 |
| Detailinformationen |
| Quellcurriculum |
Masterstudium Elektronik und Informationstechnik (ELIT) 2023W |
| Ziele |
Studierende kennen und verstehen die grundlegenden Parameterschätzmethoden, die Grundlagen optimaler Filter, adaptiver Filter und der Kalman Filter qualitativ und mathematisch und können diese auf komplexere Aufgabenstellungen anwenden.
|
| Lehrinhalte |
- Methoden der Parameterschätzung
- Klassische Methoden: MVU, BLUE, ML, LS
- Bayes’sche Methoden: MAP, MMSE, LMMSE
- Anwendungen: Amplitudenschätzung, Frequenzschätzung, Leistungsschätzung, * Signalextraktion, Systemidentifikation, Datenschätzung
- Optimale Filter
- Wiener Filter
- Least Squares Filter
- Anwendungen: Systemidentifikation (Kanalschätzung), Inverse Systemidentifikation (z.B. zur Entzerrung von Mobilfunkkanälen), Rauschunterdrückung, Lineare Prädiktion (beispielsweise für Sprachsignale)
- Adaptive Filter
- LMS (Least Mean Squares) Algorithmus
- RLS (Recursive Least Squares) Algorithmus
- Kalman Filter
- Standard Kalman Filter
- Extended Kalman Filter
- Anwendungen
|
| Beurteilungskriterien |
Schriftliche oder mündliche Prüfung (abhängig von der Anzahl der eingeschriebenen Studierenden)
|
| Lehrmethoden |
Folien/Tafelvortrag unterstützt mit Matlab-basierten Demos
|
| Abhaltungssprache |
English |
| Literatur |
- Vorlesungsfolien
- S. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall, Rhode Island 1993.
- D.G. Manolakis, V.K. Ingle, S.M. Kogon, Statistical and Adaptive Signal Processing, Artech House, 2005.
|
| Lehrinhalte wechselnd? |
Nein |
| Frühere Varianten |
Decken ebenfalls die Anforderungen des Curriculums ab (von - bis)
489INTEOASV17: VL Optimale und Adaptive Signalverarbeitungssysteme (2017W-2022S)
489WSIVOASV14: VL Optimale und Adaptive Signalverarbeitungssysteme (2014W-2017S)
|
|
