MSE Master of Science in Engineering

The Swiss engineering master's degree

Jedes Modul umfasst 3 ECTS. Sie wählen insgesamt 10 Module/30 ECTS in den folgenden Modulkategorien:

  • ​​​​12-15 ECTS in Technisch-wissenschaftlichen Modulen (TSM)
    TSM-Module vermitteln Ihnen profilspezifische Fachkompetenz und ergänzen die dezentralen Vertiefungsmodule.
  • 9-12 ECTS in Erweiterten theoretischen Grundlagen (FTP)
    FTP-Module behandeln theoretische Grundlagen wie die höhere Mathematik, Physik, Informationstheorie, Chemie usw. Sie erweitern Ihre abstrakte, wissenschaftliche Tiefe und tragen dazu bei, den für die Innovation wichtigen Bogen zwischen Abstraktion und Anwendung spannen zu können.
  • 6-9 ECTS in Kontextmodulen (CM)
    CM-Module vermitteln Ihnen Zusatzkompetenzen aus Bereichen wie Technologiemanagement, Betriebswirtschaft, Kommunikation, Projektmanagement, Patentrecht, Vertragsrecht usw.

In der Modulbeschreibung (siehe: Herunterladen der vollständigen Modulbeschreibung) finden Sie die kompletten Sprachangaben je Modul, unterteilt in die folgenden Kategorien:

  • Unterricht
  • Dokumentation
  • Prüfung
Statistische Digitale Signalverarbeitung und Modellierung (TSM_StatDig)

Dieses Modul führt die Studierenden in die mächtige Welt der statistischen, digitalen Signalverarbeitung ein. Auf Bachelor-Niveau wird die digitale Signalverarbeitung meist anhand determinierter Signale gelehrt. In der Praxis sind die meisten interessanten Signale jedoch stochastischer Natur. Die in diesem Modul präsentierten Theorien sind grundlegend für weiterführende Anwendungen wie Prädiktion oder Geräuschminderung.


Das Modul ist in sich geschlossen. Somit werden alle nötigen Kenntnisse über die digitale Signalverarbeitung, lineare Algebra und Wahrscheinlichkeitstheorie zu Beginn des Kurses aufgefrischt. Anschliessend folgt eine Einführung in stochastische Prozesse. Auf dieser Grundlage können später Probleme der optimalen Filterung und Spektralschätzung ausformuliert werden. Nach einer vertieften Behandlung dieser Probleme werden adaptive Filter behandelt. Auf diese Filter wird bei vielen Fragen der statistischen, digitalen Signalverarbeitung zurückgegriffen.

Eintrittskompetenzen

Grundkenntnisse in den folgenden Bereichen:

  • Infinitesimalrechnung
  • Lineare Algebra
  • Wahrscheinlichkeit/Statistik
  • Digitale Signalverarbeitung

Lernziele

  • Die Studierenden lernen stochastische Signale und Systeme kennen
  • Die Studierenden verstehen die verschiedenen Methoden der Signalmodellierung und können diese anwenden
  • Die Studierenden verfügen über ein vertieftes Verständnis der Wiener-Filterung und wissen, wie Kalman-Filter zur Lösung stochastischer Filterungs-Probleme verwendet werden können
  • Die Studierenden verstehen die verschiedenen Methoden der Spektralschätzung und können diese anwenden
  • Die Studierenden kennen die wichtigsten adaptiven Filter und sind in der Lage, für konkrete Anwendungen jeweils den richtigen auszuwählen

Modulkategorie

Das Modul beginnt mit einer Repetition der digitalen Signalverarbeitung, der linearen Algebra und der Wahrscheinlichkeitstheorie. Danach werden einige Konzepte stochastischer Prozesse eingeführt, die nötig sind, um die Anwendungen der statistischen Signalverarbeitung zu verstehen. Im Anschluss werden verschiedene Arten der Signalmodellierung behandelt, die später für parametrische Methoden verwendet werden können. Als nächstes folgt eines der Hauptthemen: die optimale lineare Schätzung (mit dem kleinsten durchschnittlichen quadratischen Fehler) eines Signals, das durch zusätzliche Geräusche korrumpiert wird. Darauf folgt das ebenfalls wichtige Thema der Spektralschätzung. Abschliessend werden die gelernten Theorien angewandt, um adaptive Filter zu entwerfen.

Die zur Verfügung stehenden 14 Wochen sind folgendermassen aufgeteilt:

  • 2 Wochen: Hintergrundwissen (Repetition der digitalen Signalverarbeitung und linearen Algebra)
  • 3 Wochen: Zufallsprozesse in diskreter Zeit (inkl. Repetition der Wahrscheinlichkeitstheorie)
  • 2 Wochen: Signalmodellierung
  • 3 Wochen: Wiener-Filterung (inkl. diskretes Kalman-Filter)
  • 2 Wochen: Spektralschätzung
  • 2 Wochen: Adaptive Filterung

Lehr- und Lernmethoden

  • 2 Vorlesungslektionen und 1 Übungslektion pro Woche 2 Vorlesungslektionen und 1 Übungslektion pro Woche
  • Papier- und Bleistiftübungen sowie MATLAB Hausaufgaben

Bibliografie

“Statistical Digital Signal Processing and Modeling” von Monson H. Hayes in Englisch

Vollständige Modulbeschreibung herunterladen

Zurück