Lehrinhalte
Der Kurs beinhaltet die Grundlagen der Entdeckungs- und Schätztheorie. Diese werden dann erweitert durch mit fortgeschrittenen Themen der statistischen Signalverarbeitung. Das sind typischerweise Anwendungen aus folgenden Bereichen: Detektion in Radar Anwendungen; Robuste Schätzung; Prädiktion, Filterung und Tracking mit dem Kalman Filter; Sensorgruppen Signalverarbeitung, Richtungsschätzung und Quellendetektion; Zeit-Frequenz Analyse. Die Themen können von Semester zu Semester wechseln.
Der Kurs beinhaltet eine Reihe von 5 Vorlesungen gefolgt von einem betreuten Forschungsseminar über ca. 2 Monate. Die endgültige Bewertung beinhaltet die Seminar-Präsentationen, sowie eine schriftliche Klausur.
Die hauptsächlichen Themengebiete sind:
[list]
[*]Schätztheorie
[*]Detektionstheorie
[*]Robuste Schätztheorie
[*]Seminar-Projekte: z.B. Mikrophongruppen/Beamforming, Ortung und Tracking, Radar-/Ultraschallbildgebung, akustische Quellenlokalisierung, Schätzung der Anzahl von Quellen
[/list]
Literatur
[list]
[*]Folien zur Vorlesung
[*]Jerry D. Gibson and James L. Melsa. Introduction to Nonparametric Detection with Applications. IEEE Press, 1996.
[*]S. Kassam. Signal Detection in Non-Gaussian Noise. Springer Verlag, 1988.
[*]S. Kay. Fundamentals of Statistical Signal Processing: Estimation Theory. Prentice Hall, 1993.
[*]S. Kay. Fundamentals of Statistical Signal Processing: Detection Theory. Prentice Hall, 1998.
[*]E. L. Lehmann. Testing Statistical Hypotheses. Springer Verlag, 2nd edition, 1997.
[*]E. L. Lehmann and George Casella. Theory of Point Estimation. Springer Verlag, 2nd edition, 1999.
[*]Leon-Garcia. Probability and Random Processes for Electrical Engineering. Addison Wesley, 2nd edition, 1994.
[*]P. Peebles. Probability, Random Variables, and Random Signal Principles. McGraw-Hill, 3rd edition, 1993.
[*]H. Vincent Poor. An Introduction to Signal Detection and Estimation. Springer Verlag, 2nd edition, 1994.
[*]Louis L. Scharf. Statistical Signal Processing: Detection, Estimation, and Time Series Analysis. Pearson Education POD, 2002.
[*]Harry L. Van Trees. Detection, Estimation, and Modulation Theory, volume I,II,III,IV. John Wiley & Sons, 2003.
[*]A. M. Zoubir and D. R. Iskander. Bootstrap Techniques for Signal Processing. Cambridge University Press, May 2004.
[/list]
Voraussetzungen
DSP, ein allgemeines Interesse an der Signalverarbeitung ist wünschenswert.
Online-Angebote
Moodle
Der Kurs beinhaltet die Grundlagen der Entdeckungs- und Schätztheorie. Diese werden dann erweitert durch mit fortgeschrittenen Themen der statistischen Signalverarbeitung. Das sind typischerweise Anwendungen aus folgenden Bereichen: Detektion in Radar Anwendungen; Robuste Schätzung; Prädiktion, Filterung und Tracking mit dem Kalman Filter; Sensorgruppen Signalverarbeitung, Richtungsschätzung und Quellendetektion; Zeit-Frequenz Analyse. Die Themen können von Semester zu Semester wechseln.
Der Kurs beinhaltet eine Reihe von 5 Vorlesungen gefolgt von einem betreuten Forschungsseminar über ca. 2 Monate. Die endgültige Bewertung beinhaltet die Seminar-Präsentationen, sowie eine schriftliche Klausur.
Die hauptsächlichen Themengebiete sind:
[list]
[*]Schätztheorie
[*]Detektionstheorie
[*]Robuste Schätztheorie
[*]Seminar-Projekte: z.B. Mikrophongruppen/Beamforming, Ortung und Tracking, Radar-/Ultraschallbildgebung, akustische Quellenlokalisierung, Schätzung der Anzahl von Quellen
[/list]
Literatur
[list]
[*]Folien zur Vorlesung
[*]Jerry D. Gibson and James L. Melsa. Introduction to Nonparametric Detection with Applications. IEEE Press, 1996.
[*]S. Kassam. Signal Detection in Non-Gaussian Noise. Springer Verlag, 1988.
[*]S. Kay. Fundamentals of Statistical Signal Processing: Estimation Theory. Prentice Hall, 1993.
[*]S. Kay. Fundamentals of Statistical Signal Processing: Detection Theory. Prentice Hall, 1998.
[*]E. L. Lehmann. Testing Statistical Hypotheses. Springer Verlag, 2nd edition, 1997.
[*]E. L. Lehmann and George Casella. Theory of Point Estimation. Springer Verlag, 2nd edition, 1999.
[*]Leon-Garcia. Probability and Random Processes for Electrical Engineering. Addison Wesley, 2nd edition, 1994.
[*]P. Peebles. Probability, Random Variables, and Random Signal Principles. McGraw-Hill, 3rd edition, 1993.
[*]H. Vincent Poor. An Introduction to Signal Detection and Estimation. Springer Verlag, 2nd edition, 1994.
[*]Louis L. Scharf. Statistical Signal Processing: Detection, Estimation, and Time Series Analysis. Pearson Education POD, 2002.
[*]Harry L. Van Trees. Detection, Estimation, and Modulation Theory, volume I,II,III,IV. John Wiley & Sons, 2003.
[*]A. M. Zoubir and D. R. Iskander. Bootstrap Techniques for Signal Processing. Cambridge University Press, May 2004.
[/list]
Voraussetzungen
DSP, ein allgemeines Interesse an der Signalverarbeitung ist wünschenswert.
Online-Angebote
Moodle
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2018
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2018
Lehrinhalte
Das Modul bietet eine Einführung in das aufstrebende Feld des maschinellen Lernens aus einer ingenieurwissenschaftlichen Perspektive. Die wichtigsten Modelle und Lernverfahren werden vorgestellt und anhand von Problemen aus der Informations- und Kommunikationstechnik veranschaulicht.
[list]
[*]Grundlagen der Wahrscheinlichkeitstheorie und der multivariaten Statistik
[*]Taxonomie von maschinellen Lernproblemen und von Modellen (überwacht, unüberwacht, generativ, diskriminativ)
[*]Regression und Klassifikation: Theorie, Methoden und ICT Anwendungen
[*]Dimensionalitätsreduktion, Gruppierung und Analyse großer Datensätze: Methoden und Anwendungen in Kommunikation und Signalverarbeitung
[*]Probabilistische graphische Modelle: Kategorien, Inferenz und Parameterschätzung
[*]Grundlagen der Bayesschen Inferenz, Monte Carlo Methoden, nicht-parametrische Bayessche Ansätze
[*]Grundlagen der konvexen Optimierung: Lösungsmethoden und Anwendungen in der Kommunikation
[*]Approximative Algorithmen für skalierbare Bayessche Inferenz; Anwendungen in der Signalverarbeitung und Informationstheorie (z.B. Dekodierung von LDPC Kodes)
[*]Hidden Markov Modelle (HMM): Theorie, Algorithmen und ICT Anwendungen (z.B. Viterbi Dekodierung von Faltungskodes)
[*]Hochdimensionale Statistik (large p small n setting), Lernen von Abhängigkeitsgraphen in hochdimensionalen Daten, Lernen von Kausalitätsgraphen von Beobachtungsdaten.
[*]Schätzverfahren für dünnbesetzte Probleme, Zufallsprojektionen, compressive sensing: Theorie und Anwendungen in der Signalverarbeitung
[*]Tiefe neuronale Netze (deep learning): Modelle, Lernalgorithmen, Programmbibliotheken und ICT Anwendungen
[/list]
Literatur
[list]
[*]Kevin P. Murphy. Machine Learning A probabilistic perspective, MIT Press, 2012
[*]Christopher M. Bishop. Pattern recognition and Machine Learning, Springer, 2006
[*]Peter Bühlmann und Sara van de Geer. Statistics of high-dimensional data Methods, theory and applications, Springer, 2011
[/list]
Voraussetzungen
Grundkenntnisse von Matlab (z.B. aus dem Kurs 18-st-2030 Matlab Grundkurs) und Mathematik für Ingenieure
Online-Angebote
moodle
Das Modul bietet eine Einführung in das aufstrebende Feld des maschinellen Lernens aus einer ingenieurwissenschaftlichen Perspektive. Die wichtigsten Modelle und Lernverfahren werden vorgestellt und anhand von Problemen aus der Informations- und Kommunikationstechnik veranschaulicht.
[list]
[*]Grundlagen der Wahrscheinlichkeitstheorie und der multivariaten Statistik
[*]Taxonomie von maschinellen Lernproblemen und von Modellen (überwacht, unüberwacht, generativ, diskriminativ)
[*]Regression und Klassifikation: Theorie, Methoden und ICT Anwendungen
[*]Dimensionalitätsreduktion, Gruppierung und Analyse großer Datensätze: Methoden und Anwendungen in Kommunikation und Signalverarbeitung
[*]Probabilistische graphische Modelle: Kategorien, Inferenz und Parameterschätzung
[*]Grundlagen der Bayesschen Inferenz, Monte Carlo Methoden, nicht-parametrische Bayessche Ansätze
[*]Grundlagen der konvexen Optimierung: Lösungsmethoden und Anwendungen in der Kommunikation
[*]Approximative Algorithmen für skalierbare Bayessche Inferenz; Anwendungen in der Signalverarbeitung und Informationstheorie (z.B. Dekodierung von LDPC Kodes)
[*]Hidden Markov Modelle (HMM): Theorie, Algorithmen und ICT Anwendungen (z.B. Viterbi Dekodierung von Faltungskodes)
[*]Hochdimensionale Statistik (large p small n setting), Lernen von Abhängigkeitsgraphen in hochdimensionalen Daten, Lernen von Kausalitätsgraphen von Beobachtungsdaten.
[*]Schätzverfahren für dünnbesetzte Probleme, Zufallsprojektionen, compressive sensing: Theorie und Anwendungen in der Signalverarbeitung
[*]Tiefe neuronale Netze (deep learning): Modelle, Lernalgorithmen, Programmbibliotheken und ICT Anwendungen
[/list]
Literatur
[list]
[*]Kevin P. Murphy. Machine Learning A probabilistic perspective, MIT Press, 2012
[*]Christopher M. Bishop. Pattern recognition and Machine Learning, Springer, 2006
[*]Peter Bühlmann und Sara van de Geer. Statistics of high-dimensional data Methods, theory and applications, Springer, 2011
[/list]
Voraussetzungen
Grundkenntnisse von Matlab (z.B. aus dem Kurs 18-st-2030 Matlab Grundkurs) und Mathematik für Ingenieure
Online-Angebote
moodle
- Lehrende: Anja Klein
- Lehrende: Heinz Köppl
- Lehrende: Marius Pesavento
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2018
Lehrinhalte
1) Einführung in MATLAB
2) Zeitdiskrete Signale und Systeme
3) Analyse des Frequenzbereichs basierend auf der DFT
4) Design digitaler Filter mit endlicher Impulsantwort
5) Design digitaler Filter mit unendlicher Impulsantwort mittels analogen Prototypen
6) Nichtparametrische Methoden der Spektralschätzung
7) Parametrische Methoden der Spektralschätzung
Literatur
Praktikumsanleitung
Voraussetzungen
Stochastische Signale und Systeme
Weitere Informationen
Die Veranstaltung kann nach oder parallel zur Vorlesung Digitale Signalverarbeitung besucht werden.
Online-Angebote
Moodle
Bearbeitet von:
[url]http://www.spg.tu-darmstadt.de/[/url]
1) Einführung in MATLAB
2) Zeitdiskrete Signale und Systeme
3) Analyse des Frequenzbereichs basierend auf der DFT
4) Design digitaler Filter mit endlicher Impulsantwort
5) Design digitaler Filter mit unendlicher Impulsantwort mittels analogen Prototypen
6) Nichtparametrische Methoden der Spektralschätzung
7) Parametrische Methoden der Spektralschätzung
Literatur
Praktikumsanleitung
Voraussetzungen
Stochastische Signale und Systeme
Weitere Informationen
Die Veranstaltung kann nach oder parallel zur Vorlesung Digitale Signalverarbeitung besucht werden.
Online-Angebote
Moodle
Bearbeitet von:
[url]http://www.spg.tu-darmstadt.de/[/url]
- Lehrende: Gelöschter User (TU-ID gelöscht)
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2018