Westfälische Hochschule  

 

  

 
 
Lehrveranstaltungen
Hochfrequenztechnik
Digitale Funksysteme
Signale & Systeme
Akustik & Sound
EMV-Elektronikstörung
Stochastik & Signalver.
Grundlagen E-Technik
Projektarbeiten
Downloadbereich

Wir über uns
Labor & Ausstattung
BA-MA-Diplomarbeiten
Forschungsthemen
Veröffentlichungen

Aktivitäten
Pressestimmen
Veranstaltungen

Kontakt
Ansprechpartner
Anfahrt
Fachbereich

>>>Disclaimer

 

Lehrveranstaltung    KI - Stochastik und Signalverarbeitung

Fach:               Kuenstliche Intelligenz - Stochastik und Signalverarbeitung (SSV)

Professor:            Dr.-Ing. Tilo Ehlen

Umfang:            4 SWS Master Vorlesung, Übung, Praktkum

   Script, Animationen  

 

Ziel:           In allen intelligenten elektronischen Systemen müssen anhand von verrauschten und ungenauen Sensorsignalen Entscheidungen über das Vorhandensein von Merkmalen oder Ereignissen getroffen werden (Detektion) oder die Stärke eines analogen Signals geschätzt werden (Estimation). So erfordern Erkennungsprozesse, die im menschlichen Gehirn fast unbewusst ablaufen, in der Elektronik von SmartPhones (Vokaltraktschätzung), Autos (Einspritzung, Fahrregelung), Fernsehern (Bildbewegungsschätzung), oder Robotern (Bild-, Farb-, Form-, Gesichts- und Sprechererkennung) geeignete analoge Schaltungen oder digitalisierte Signalprozessor-Algorithmen. Die Vorlesung behandelt diese Erkennungssysteme ausgehend von den ersten Zieldetektionen in Radarsystemen des letzten Jahrtausends bis hin zu den heutigen adaptiven selbstlernenden Schätzverfahren – der Grundlage von künstlicher Intelligenz.

  

Inhalt:      Mittelung, bedingte Wahrscheinlichkeit, Wahrscheinlichkeitsvariablen, Orthogonalisierung, Klusterung, Maximum Likelyhood, Maximum a priori , optimale Filter, IIR, FIR, Gradienten Suche und LMS, Least Square Adaption, rekursive Adaption RLS, Adaptive Filter, Kalman-Filterung, Fuzzy-Logik, Neuronale Netze,Deep Learning, Bilderkennung mit FaltungsNeuronalenNetzen, Beispiel Geräuscherkennung zur Fehlerdiagnose, Spracherkennung mit RecurrentNNs, Beispiel Bilderkennung elektronischer Fingerabdruck, Quadrokopter-GPS-Tracking.

 

Methodik:     Methodik: Vorlesung mit multimedialer Unterstützung und Übungselementen auf der Basis von: Matlab/Simulink/Octave, DeepLearningToolbox und Java-Applets, Script

 

Literatur:        

·     A.Papoulis, „Probability, Random Variables, and Stochastic Processes“,McGraw-Hill,1984

·     K.Kammeyer, „Nachrichtenübertragung“, Teubner, 1996

·     H.L. van Trees, „Detection, Estimation and Modulation Theory“, Wiley, 1968

·     B.Anderson,J.Moore, „Optimal Filtering“, Prentice Hall, 1979

·     G.Moschytz, M.Hofbauer,“Adaptive Filter“, Springer, 2000

·      G.Jaanineh,M.Maijohann,“Fuzzy-Logik und Fuzzy-Control“, Vogel Buchverlag 1996

·      Aurelion Geron,“Hands-On Machine Learning with SciKit-Learn and TensorFlow“, OReilly 2018

 





© 2024