EventoWeb
Zürcher Hochschule für Angewandte Wissenschaften
Menu Home User Menu
Not registered Login
[ German (Switzerland) German (Switzerland) ]   [ English ]
[ de de ]   [ en ]
Not registered Login
t.BA.WV.DSV2.19HS (Digital Signal Processing 2) 
Module: Digital Signal Processing 2
This information was generated on: 20 March 2025
No.
t.BA.WV.DSV2.19HS
Title
Digital Signal Processing 2
Organised by
T ISC
Credits
4

Description

Version: 5.0 start 01 February 2024

Diese Modulbeschreibung gilt bis zum 31. Juli 2024. Die gültige Modulbeschreibung ist im Intranet unter https://intra.zhaw.ch/departemente/school-of-engineering/bachelorstudium/module im Modulhandbuch abrufbar.

 

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.

Note

Course: Digitale Signalverarbeitung 2 - Praktikum
No.
t.BA.WV.DSV2.19HS.P
Title
Digitale Signalverarbeitung 2 - Praktikum

Note

  • No module description is available in the system for the cut-off date of 20 March 2025.
Course: Digitale Signalverarbeitung 2 - Vorlesung
No.
t.BA.WV.DSV2.19HS.V
Title
Digitale Signalverarbeitung 2 - Vorlesung

Note

  • No module description is available in the system for the cut-off date of 20 March 2025.