|
Voraussetzungen für die Vergabe von LP
|
Die Modulnote ergibt sich aus dem gewichteten Mittel der Noten aus der Klausur Digitale Signalverarbeitung II (K90, Gewicht: 5/7) und der Klausur Multi-User Information Theory (K60, Gewicht: 2/7)
|
|
Veranstaltungen
|
Digitale Signalverarbeitung II
| Art |
Vorlesung |
| Nr. |
EMI2232 |
| SWS |
4.0 |
| Lerninhalt |
ENTWURF UND REALISIERUNG REKURSIVER (IIR-)FILTER
Filterentwurf:
- impulsinvariante, sprunginvariante, bilineare Transformation
Filterstrukturen:
- nichtkanonische, kanonische und transponierte Direktform
- Kaskadenform, Parallelform
DFT/FFT-ALGORITHMEN
Definition, Anwendung auf einfache Folgen
Interpretationsmöglichkeiten der Ergebnisse:
- abgetastete Version der FT bei zeitbegrenzten Signalen
- Fourier-Reihe bei periodischen Signalen
- Komplexe Mischer- und Filterbank
FFT-Algorithmen
- Zirkulare Faltung, Segmentierung, Overlap-Methoden
MULTIRATENVERARBEITUNG
Idealer zeitkontinuierlicher Abtastratenumsetzer
Dezimation:
- Beschreibung in Zeit- und Frequenzbereich
- Aliasing, kontrolliertes Aliasing
- mehrstufige Dezimation
- Ökonomische Realisierung von Dezimationsfiltern
- Kaskadierte MTAs.
Interpolation:
- Beschreibung in Zeit- und Frequenzbereich
- Unterdrückung von Spiegelkomponenten
- Ökonomische Realisierung von Interpolationsfiltern
- Konstante und lineare Interpolation als Spezialfall
ADAPTIVE FILTER
- Vektorielle Beschreibung
Einsatzfelder:
- Prädiktor, Systemidentifikation
- Entzerrung, Kompensation
Optimallösung im Sinne der Minimierung des MQF
LMS-Algorithmus:
- Stochastische Approximation
- Konvergenzbedingung
WAVELETS UND FILTERBÄNKE
- Haar Wavelets, Daubechies Wavelets
- Perfekte Rekonstruktion
- Polyphasenfilter
- Anwendungen |
| Literatur |
Kammeyer, K.D., Kroschel, K., Digitale Signalverarbeitung, Filterung und Spektralanalyse mit MATLAB-Übungen, Vieweg+Teubner, 8. Auflage, 2012
Oppenheim, A. V., Schafer, R. W., Discrete-Time Signal Processing, Pearson Prentice Hall, 3rd edition, 2009
|
Statistical Signal Processing and Information Theory
| Art |
Vorlesung |
| Nr. |
EMI2252 |
| SWS |
2.0 |
| Lerninhalt |
Random Variables and Random Processes
- discrete and continuous random variables
- pdf, cdf, pmf, expectation, moments, variance
- transformations of random variables
Parameter and Spectrum Estimation
- power spectral density and periodogram
- parameter estimation
Probability and Information
- Entropy, conditional and joint entropy
- mutual information
Source Coding
- Shannon-Fano, Huffman
- Source coding theorem
Channel Capacity and Channel Coding
- Discrete memoryless channels
- AWGN channel
- Fading channels
Decision Theory
- MAP, ML, hypothesis testing
Factor Graphs and Belief Propagation
Applications
- Frame synchronization
- MIMO
- Analog-Digital-Conversion
|
| Literatur |
• Stefan. M. Moser, Po-Ning Chen, A Student’s Guide to Coding and Information Theory, Cambridge University Press, 2012.
• Martin Bossert, Einführung in die Nachrichtentechnik, Oldenbourg Verlag, 2012.
• David MacKay: Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003Alan V. Oppenheim, Alan S. Willsky: Signals & Systems. Pearson, 2013.
• Alan V. Oppenheim, George V. Verghese: Signals, Systems and Inference. Pearson, 2017.
|
|