t.BA.WV.DSV2.19HS (Digitale Signalverarbeitung 2) 
Modul: Digitale Signalverarbeitung 2
Diese Information wurde generiert am: 22.02.2024
Nr.
t.BA.WV.DSV2.19HS
Bezeichnung
Digitale Signalverarbeitung 2
Veranstalter
T ISC
Credits
4

Beschreibung

Version: 3.0 gültig ab 01.02.2023
 

Kurzbeschrieb

Die Digitale Signalverarbeitung DSV spielt eine wichtige Rolle in vielen Engineering-Disziplinen (ICT, Control, Sensors, Medtech, Audio, ...). DSV2 richtet sich an Studierende, die ihre DSV-Kenntnisse ausbauen und neue Algorithmen für fortschrittliche Anwendungen kennenlernen wollen. Neben den klassischen Schätzverfahren wird auch die Klassifikation mit Neuronalen Netzen behandelt.

Modulverantwortung

Rupf Marcel (rumc)

Lernziele (Kompetenzen)

Ziel Kompetenzen Taxonomiestufen
Kennenlernen von komplexeren DSV-Algorithmen und ihren Anwendungen F, M 3-5
Vertiefung der Kenntnisse der Implementation von DSV-Algorithmen auf Microcontroller STM32F769 F, M 3-5
Kennenlernen der stochastischen DSV und Neuronalen Netze F, M 2-4
     

Modulinhalte

- Multiraten-Signalverarbeitung
(Dezimation, Interpolation, Sigma-Delta-ADC, Polyphasen-Filter, Filterbanken, Anwendungen in MP3 ...)

- Beschreibung von Zufalls- bzw. stochastischen Signalen
(Alle interessanten Signale sind zufällig! Beschreibung im
Zeit- und Frequenzbereich. Anwendungen wie Verbesserung der Genauigkeit in der Messtechnik, Suche von Ähnlichkeiten, ...)

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

- Least-Squares Schätzfilter
(Methode der kleinsten Quadrate, Normalgleichung, lineare Regression,
LS-FIR-Filter, Rekursiv Least-Squares, Anwendungen

wie Prädiktion, Echo-Unterdrückung, aktive Lärm-Kompensation, System-Identifikation, ...)

- Kalman-Filterung
(Zustandsgleichungen, System-Modell, Kalman Filter Gleichungen, einfache [kinematische] Beispiele)


- Einführung in Neuronale Netze (NN)
(Perceptron, deep NN, supervised learning, delta rule, back-propagation Algorithmus, multi-class Klassifikation, Beispiel Keyword Detection)

Lehrmittel/Materialien

Skript, Folien, Uebungen, Praktikas und Testprüfungen, siehe
\\shared.zhaw.ch\public\staff\rumc\out\dsv2

Ergänzende Literatur

D.G. Manolakis, V.K. Ingle, "Applied Digital Signal Processing, Theory and Practice", Cambridge Universtity Press, 2011.

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
Matlab
90'
60'
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

Kurs: Digitale Signalverarbeitung 2 - Praktikum
Nr.
t.BA.WV.DSV2.19HS.P
Bezeichnung
Digitale Signalverarbeitung 2 - Praktikum

Hinweis

  • Für das Stichdatum 22.02.2024 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 22.02.2024 ist kein Modulbeschreibungstext im System verfügbar.