriften

Leistungsnachweise
Bezeichnung Art Form Umfang Bewertung Gewichtung
Leistungsnachweise während Studiensemester Klausur
Labor		 schriftlich
Testat		 90'
 		 Benotung
Benotung		 20%
20%
Semesterendprüfung Klausur schriftlich 90' Benotung 60%

Bemerkungen

  

Rechtsgrundlage

 Die Modulbeschreibung ist neben Rahmenprüfungsordnung und Studienordnung Teil der Rechtsgrundlage. Sie ist verbindlich. Eine in der ersten Unterrichtswoche des Semesters schriftlich festgehaltene und kommunizierte Modulvereinbarung kann die Modulbeschreibung präzisieren. Die Modulvereinbarung ersetzt nicht die Modulbeschreibung.

Hinweis

  • Weitere verfügbare Versionen: 1.0 gültig ab 01.02.2021, 2.0 gültig ab 01.08.2022, 3.0 gültig ab 01.02.2023
Kurs: Digitale Signalverarbeitung 2 - Praktikum
Nr.
t.BA.WV.DSV2.19HS.P
Bezeichnung
Digitale Signalverarbeitung 2 - Praktikum

Hinweis

  • Für das Stichdatum 21.11.2024 ist kein Modulbeschreibungstext im System verfügbar.
Kurs: Digitale Signalverarbeitung 2 - Vorlesung
Nr.
t.BA.WV.DSV2.19HS.V
Bezeichnung
Digitale Signalverarbeitung 2 - Vorlesung

Hinweis

  • Für das Stichdatum 21.11.2024 ist kein Modulbeschreibungstext im System verfügbar.