Lehrinhalte
Die Lernveranstaltung behandelt folgende Themen:
[list]
[*]Die Grundbegriffe der Stochastik
[*]Das Abtasttheorem
[*]Zeitdiskrete Rauschprozesse und deren Eigenschaften
[*]Beschreibung von Rauschprozessen im Frequenzbereich
[*]Linear zeitinvariante Systeme: FIR und IIR Filter
[*]Filterung von Rauschprozessen: AR, MA und ARMA Modelle
[*]Der Matched Filter
[*]Der Wiener-Filter
[*]Eigenschaften von Schätzern
[*]Die Methode der kleinsten Quadrate
[/list]
Literatur
Ein Vorlesungsskript bzw. Folien können heruntergeladen werden:
[list]
[*][url]http://www.spg.tu-darmstadt.de[/url]
[*]Moodle Platform
[/list]
Vertiefende Literatur:
[list]
[*]A. Papoulis: Probability, Random Variables and Stochastic Processes. McGraw-Hill, Inc., third edition, 1991.
[*]P. Z. Peebles, Jr.: Probability, Random Variables and Random Signal Principles. McGraw-Hill, Inc., fourth edition, 2001.
[*]E. Hänsler: Statistische Signale; Grundlagen und Anwendungen. Springer Verlag, 3. Auflage, 2001.
[*]J. F. Böhme: Stochastische Signale. Teubner Studienbücher, 1998.
[*]A. Oppenheim, W. Schafer: Discrete-time Signal Processing. Prentice Hall Upper Saddle River,1999.
[/list]
Online-Angebote
Moodle
Die Lernveranstaltung behandelt folgende Themen:
[list]
[*]Die Grundbegriffe der Stochastik
[*]Das Abtasttheorem
[*]Zeitdiskrete Rauschprozesse und deren Eigenschaften
[*]Beschreibung von Rauschprozessen im Frequenzbereich
[*]Linear zeitinvariante Systeme: FIR und IIR Filter
[*]Filterung von Rauschprozessen: AR, MA und ARMA Modelle
[*]Der Matched Filter
[*]Der Wiener-Filter
[*]Eigenschaften von Schätzern
[*]Die Methode der kleinsten Quadrate
[/list]
Literatur
Ein Vorlesungsskript bzw. Folien können heruntergeladen werden:
[list]
[*][url]http://www.spg.tu-darmstadt.de[/url]
[*]Moodle Platform
[/list]
Vertiefende Literatur:
[list]
[*]A. Papoulis: Probability, Random Variables and Stochastic Processes. McGraw-Hill, Inc., third edition, 1991.
[*]P. Z. Peebles, Jr.: Probability, Random Variables and Random Signal Principles. McGraw-Hill, Inc., fourth edition, 2001.
[*]E. Hänsler: Statistische Signale; Grundlagen und Anwendungen. Springer Verlag, 3. Auflage, 2001.
[*]J. F. Böhme: Stochastische Signale. Teubner Studienbücher, 1998.
[*]A. Oppenheim, W. Schafer: Discrete-time Signal Processing. Prentice Hall Upper Saddle River,1999.
[/list]
Online-Angebote
Moodle
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2019
Lehrinhalte
Die Lernveranstaltung behandelt folgende Themen:
[list]
[*]Die Grundbegriffe der Stochastik
[*]Das Abtasttheorem
[*]Zeitdiskrete Rauschprozesse und deren Eigenschaften
[*]Beschreibung von Rauschprozessen im Frequenzbereich
[*]Linear zeitinvariante Systeme: FIR und IIR Filter
[*]Filterung von Rauschprozessen: AR, MA und ARMA Modelle
[*]Der Matched Filter
[*]Der Wiener-Filter
[*]Eigenschaften von Schätzern
[*]Die Methode der kleinsten Quadrate
[/list]
Literatur
Ein Vorlesungsskript bzw. Folien können heruntergeladen werden:
[list]
[*][url]http://www.spg.tu-darmstadt.de[/url]
[*]Moodle Platform
[/list]
Vertiefende Literatur:
[list]
[*]A. Papoulis: Probability, Random Variables and Stochastic Processes. McGraw-Hill, Inc., third edition, 1991.
[*]P. Z. Peebles, Jr.: Probability, Random Variables and Random Signal Principles. McGraw-Hill, Inc., fourth edition, 2001.
[*]E. Hänsler: Statistische Signale; Grundlagen und Anwendungen. Springer Verlag, 3. Auflage, 2001.
[*]J. F. Böhme: Stochastische Signale. Teubner Studienbücher, 1998.
[*]A. Oppenheim, W. Schafer: Discrete-time Signal Processing. Prentice Hall Upper Saddle River,1999.
[/list]
Online-Angebote
Moodle
Die Lernveranstaltung behandelt folgende Themen:
[list]
[*]Die Grundbegriffe der Stochastik
[*]Das Abtasttheorem
[*]Zeitdiskrete Rauschprozesse und deren Eigenschaften
[*]Beschreibung von Rauschprozessen im Frequenzbereich
[*]Linear zeitinvariante Systeme: FIR und IIR Filter
[*]Filterung von Rauschprozessen: AR, MA und ARMA Modelle
[*]Der Matched Filter
[*]Der Wiener-Filter
[*]Eigenschaften von Schätzern
[*]Die Methode der kleinsten Quadrate
[/list]
Literatur
Ein Vorlesungsskript bzw. Folien können heruntergeladen werden:
[list]
[*][url]http://www.spg.tu-darmstadt.de[/url]
[*]Moodle Platform
[/list]
Vertiefende Literatur:
[list]
[*]A. Papoulis: Probability, Random Variables and Stochastic Processes. McGraw-Hill, Inc., third edition, 1991.
[*]P. Z. Peebles, Jr.: Probability, Random Variables and Random Signal Principles. McGraw-Hill, Inc., fourth edition, 2001.
[*]E. Hänsler: Statistische Signale; Grundlagen und Anwendungen. Springer Verlag, 3. Auflage, 2001.
[*]J. F. Böhme: Stochastische Signale. Teubner Studienbücher, 1998.
[*]A. Oppenheim, W. Schafer: Discrete-time Signal Processing. Prentice Hall Upper Saddle River,1999.
[/list]
Online-Angebote
Moodle
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2019
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 2019
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 2019
Lehrinhalte
Das zum Modul gehörige Praktikum besteht aus sechs Versuchen, die zeitlich eng auf die Vorlesung abgestimmt sind:
[list]
[*]Messung von Signalen im Zeitbereich mit digitalen Speicheroszilloskopen, Triggerbedingungen
[*]Messung von Signalen in Frequenzbereich mit digitalen Speicheroszilloskopen, Messfehler (Aliasing/Unterabtastung, Leackage) und Fenster-Funktionen
[*]Messen elektrischer Größen und Messunsicherheiten
[*]Messen mechanischer Größen mit geeigneten Primärsensoren, Sensorelektroniken/Verstärkerschaltungen
[*]Datenerfassung und Messsignalverarbeitung mit LabVIEW
[*]Messignalverarbeitung mit Matlab am Beispiel einer Entfernungsmessung mittels Ultraschall
[/list]
Literatur
[list]
[*]Foliensatz zur Vorlesung
[*]Lehrbuch und Übungsbuch Lerch: Elektrische Messtechnik, Springer
[*]Übungsunterlagen
[*]Anleitungen zu den Praktikumsversuchen
[/list]
Voraussetzungen
Grundlagen der ETiT I-III, Mathe I-III, Elektronik
Online-Angebote
Moodle
Das zum Modul gehörige Praktikum besteht aus sechs Versuchen, die zeitlich eng auf die Vorlesung abgestimmt sind:
[list]
[*]Messung von Signalen im Zeitbereich mit digitalen Speicheroszilloskopen, Triggerbedingungen
[*]Messung von Signalen in Frequenzbereich mit digitalen Speicheroszilloskopen, Messfehler (Aliasing/Unterabtastung, Leackage) und Fenster-Funktionen
[*]Messen elektrischer Größen und Messunsicherheiten
[*]Messen mechanischer Größen mit geeigneten Primärsensoren, Sensorelektroniken/Verstärkerschaltungen
[*]Datenerfassung und Messsignalverarbeitung mit LabVIEW
[*]Messignalverarbeitung mit Matlab am Beispiel einer Entfernungsmessung mittels Ultraschall
[/list]
Literatur
[list]
[*]Foliensatz zur Vorlesung
[*]Lehrbuch und Übungsbuch Lerch: Elektrische Messtechnik, Springer
[*]Übungsunterlagen
[*]Anleitungen zu den Praktikumsversuchen
[/list]
Voraussetzungen
Grundlagen der ETiT I-III, Mathe I-III, Elektronik
Online-Angebote
Moodle
- Lehrende: Omar Ben Dali
- Lehrende: Mario Kupnik
- Lehrende: Sven Suppelt
Semester: SoSe 2019
Lehrinhalte
Signaldetektion und Parameterschätzung sind fundamentale Aufgaben der Signalverarbeitung. Sie treten in verschiedener Form in vielen allgemeinen Ingenieurtätigkeiten auf. In diesem Kurs wird die zugrunde liegende Theorie der Detektion und Schätzung behandelt, welches zu einem besseren Verständnis der Fragen, warum (und wie) gute Detektions- und Schätzschemata entworfen werden, führt.
Es wird behandelt: Grundlagen der Detektions- und Schätztheorie, Hypothesentests, Bayes-/Ideal Observer-/ Neyman-Pearson-Tests, Receiver Operating Characteristics, Uniformly Most Powerful Tests, Matched Filter, Schätztheorie, Typen von Schätzern, Maximum-Likelihood-Schätzung, Genügsamkeit und Fisher-Neyman- / Faktorisierungs-Kriterium, Erwartungstreue und minimale Varianz von Schätzern, Fisher-Information und CRB, Asymptotische Eigenschaften von MLE.
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.
Weitere Informationen
Signalerkennung und Parameterschätzung. Die Benotung basiert auf einem Seminar Vortrag und der mündlichen Prüfung
Online-Angebote
Moodle
Signaldetektion und Parameterschätzung sind fundamentale Aufgaben der Signalverarbeitung. Sie treten in verschiedener Form in vielen allgemeinen Ingenieurtätigkeiten auf. In diesem Kurs wird die zugrunde liegende Theorie der Detektion und Schätzung behandelt, welches zu einem besseren Verständnis der Fragen, warum (und wie) gute Detektions- und Schätzschemata entworfen werden, führt.
Es wird behandelt: Grundlagen der Detektions- und Schätztheorie, Hypothesentests, Bayes-/Ideal Observer-/ Neyman-Pearson-Tests, Receiver Operating Characteristics, Uniformly Most Powerful Tests, Matched Filter, Schätztheorie, Typen von Schätzern, Maximum-Likelihood-Schätzung, Genügsamkeit und Fisher-Neyman- / Faktorisierungs-Kriterium, Erwartungstreue und minimale Varianz von Schätzern, Fisher-Information und CRB, Asymptotische Eigenschaften von MLE.
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.
Weitere Informationen
Signalerkennung und Parameterschätzung. Die Benotung basiert auf einem Seminar Vortrag und der mündlichen Prüfung
Online-Angebote
Moodle
- Lehrende: Abdelhak Zoubir
Semester: SoSe 2019