Nummer: 141222 | |
Lehrform: Vorlesung und Übungen | |
Verantwortlicher: Prof. Dr.-Ing. Georg Schmitz | |
Dozent*in: Prof. Dr.-Ing. Georg Schmitz, Dr.-Ing. Stefanie Dencks | |
Sprache: Deutsch | |
SWS: 4 | |
LP: 5 | |
TERMINE IM WINTERSEMESTER | |
Beginn: Mittwoch den 19.10.2022 | |
Vorlesung Mittwochs: ab 10:15 bis 11.45 Uhr im ID 03/445 | |
Übung Dienstags: ab 08:15 bis 09.45 Uhr im ID 03/445 | |
PRÜFUNG | |
Termin nach Absprache mit dem Dozenten. | |
Prüfungsform: | mündlich |
Prüfungsanmeldung: | FlexNow |
Dauer: | 30 min |
ZIELE
Die Studierenden kennen einige wichtige Klassen stochastischer Prozesse, die zur Modellierung von gemessenen Signalen dienen, und können geeignete Modelle für die häufigsten Anwendungsfälle auswählen, verstehen ihre Eigenschaften, und können diese Modelle z.B. zur Parameterschätzung anwenden. Die Studierenden haben fachspezifische Kenntnisse wichtiger Standardverfahren der stochastischen Signalverarbeitung erworben (z.B. Kalman-Filter, adaptive Filter, Markov-Ketten und Markov-Chain-Monte-Carlo-Verfahren) und sind befähigt diese auf bekannte und neue Problemstellungen anzuwenden. Durch die Übungen und Rechnerübungen (Praxisübung) sind die Studierenden befähigt, das Erlernte im Team praktisch umzusetzen, Lösungsansätze zu erläutern, zu bewerten und argumentativ zu vertreten. Die wichtigen Grundbegriffe stochastischer Signale werden auch in englischer Sprache vermittelt, so dass die Studierenden in die Lage versetzt werden, sich die internationale Fachliteratur auf dem Gebiet der statistischen Signalverarbeitung zu erschließen.
INHALT
Die Vorlesung 'Statistische Signalverarbeitung' stellt stochastische Signalmodelle, und einige wichtige ingenieurtechnische Anwendungen stochastischer Signale vor. Zunächst werden die für Signalmodelle wichtigsten stochastischen Prozesse wie weißes Rauschen, Poisson-Prozesse oder Markov-Ketten diskutiert. Bei den Anwendungen konzentriert sich die Vorlesung auf zeitdiskrete Optimalfilterverfahren. Hierbei steht das Kalman Filter im Mittelpunkt, das für das Beispiel der Ein-Schritt Prädiktion hergeleitet wird. Anschließend werden ausgewählte Methoden der Verarbeitung stochastischer Signale behandelt: Hierzu gehören insbesondere parametrische und nichtparametrische Spektralschätzung, Maximum-Likelihood Schätzer, Detektoren und adaptive Filter (LMS, RLS).
VORAUSSETZUNGEN
keine
EMPFOHLENE VORKENNTNISSE
Kenntnisse stochastischer Signale, die denen entsprechen, die in der Vorlesung "Stochastische Signale" im Bachelor-Studiengang Elektrotechnik und Informationstechnik vermittelt werden.
LITERATUR
SONSTIGES
Die Vorlesungs- und Übungsunterlagen werden über Moodle zur Verfügung gestellt. Eine Selbsteinschreibung in den Kurs ist ab dem 18.10.2022 mit dem Passwort "Kalman" möglich.