 |
| Detailinformationen |
| Quellcurriculum |
Masterstudium Elektronik und Informationstechnik (ELIT) 2025W |
| Lernergebnisse |
Kompetenzen |
| Studierende kennen und verstehen die grundlegenden Parameterschätzmethoden, die Grundlagen optimaler Filter, adaptiver Filter und der Kalman Filter, sowohl in qualitativer als auch in mathematischer Hinsicht, und können diese auf komplexere Aufgabenstellungen anwenden.
|
|
| Fertigkeiten |
Kenntnisse |
Studierende sind in der Lage
- die Performance klassischer Schätzalgorithmen (MVU, BLUE, ML, LS), sowie Bayes'scher Methoden (MAP, MMSE, LMMSE) für verschiedene Anwendungen zu analysieren und zu bewerten. K4, K5
- diese Schätzmethoden für verschiedene Anwendungen zu entwickeln. K2, K3, K5, K6
- die zu Grunde liegenden Prinzipien von Optimalfiltern und ihre typischen Anwendungsfälle zu erläutern. K2
- Wiener Filter und Least Squares Filter für verschiedenste Szenarien anzuwenden und zu bewerten. K3, K5
- den LMS (Least Mean Squares) und den RLS (Recursive Least Squares) Algorithmus für unterschiedliche Szenarien anzuwenden und zu bewerten (u.a. Systemidentifikation, inverse Systemidentifikation, Rauschunterdrückung, Lineare Prädiktion). K3, K4, K5
- die Prinzipien und Einschränkungen adaptiver Filter-Methoden zu erläutern. K2
- den Kalman Filter Algorithmus auf das lineare Gauß-Markov Modell anzuwenden und zu analysieren. K3, K4
- den extended Kalman Filter Algorithmus auf nichtlineare Zustandsraummodelle anzuwenden und zu analysieren. K3, K4
|
- 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 |
| Sonstige Informationen |
Die Lehrveranstaltungen VL Signalverarbeitung und UE Signalverarbeitung bilden eine untrennbare didaktische Einheit. Die dargestellten Lernergebnisse werden im Zusammenwirken der beiden Lehrveranstaltungen erreicht.
|
| 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)
|
|
