Lehrveranstaltungsverzeichnis der Wahlfächer
|
Seminar Ausgewählte Kapitel der Nachrichtentechnik [Sem NT] -
- Dozentinnen/Dozenten:
- Robert Schober, Ralf Müller, Laura Cottatellucci, Wolfgang Gerstacker
- Angaben:
- Hauptseminar, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Blockseminar, Termine n.V.
- Studienrichtungen / Studienfächer:
- WPF ICT-MA 1-4
- Inhalt:
- Enabling Techniques for 6G Communication Networks
As the standardization of the fifth generation (5G) communication systems has been completed and the 5G network has been commercially launched in 2020, the research visioning and planning of the sixth generation (6G) communication systems has started. 6G communications are expected to be the focus in wireless communication and networking research in the coming years and aim to meet the future demands in terms of data rate, latency, energy-efficiency, and number of supported devices. In this seminar, we investigate the exciting new applications envisioned for 6G communications and their enabling technologies including intelligent surfaces, artificial intelligence-aided communications, optical wireless, and wireless reality sensing.
|
|
Lab Course Machine Learning in Signal Processing [LabMLISP] -
- Dozentinnen/Dozenten:
- Veniamin Morgenshtern, Kamal Gopikrishnan Nambiar
- Angaben:
- Praktikum, 4 SWS, ECTS: 2,5, nur Fachstudium
- Termine:
- Mi, 14:00 - 18:30, Raum n.V.
Lab conducted as an online course
- Studienrichtungen / Studienfächer:
- WPF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Knowledge of Python programming language is required. Basic theoretical knowledge in machine learning is assumed: consider taking the Machine Learning in Signal Processing (MLSIP) course in the same semester.
- Inhalt:
- Imagine a car driving on an autobahn in an automatic mode. Among other things, the car needs to steer itself to keep driving in it's own lane. To accomplish this, the central problem is to detect the road-lane markings. These are the white solid or dashed lines that are drawn on each side of the lane. The standard modern approach to solve this type of problems is to take a large dataset of labeled examples and train a deep neural network model to accomplish the task. This is how car and pedestrian detection algorithms are developed. The difficulty with the road-lane markings is that there is no labeled dataset of them and creating such dataset would cost millions of dollars. In this lab course we will solve this problem using a dataset of simulated images intermixed with a dataset of real images that contain no road.
Time permitting, you will enhance the results by designing a network that analyses short video fragments. The software will be developed in Python using Jupyter Notebook development kit. For deep learning you will use the PyTorch framework. This is an advanced course, the knowledge of Python is assumed.
|
|
Seminar Intraoperative Imaging and Machine Learning [IIML] -
- Dozentinnen/Dozenten:
- Holger Kunze, Katharina Breininger, Holger Keil
- Angaben:
- Seminar, 2 SWS, ECTS: 5
- Termine:
- Mi, 8:30 - 10:00, 09.150
- Studienrichtungen / Studienfächer:
- WPF ICT-MA ab 1
- Inhalt:
- For many applications, techniques like deep learning allow for considerably faster algorithm development and allow to automate tasks that were performed manually in the past. In medical imaging, a large variety of time-consuming tasks that interfere with clinical workflows has the potential for automation. However, at the same time new challenges arise like data privacy regulations and ethics concerns.
In this seminar, we want to develop an application that allows for the automation of an X-ray based intraoperative planning or measurement procedure from a holistic perspective. To this end, we will invite a surgeon to explain the medical background and visit the operating room to understand the surgeons’ needs while performing the task. Having understood the underlying medical problem, we will look into topics of data privacy, code of ethics, prototype development, and UI design for surgeons. Furthermore, we will touch regulatory requirements necessary for releasing software to clinics.
At the end of the seminar, the students will have developed and documented a prototypical application for the indented intraoperative use case.
Students will be able to
visit an operation room, following the rules of such an environment
perform their own literature research on a given subject
independently research this subject according to data privacy and ethical standard
present and introduce the subject to their student peers
give a scientific talk in English according to international conference standards
describe their results in a scientific report
|
|
Multimedia Security Exercises [MMSecEx] -
- Dozent/in:
- Christian Riess
- Angaben:
- Übung, 2 SWS
- Termine:
- Do, 18:00 - 20:00, Zoom-Meeting
- Studienrichtungen / Studienfächer:
- WPF ICT-MA 1
- Voraussetzungen / Organisatorisches:
- The majority of the methods are applications of signal processing. Thus, it is recommended to bring prior basic knowledge either in signal processing, pattern recognition, image processing, or related fields. Additionally, it is important to bring basic programming knowledge, preferably in python.
- Inhalt:
- These are the exercises for the lecture "Multimedia Security". Participants will implement algorithms in Python (supported) or any other language of choice (unsupported).
- Schlagwörter:
- Steganography, Watermarking, Multimedia Forensics, Data Hiding
|
|
Multimedia Security [MMSec] -
- Dozent/in:
- Christian Riess
- Angaben:
- Vorlesung, 2 SWS, Schein
- Studienrichtungen / Studienfächer:
- WPF ICT-MA 1
- Voraussetzungen / Organisatorisches:
- The majority of the methods are applications of signal processing. Thus, it is recommended to bring prior basic knowledge either in signal processing, pattern recognition, image processing, or related fields. Additionally, it is important to bring basic knowledge in programming, preferably in python and/or C++.
- Inhalt:
- Participants of this lecture obtain an overview of the field of Multimedia Security. This includes a variety of security-related questions around multimedia data. In particular, we present key results and techniques from image forensics, steganography, watermarking, and biometrics. Selected algorithms are implemented and tested by the participants. It is helpful to bring prior experience in signal processing or pattern recognition.
This lecture will be held entirely online due to the Corona virus.
The format will be an inverted classroom.
Everything will be coordinated via studon, please register for the class here: https://www.studon.fau.de/studon/goto.php?target=crs_3279420
- Empfohlene Literatur:
-
A number of scientific publications will be provided as additional reading in the course of the lecture.
- Schlagwörter:
- Steganography, Watermarking, Multimedia Forensics, Data Hiding, Copyright Protection
| | | Do | 16:00 - 18:00 | Zoom-Meeting | |
Riess, Ch. | |
|
Laborpraktikum Bild- und Videosignalverarbeitung auf eingebetteten Plattformen [PrBiViP] -
- Dozentinnen/Dozenten:
- Jürgen Seiler, Viktoria Heimann
- Angaben:
- Praktikum, Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- Do, 14:00 - 18:00, Raum n.V.
Lab conducted as online course
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Betrachtet man Anwendungen der Bild- und Videosignalverarbeitung stellt man fest, dass viele davon auf mobilen Plattformen ablaufen. Die dort verwendeten Systeme haben aber häufig nur eine reduzierte Leistungsfähigkeit und müssen besonders auf den Energieverbrauch achten. Nichtsdestotrotz sind aber auch einfache, mobile Systeme wie Smartphones oder Tablets in der Lage, anspruchsvolle Signalverarbeitungsaufgaben für Bild- und Videosignale durchzuführen. Dies umfasst zum Beispiel die Codierung von Bildern und Videos, aber auch die Erzeugung von Panoramen oder die Berechnung von Bildern mit hohem Dynamikumfang.
Das Praktikum „Bild- und Videosignalverarbeitung auf eingebetteten Plattformen“ soll die Herausforderung, die mit einer Verarbeitung dieser Signale auf eingebetteten Plattformen einhergehen genauer vermitteln und es wird aufgezeigt, wie man selbst auf Plattformen mit eingeschränkter Leistungsfähigkeit entsprechende Algorithmen umsetzen kann. Hierzu werden in dem Praktikum Raspberry Pis als Plattform verwendet und die Programmierung erfolgt in Python.
Die Versuche umfassen den Aufbau und die Inbetriebnahme der eingebetteten Plattform, eine Einführung in Python und in die grundlegenden Prozesse der Bild- und Videosignalverarbeitung. Weitere Versuchsinhalte sind die Anbindung einer Kamera, Bildsignalverarbeitungsprozesse mit der Kamera und die Implementierung verschiedener digitaler Filter. Das Praktikum beinhaltet außerdem verschiedene Anwendungen computergestützten Sehens (Computer Vision). Die Detektion von Merkmalen und Objekten in Bildern und Videos werden einführend behandelt und aktuelle Computer Vision Anwendungen, wie die Erstellung eines Panoramas werden betrachtet.
- Empfohlene Literatur:
- Das Praktikumsskript “Image and video signal processing on embedded platforms” wird am ersten Termin ausgegeben.
Zusätzliche Literatur:
J. E. Solem, Programming Computer Vision with Python. O´Reilly and Associates, 2012
J. R. Parker, Algorithms for Image Processing and Computer Vision. USA, Indianapolis: Wiley, 210
R. Szeliski, Computer Vision: Algorithms and Applications. Berlin: Springer, 2010
|
|
Laborpraktikum Digitale Signalverarbeitung [PrDSV] -
- Dozentinnen/Dozenten:
- Heinrich Löllmann, Jürgen Seiler, Matthias Kreuzer
- Angaben:
- Praktikum, 2 SWS, Schein, nur Fachstudium, The course will be offered on Thursday morning (8:30-12:30) and Friday afternoon (14:00-18:00).
- Termine:
- 14:00 - 18:00, 8:30 - 12:30, Raum n.V.
The lab will be conducted as online course. The exact dates and format will be announced in due time.
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Systemtheorie,
Digitale Signalverarbeitung
- Inhalt:
- In diesem Laborpraktikum wird die Theorie aus der Vorlesung Digitale Signalverarbeitung in der Praxis angewandt, unter Verwendung der Programmierumgebung MATLAB. Die behandelten Themen umfassen Quantisierung, Spektralanalyse, FIR- und IIR-Filterentwurf, Filterbänke, sowie adaptive Filter.
Das Praktikum besteht aus 5 Versuchsterminen, an denen die Teilnehmer in Zweiergruppen Programmieraufgaben lösen, und einem 5-tägigen Block, in dem jede Gruppe ein individuelles Projekt aus dem Bereich der Digitalen Signalverarbeitung bearbeitet.
Zu Beginn jedes Versuchs wird der Stand der Vorbereitung, sowie die Versuchsergebnisse des vergangenen Termins in einem schriftlichen Testat geprüft. Für das Bestehen des Praktikums ist eine Mindestpunktzahl aus den Testaten und dem Blockpraktikum nötig.
Das Praktikum erfordert vorhandene MATLAB-Programmierkenntnisse. Es ist möglich, das Praktikum parallel zur Vorlesung Digitale Signalverarbeitung zu besuchen, allerdings ist es dazu notwendig, die jeweiligen Vorlesungsinhalte vor dem Praktikumstermin zu wiederholen, und an Übung und Tutorium teilzunehmen.
- Empfohlene Literatur:
- Das Skriptum ‚Digital Signal Processing Laboratory‘ wird in der Einführungsveranstaltung ausgegeben.
- Schlagwörter:
- DSP
|
|
Machine Learning: Advances [SemML-II] -
- Dozentinnen/Dozenten:
- Tobias Feigl, Christoffer Löffler, Christopher Mutschler
- Angaben:
- Seminar, 2 SWS, ECTS: 5, Anmeldung mit Themenanfrage per E-Mail vor Beginn des Seminars; Die Themen werden nach dem Prinzip "Wer zuerst kommt, mahlt zuerst" verteilt.
- Termine:
- Findet als Blockveranstaltung statt. Lehrveranstaltung wird ausschließlich digital angeboten - Details siehe StudOn-Kurs.
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Dieser Kurs richtet sich an Anfänger, die mit maschinellem Lernen nicht vertraut sind, oder an Studierende, die eine schnelle Auffrischung suchen.
Anmeldung via e-mail an tobias.feigl@fau.de
- Inhalt:
- Dieses Seminar führt in das Themengebiet des tiefen Lernens ein. Tiefes Lernen ist eine der gefragtesten Fähigkeiten in der künstlichen Intelligenz. Verfahren des tiefen Lernens haben beispielsweise alle bisherigen Benchmarks für die Klassifizierung von Bildern, Text und Sprache weit übertroffen. Tiefes Lernen ermöglicht und verbessert einige der interessantesten Anwendungen der Welt, wie autonome Fahrzeuge, Genomforschung, humanoide Robotik, Echtzeitübersetzung und es besiegt die besten menschlichen Go-Spieler der Welt.
Ziel des Seminars ist eine umfassende Einführung in das tiefe Lernen. Basierend auf maschinellem Lernen wird daher erklärt, wie tiefes Lernen funktioniert, wann und warum es wichtig ist und die wesentlichen Verfahren beleuchtet. Zu den Verfahren gehören: (1) Architektur und Hyperparameter; (2) mehrschichtiges Perzeptron; (3) Mischungen neuronaler Netze; (4) tiefes Lernen für Sequenzen (Hidden Markov-Modelle, wiederkehrende neuronale Netze, bidirektionales/Langzeit-Kurzzeitgedächtnis, Gated Recurrent Unit, Temporal Convolutional Network); (5) tiefes Lernen für Bilder (Faltungs-Neuronale Netze); (6) tiefes/verstärkendes Lernen; (7) Markov-Prozesse (Gaußsche Prozesse und Bayes'sche Optimierung, grafische Modelle und Bayes'sche Netze, Kalman- und Partikelfilter); (8) Online-Lernen und Spieltheorie; (9) unüberwachtes Repräsentationslernen und generative Methoden (allgemeine gegnerische Netzwerke, Variational Autoencoder); (10) Datenerweiterung und Transferlernen.¹ Das Seminar gibt einen Einblick in die Welt des tiefen Lernens und befähigt den Studierenden eine wissenschaftliche Präsentation und Ausarbeitung anzufertigen, um individuell erworbenes Wissen einem Fachpublikum vermitteln zu können. ¹ Die Themen sind an den aktuellen Forschungsstand angepasst und wechseln sich jährlich ab.
- Empfohlene Literatur:
- G. Goodfellow und Y. Bengio und A. C. Courville: Deep Learning, mitp-Verlag, 2015
R. S. Sutton und A. G. Barto: Reinforcement Learning: An Introduction, MIT Press, 1998
F. V. Jensen: An Introduction To Bayesian Networks, Springer, 1996
R. Rojas: Theorie der neuronalen Netze - eine systematische Einführung, Springer, 1993
J. Schmidhuber: Deep learning in neural networks: An overview, J. Intl. Neural Network Society (INNS), 2015
D. Silver et al.: Mastering the game of Go with deep neural networks and tree search, J. Nature, 2016
F. Chollet: Deep Learning with Python, Manning Publications, 2017
A. Müller und S. Guido: Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly UK Ltd., 2016
T. J. Hastie und R. Tibshirani und J. H. Friedman: The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, 2009
|
|
Maschinelles Lernen und Datenanalytik für Industrie 4.0 [MADI40] -
- Dozentinnen/Dozenten:
- Björn Eskofier, An Nguyen, Franz Köferl, Philipp Schlieper, Christoph Scholl
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium, Registration via mail to an.nguyen@fau.de
- Termine:
- Mi, 16:15 - 18:00, 00.010
Starts on 04.11.2020
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Prerequisites
Registration via e-mail to an.nguyen@fau.de Registration period: 01.09.2020 - 28.10.2020
This course will be held online until the coronavirus pandemic is contained to such an extent that the Bavarian state government can allow face-to-face teaching again. More information will be sent via mail to registered students. Requirements:
Prior knowledge of machine learning via courses like PA, IntroPR, PR, DL, MLTS, CVP or equivalent (ideally first project experiences) is expected!
Motivation to explore scientific findings (e.g. via literature research)
Motivation to code and analyze data
Examination:
50% of grade: Presentation + demo (20 minutes)
50% of grade 4 pages IEEE standard paper (excluding references) + code submission
Attending the presentations of other students
- Inhalt:
- Contents
Companies in all kinds of industries are producing and collecting rapidly more and more data from various sources. This is enabled by technologies such as the Internet of Things (IoT), Cyber-physical system (CPS) and cloud computing. Hence there is an increasing demand in industry and research for students and graduates with machine learning and data analytics skills in the Industry 4.0 context.
In this Seminar the Industry 4.0 term will include the medical device sector. Aim of this seminar is to give students insights about state-of-the-art machine learning and data analytics methods and applications in the Industry 4.0 and Healthcare context. Students will mainly work independently on specific topics including implementation and analytical components. Several potential topics will be provided but students are also encouraged to propose their own topics (please discuss with teaching staff beforehand). Topics covered will include but are not limited to:
Best practices for presentation and scientific work
Overview of current hot topics in the field of machine learning and data analytics for Industry 4.0 (e.g. deep learning for predictive maintenance and process mining for usage analysis)
Data acquisition (what kind of data can be acquired? Identification of publicly available data sets) and storage (how can data be stored efficiently?)
Machine learning and data analytics methodologies (Support vector machines, Hidden Markov models, Deep learning, Process mining, etc.) for industrial data (sensor data, event logs, ...)
Object detection in industry application
The seminar will include talks by corresponding lecturer and invited experts in the domain. Furthermore, students will present results from literature research and data analytics projects (provided or open source datasets). Learning Objectives and Competencies
Students will develop an understanding of the current hot field of machine learning and data analytics for Industry 4.0 / healthcare
Students will learn to research and present a topic within the context of machine learning and data analytics for Industry 4.0 / healthcare independently
Students will learn to identify opportunities, challenges and limitations of corresponding ML approaches for Industry 4.0 / healthcare
Students will develop the skill to identify and understand relevant literature and to present their finding in a structured manner
Students will learn to present implementation and validation results in form of a demonstration and/or report
- Empfohlene Literatur:
- Literature (Selection)
Lei, Yaguo, Naipeng Li, Liang Guo, Ningbo Li, Tao Yan, and Jing Lin. “Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction.” Mechanical Systems and Signal Processing 104 (May 2018): 799–834.https://doi.org/10.1016/j.ymssp.2017.11.016.
Rojas, Eric, Jorge Munoz-Gama, Marcos Sepúlveda, and Daniel Capurro. “Process Mining in Healthcare: A Literature Review.” Journal of Biomedical Informatics 61 (June 1, 2016): 224–36. https://doi.org/10.1016/j.jbi.2016.04.007.
Wil M. P. van der Aalst. „Process Mining: Data Science in Action” 2nd edition, Springer 2016. ISBN 978-3-662-49851-4
Wang, Lihui, and Xi Vincent Wang. Cloud-Based Cyber-Physical Systems in Manufacturing. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-319-67693-7.
- Schlagwörter:
- Machine Learning, Data Analytics, Process Mining, Predictive Maintenance, Industry 4.0, Healthcare
|
|
Advanced Networking [AdN] -
- Dozent/in:
- Kai-Steffen Jens Hielscher
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Do, 14:15 - 15:45, 01.019
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Für die durch Big Data, Cloud Computing, Internet-of-Things (IoT) und mobile Endgeräte hervorgerufenen Herausforderungen sind neue Architekturen für Rechnernetze entstanden: Software-Defined-Networking (SDN) entkoppelt die Data Plane (Weiterleitung von Paketen, auf handelsüblicher Hardware) und die Control Plane (Steuerung, auf leistungsfähigen Plattformen) und bietet offene Programmierschnittstellen; Network Functions Virtualization (NFV) erweitert Konzepte zur Server- und Netzwerkvirtualisierung, so dass bisher auf proprietärer Hardware ausgeführte Netzwerkfunktionen (wie z.B. Routing) ebenfalls virtualisiert und auf handelsüblicher Hardware ausgeführt werden können. Die Vorlesung stellt hinter diesen Technologien stehende Konzepte und Standards vor und zeigt, wie sie für Rechenzentren, für Cloud- und Fog-Computing und für IoT-Anwendungen eingesetzt werden können.
- Schlagwörter:
- SDN, NFV, IoT, Cloud Computing, Fog Computing
|
|
Ausgewählte Kapitel der Audiodatenreduktion [AKADR] -
- Dozent/in:
- Jürgen Herre
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium
- Termine:
- jede 2. Woche Do, 12:15 - 15:30, Zoom-Meeting
Einzeltermine am 10.12.2020, 21.1.2021, 12:15 - 15:30, Zoom-Meeting
Für die Zoom-Meetings ist ein guter Kopfhörer erforderlich.
bis zum 28.1.2021
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Signale und Systeme I & II
Multimediakommunikation
- Inhalt:
- Gehörangepasste Audiocodierung findet sich überall im modernen Leben (mp3-Player, Handys, DVD-Player, Computer, ...). Aufbauend auf anderen Veranstaltungen (insbes. "Sprach- und Audiosignalverarbeitung") vertieft diese Vorlesung das Verständnis moderner Algorithmen zur gehörangepassten Audioquellcodierung.
Die Vorlesung bietet einen Überblick über die wichtigsten standardisierten Verfahren, angefangen von MPEG-1 (incl. mp3) über MPEG-4 bis hin zu den aktuellsten MPEG Audio Standards. Die wesentlichen Algorithmen werden in ihrer Funktionsweise erläutert, neuartige Ansätze werden vorgestellt. Die ausgewählten Themenschwerpunkte sind u.a.
• Effiziente Codierung mehrerer Audiokanäle / parametrische
Multikanalcodierung
• Typische Codierverzerrungen; subjektive und objektive
Qualitätsbeurteilung
• Skalierbare Audiocodierung
• Bandbreitenerweiterung
• Halbparametrische Audiocodierung
• Verzögerungsarme Audiocodierung Die Lehrinhalte werden mit einer Reihe von Demonstrationen und Hörbeispielen illustriert.
Für die Online-Übertragung sind gute Kopfhörer (Stereo) erforderlich.
- Schlagwörter:
- AudioLabs MP3 AAC Audiocodierung Audiokodierung "Perceptual Audio Coding" "Low Bitrate Audio Coding"
|
|
Bild-, Video- und mehrdimensionale Signalverarbeitung [IVMSP] -
- Dozent/in:
- André Kaup
- Angaben:
- Vorlesung, 3 SWS, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 12:15 - 13:45, H9
Die Vorlesung wird semesterbegleitend im Hörsaal aufgezeichnet und im Videoportal der Universität zur Verfügung gestellt.
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Prerequisite: Lecture "Signals & Systems I+II"
At the first visit, access to the StudOn course has to be requested via the link https://www.studon.fau.de/studon/goto.php?target=crs_2002842 and will be granted by the course assistant.
- Inhalt:
- Point operations
Histogram equalization, gamma correctionBinary operations
Morphological filters, erosion, dilation, opening, closing Color spaces
Trichromacy, red-green-blue color spaces, color representation using hue, saturation and value of intensity Multidimensional signals and systems
Theory of multidimensional signals and systems, impulse response, linear image filtering, power spectrum, Wiener filtering Interpolation of image signals
Bi-linear interpolation, bi-cubic interpolation, spline interpolation Image feature detection
Image features, edge detection, Hough transform, Harris corner detector, texture features, co-occurrence matrix Scale space representation
Laplacian of Gaussian, difference of Gaussian, scale invariant feature transform, speeded-up robust feature transform Image matching
Projective transforms, block matching, optical flow, feature-based matching using SIFT and SURF, random sample consensus algorithm Image segmentation
Amplitude thresholding, k-means clustering, Bayes classification, region-based segmentation, combined segmentation and motion estimation, temporal segmentation of video Transform domain image processing
Unitary transform, Karhunen-Loeve transform, separable transform, Haar and Hadamard transform, DFT, DCT
- Empfohlene Literatur:
- J.-R. Ohm: Multimedia Content Analysis, Springer Verlag, 2016
J. W. Woods: Multidimensional Signal, Image, and Video Processing and Coding, Academic Press, 2. Auflage, 2012
|
|
Einführung digitaler ASIC Entwurf [EDA] -
- Dozentinnen/Dozenten:
- Marc Reichenbach, Dietmar Fey
- Angaben:
- Vorlesung, 2 SWS, Schein, nur Fachstudium
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-3
- Voraussetzungen / Organisatorisches:
- Grundlagen der Technischen Informatik
Grundlagen der Rechnerarchitektur und –organisation
Grundlagen der Schaltungstechnik
- Inhalt:
- Einführung in die Welt der integrierten Schaltkreise
Schaltungstechnische Grundlagen
Designflow für integrierte Schaltkreise
Zeitliche Rahmenbedinungen für die Entwicklung
Testbarkeit
Low-Power-Design
Algorithmen von Entwurfswerkzeugen
Verifikation von Schaltungen
Diese Veranstaltung ist sehr praxisorientiert. Aus diesem Grund wird zusätzlich zur Tafelübung eine Laborübung (2.5 ECTS) angeboten. Hier besteht die Möglichkeit einen integrierten Schaltkreis, welcher im Rahmen der Laborübung entstehtb fertigen zu lassen und anschließend (in einer weiteren Veranstaltung) zu testen. Zur Teilnahme an der Laborübung melden Sie sich bis 02.11.2020 01:00 bei folgender Studon Gruppe an. Die Teilnehmeranzahl ist beschränkt.
| | | Mo | 8:15 - 9:45 | Zoom-Meeting | |
Reichenbach, M. Fey, D. | |
|
Modellierung, Optimierung und Simulation von Energiesystemen [MOSES] -
- Dozent/in:
- Marco Pruckner
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Do, 8:15 - 9:45, Raum n.V.
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- In der Vorlesung Modellierung, Optimierung und Simulation von Energiesystemen werden systemtechnische Planungs- und Analysemethoden behandelt, die zur Lösung komplexer und interdisziplinärer Entscheidungsaufgaben in der Energiewirtschaft eingesetzt werden. Dabei werden die wichtigsten Methoden und Verfahren anhand praktischer Fragestellungen (z.B. Ausbau erneuerbarer Energien, Zunahme der Elektromobilität) aus der energiepolitischen Planung vermittelt und die Bewältigung technisch-ökonomischer Probleme verdeutlicht.
Übersicht der Vorlesungsinhalte:
o Datenanalyse (Regressionsanalysen, Clusteranalyse, Zeitreihenanalyse)
o Mathematische Optimierung (Lineare Programmierung, Gemischt-ganzzahlige lineare Programmierung, dynamische Optimierung)
o Simulation (Diskrete Ereignissimulation, System Dynamics, agentenbasierte Simulation)
o Input-Output-Analyse, Gleichgewichtsmodelle
o Behandlung von Unsicherheiten
o Energienachfragemodelle
o Kraftwerkseinsatzmodelle
o Kraftwerksausbaumodelle
o Modelle für Energieversorgungsmodelle Zu den eingesetzten Tools zählen die Statistiksoftware R, AnyLogic und lpSolve. Vorkenntnisse im Umgang mit diesen Werkzeugen ist nicht zwingend erforderlich. In den Übungen werden Einführungen in die genannten Softwarepakete gegeben.
|
|
Musikverarbeitung - Synthese [MPS] -
- Dozent/in:
- Maximilian Schäfer
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, Kredit: 2/2, nur Fachstudium
- Termine:
- Do, 12:15 - 13:45, Raum n.V.
The lecture will be offered via a live Zoom session. Further information will be provided via StudOn in due time.
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Voraussetzung sind Kenntnisse in digitaler Signalverarbeitung, Kenntnisse aus der Vorlesung Mensch-Maschine-Schnittstelle sind hilfreich, aber nicht notwendig.
Die Vorlesung ist thematisch eng verwandt mit der Vorlesung "Music Processing - Analysis" von Prof. Meinard Müller. Beide Vorlesungen können jedoch unabhängig voneinander gehört werden.
Die Vorlesung wir aufgezeichnet und Fragen werden via Zoom beantwortet.
- Inhalt:
- Die Vorlesung behandelt die Bearbeitung von Audiosignalen mit parametrischen Filtern und Effekten, sowie die Erzeugung künstlicher Klänge für musikalische Anwendungen. Klangbeispiele und Demonstrationen ergänzen den Vorlesungstoff.
Filter und Effekte
Digitale Klangsynthese
Systeme zur Klangproduktion und -wiedergabe
Klangeffekte
Synthesizer
künstlicher Hall
- Empfohlene Literatur:
- Das Vorlesungsskript und weitere Zusatzmaterialien zur Vorlesung werden via StudOn zur Verfügung gestellt.
- Schlagwörter:
- Audio, Signal Processing, Sound Synthesis, Computer Music
|
|
Praktische Softwaretechnik [PSWT-PSWT] -
- Dozentinnen/Dozenten:
- Detlef Kips, Martin Jung
- Angaben:
- Vorlesung, 4 SWS, ECTS: 5
- Termine:
- Mi, 10:15 - 13:45, Raum n.V.
Die Veranstaltung wird digital mittels ZOOM durchgeführt. Weitere Infos auf StudOn
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Modulbezeichnung
PSWT-PSWT (Praktische Softwaretechnik) Dozenten Prof. Dr. Bernd Hindel, Dr. Martin Jung, Prof. Dr. Detlef Kips, Dr. Norbert Oster, Prof. Dr. Dirk Riehle Inhalt Software ist überall und Software ist komplex. Nicht triviale Software wird von Teams entwickelt. Oft müssen bei der Entwicklung von Softwaresystemen eine Vielzahl von funktionalen und nicht funktionalen Anforderungen berücksichtigt werden. Hierfür ist eine disziplinierte und ingenieurmäßige Vorgehensweise notwendig. Die Vorlesung "Praktische Softwaretechnik" soll ...
ein Bewusstsein für die typischen Problemstellungen schaffen, die bei der Durchführung umfangreicher Softwareentwicklungsprojekte auftreten,
ein breites Basiswissen über die Konzepte, Methoden, Notationen und Werkzeuge der modernen Softwaretechnik vermitteln und
die Möglichkeiten und Grenzen ihres Einsatzes im Kontext realistischer Projektumgebungen anhand praktischer Beispiele demonstrieren und bewerten.
Die Vorlesung adressiert inhaltlich alle wesentlichen Bereiche der Softwaretechnik. Vorgestellt werden unter anderem
traditionelle sowie agile Methoden der Softwareentwicklung,
Methoden der Anforderungsanalyse und des Systementwurfs,
Konzepte der Softwarearchitektur, -implementierung und Dokumentation und
Testen und Qualitätssicherung sowie Prozessverbesserung.
Weitere Materialien und Informationen sind hier zu finden:
Die Teilnahme ist begrenzt. Bitte registrieren Sie sich zeitig für den Kurs auf StudOn, um sicherzustellen, dass Sie einen Platz erhalten. Lernziele und Kompetenzen
Den Unterschied zwischen "Programmieren im Kleinen" und "Programmieren im Großen" (Softwaretechnik) zu verstehen
Grundlegende Methoden der Softwaretechnik über den gesamten Projekt- und Produktlebenszyklus zu verstehen und anwenden zu können
Die Rolle und Zuständigkeiten der Berufsbilder "Projektleiter", "Anforderungsermittler", "Softwareentwickler" und "Qualitätssicherer" zu verstehen
Studien- und Prüfungsleistungen 90min. Klausur Berechnung Modulnote 100% Klausurnote Vorbereitende Literatur http://goo.gl/JSoUbV
|
|
Produktentwicklung Integrierter Systeme (Analog/Mixed-Signal) [VORL PINSYS] -
- Dozent/in:
- Martin Allinger
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, nur Fachstudium
- Termine:
- Fr, 10:15 - 11:45, EL 4.14
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Inhalt:
- Why analog?
Introduction: Development Flow of an IC
Quality Control Environments
ATE Architecture
Analog Instruments
Basic Analog Measurement and Test Concepts (DC)
DAC testing
Data Analysis and Statistics
Sampling Theory and DSP-based Testing
ADC Testing
Design for Test
Typical Analog Issues / Pitfalls
RF Testing
Qualification of ICs
Failure Analysis of ICs
|
|
Radar Signal Processing [RSP] -
- Dozent/in:
- Gerhard Krieger
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 5
- Termine:
- Di, 13:00 - 14:30, HF-Technik: BZ 6.18
Online-Angebot. Details Absatz Voraussetzungen / Organisatorisches
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Voraussetzungen / Organisatorisches:
- Wegen der Corona-Pandemie werden alle Vorlesungen und Übungen zunächst ausschließlich über Online-Angebote durchgeführt.
Alle Informationen, Vorlesungs- und Übungsaufzeichnungen/Webinare und Materialien stehen auf StudOn zur Verfügung.
Bitte treten Sie dafür dem StudOn-Kurs „LHFT - Radar Signal Processing“ bei. Keine formalen Voraussetzungen, aber grundlegende Kenntnisse erforderlich in Signal- und Systemtheorie, Wahrscheinlichkeitstheorie und linearer Algebra. Von Vorteil wären zudem Vorkenntnisse auf einem Teil der folgenden Gebiete: statistische Signalverarbeitung, Hochfrequenztechnik, Radar und/oder nachrichtentechnische Systeme.
- Inhalt:
- Radar is a key technology for a growing number of sensing tasks that range from the detection, location and tracking of moving objects to high-resolution imaging of surfaces, sub-surfaces and 3-D volumes. While the traditional radar applications focused on aerospace security, weather services and traffic surveillance, radar is now becoming a central contactless sensor technology for the automotive sector, medical diagnostics, gesture control, civil engineering, as well as large scale environmental and climate change monitoring, to name only a few. Associated with the new applications is an increasing demand for advanced signal processing techniques to extract the relevant information from the microwave echoes acquired by single- and multi-aperture radar systems in complex environments. This lecture will give an overview of a variety of one-, two-, and three-dimensional radar signal and image processing algorithms and their application for different sensing tasks. The theoretical derivations are complemented by computer examples and simulations that form an integral part of both the lecture and the exercises.
The lecture covers the following topics:
Introduction (radar principles & applications, signal & noise models, interference, Doppler shift)
Basics of Signal Processing with Python (Jupyter Notebooks)
Data Acquisition (I/Q demodulation, complex signal representation, sampling, quantization)
Range Processing (radar waveforms, pulse compression, ambiguity function, sidelobe reduction)
Doppler Processing (MTI, clutter suppression, range-Doppler ambiguities, spectral estimation)
Detection Theory (target models, Neyman-Pearson criterion, CFAR detector, CRBs)
Multi-Channel Processing (spatial filtering, interference suppression, adaptive beamforming)
Synthetic Aperture Radar (basics of coherent imaging, SAR data model, time-domain processing)
SAR Focusing Algorithms (range-Doppler, chirp scaling, motion compensation, autofocus)
SAR Image Analysis (image statistics, speckle filtering, segmentation, classification)
Radar Polarimetry (wave representations, scattering models, polarimetric decomposition)
Interferometry (interferometric processing chain, statistical performance models, applications)
Tomography (principles of 3-D imaging, tomographic processing, remote sensing applications)
Space-Time Adaptive Processing (GMTI, optimum processor, pre- & post-Doppler STAP)
Advanced Topics (bi- & multistatic radar, MIMO radar, compressive sensing)
- Empfohlene Literatur:
-
- Schlagwörter:
- Radar Signalprocessing Signalverarbeitung
|
|
Random Matrices in Communications and Signal Processing [RM-CSP] -
- Dozent/in:
- Ralf Müller
- Angaben:
- Vorlesung, 2 SWS, ECTS: 5
- Termine:
- Mi, 8:15 - 9:45, 01.021
Fr, 10:15 - 11:45, 01.021
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 2
- Voraussetzungen / Organisatorisches:
- Recommended: Good skills in linear algebra, probability theory and complex analysis
- Inhalt:
- Dual antenna arrays, compressive sensing, Wishart distribution, factor iid model, Kronecker model, convergence of random variables, semi-circle law, quarter circle law, full circle law, Haar distribution, Marchenko-Pastur distribution, Stieltjes transform, Girko’s law, unitary invariance, freeness, free convolution, R-transform, free central limit theorem, free Poisson limit theorem, subordination, S-transform, R-diagonal random matrices, R-diagonal free convolution, Haagerup-Larsen law, operator-valued freeness, linearization of noncommutative polynomials, free Fourier transform, self-averaging properties, microscopic vs. macroscopic random variables, quenched random variable, a statistical physics point of view of digital systems, spin glasses, frozen disorder, replica method, replica continuity, replica symmetry, replica symmetry breaking, approximate message passing, classification of np-complete problems
- Empfohlene Literatur:
- Mingo, J., Speicher, R.: Free Probability and Random Matrices, Springer, 2017
Couillet, R., Debbah, M.: Random Matrix Methods for Wireless Communications, Cambridge Univ. Press, Cambridge, 2011.
Mezard, M., Montanari, A.: Information, Physics, and Computation, Oxford Graduate Texts, 2009.
|
|
Signalanalyse [SA] -
- Dozent/in:
- Heinrich Löllmann
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, nur Fachstudium
- Termine:
- Mi, 12:15 - 13:45, Raum n.V.
The lecture will be recorded and consulting hours will be offered via Zoom.
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Voraussetzungen: Digitale Signalverarbeitung
Die Vorlesungsunterlagen werden in der Vorlesung ausgegeben.
- Inhalt:
- Es werden im Rahmen dieser Vorlesung unterschiedliche Verfahren zur Analyse digitaler Signale, sowie deren Anwendungsmöglichkeiten behandelt. Die folgenden Konzepte werden dabei insbesondere behandelt:
Fourieranalyse von Signalen
Signalanalyse mittels Zeit-Frequenz-Transformationen
Parametrische und nichtparametrische Signalanalyse
Verfahren zur Frequenzschätzung
Räumliche Signalanalyse
Filterbänke und Wavelets.
- Empfohlene Literatur:
- P. Stoica und R. Moses: "Spectral Analysis of Signals", Pearson Prentice Hall, 2005
- Schlagwörter:
- Signal analysis, digital signal processing, time-frequency transforms
|
|
Software-Projektmanagement [PSWT-SPM] -
- Dozent/in:
- Bernd Hindel
- Angaben:
- Vorlesung, 4 SWS, ECTS: 5
- Termine:
- Blockveranstaltung 1.3.2021-19.3.2021 Mo-Fr, 8:00 - 16:00, K2-119
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Zahlreiche Statistiken zeigen: Nur wenige Software-Projekte werden erfolgreich (hinsichtlich Zeit-, Budget- und Funktionsvorgaben) abgeschlossen. Sehr viele Projekte werden nur mit erheblichen Defiziten zu Ende gebracht, noch viel zu viele scheitern gänzlich. Oft liegen die Gründe im ungenügenden Projektmanagement.
Die Vorlesung gibt einen Überblick zu grundlegenden Disziplinen des Projektmanagements und zeigt deren Wirkungsweisen an Hand von Praxisbeispielen. Gliederung:
1. Einführung Grundbegriffe des Projektmanagements, unterschiedliche Projektgrößen, unterschiedliche Projektarten, Erfolg und Misserfolg in Projekten
2. Projektstart und Planung,
Kickoff-Meeting, Anforderungssammlung, Projektstrukturplan, Aufwandsschätzung, Aktivitäten-, Ressourcen- und Kostenplan
3. Projektkontrolle und Steuerung,
Fortschrittsüberwachung, Besprechungen, Berichte, Änderungsmanagement
4. Personalmanagement,
Der Faktor Mensch, Teamwork, Führungsgrundsätze, Gesprächsstrategien, Konflikte lösen
5. Änderungsmanagement
Konfigurationen, Änderungswünsche, Change Control Board, Built- und Release-Mechanismen
6. Qualitäts- und Risikomanagement
Qualitätsplan, Audits und Reviews, Risikoermittlung, Risikobewertung und Verfolgung, Gegenmaßnahmen
7. Reifegrad Modelle und Standards
CMMI, SPiCE, ISO9001, ISO/IEC12207
- Empfohlene Literatur:
- Hindel, Bernd; Hörmann, Klaus; Müller, Markus; Schmied, Jürgen: "Basiswissen Software-Projektmanagement" (dpunkt-Verlag, 2. Auflage 2006)
Hindel, Bernd; Hörmann, Klaus; Müller, Markus; Dittmann, Lars: "SPiCE in der Praxis" (dpunkt-Verlag, 2006)
Hindel, Bernd; Versteegen, Gerhard; Meier, Erich; Vlasan, Adriana: "Prozessübergreifendes Projektmanagement" (Springer Verlag, 2005)
|
|
Vernetzte Mobilität und autonomes Fahren [ConnMob] -
- Dozent/in:
- Anatoli Djanatliev
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5
- Termine:
- Mi, 10:15 - 11:45, Raum n.V.
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Inhalt:
- Es ist inzwischen allgemein bekannt, dass Fahrzeuge der Zukunft hochgradig vernetzt sein werden. Der aktuelle Trend geht in Richtung des autonomen Fahrens. In den bisheringen Betrachtungen wurde insbesondere die ad-hoc Kommunikation zwischen Fahrzeugen auf unteren Schichten untersucht (Fahrzeugkommunikation). Im Rahmen der vernetzten Mobilität soll das Fahrzeug vor allem als Teil eines größeren Ökosystems mit weiteren Teilnehmern (z.B. Personen, Radfahrern, Ampeln, Gebäuden etc.) gesehen werden.
All dies gibt die Möglichkeit den ständig wachsenden Bedarf an Mobilität zu optimieren und neue Sicherheits- und Komfortdienstleistungen zu schaffen. Dies erfordert jedoch die Lösung einiger komplexer Herausforderungen. Neben den gesellschaftlichen und rechtlichen Aspekten müssen insbesondere auch technische Voraussetzungen geschaffen werden. Dazu gehören u.a. geeignete Kommunikationetechnologien (v.a. ad-hoc, Mobilfunk) und Kommunikationsarchitekturen (Cloud-, Edge/Fog-, Node-Computing). Neben Technologien, Methoden und innovativen Mobilitätsdienstleitungen werden im Rahmen dieser Lehrveranstalung auch grundlegende Aspekte der Verkehrsplanung und Verkehrstechnik eingeführt sowie der intermodale Verkehr besprochen.
- Empfohlene Literatur:
- Barbara Flügge; Smart Mobility - Connecting Everyone: Trends, Concepts and Best Practices; Vieweg Teubner, 2017
Maurer, M., Gerdes, J.C., Lenz, B., Winner, H. (Hrsg.); Autonomes Fahren: Technische, rechtliche und gesellschaftliche Aspekte; Springer 2015
Johanning, V., Mildner, R.; Car IT kompakt: Das Auto der Zukunft – Vernetzt und autonom fahren; Springer, 2015
|
|
Visual Computing in Medicine 1 [VCMed1] -
- Dozentinnen/Dozenten:
- Peter Hastreiter, Thomas Wittenberg
- Angaben:
- Vorlesung, 2 SWS, Schein, ECTS: 2,5, nur Fachstudium, vormals "Analyse und Visualisierung medizinischer Bilddaten" (AnVisMed)
- Termine:
- Do, 14:15 - 15:45, 00.152-113
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Fachstudium / Erwerb eines Scheins nach mündlicher Prüfung
- Inhalt:
- Die Flut und Komplexität medizinischer Bilddaten sowie die klinischen Anforderungen an Genauigkeit und Effizienz erfordern leistungsfähige wie auch robuste Konzepte der medizinischen Datenverarbeitung. Auf Grund der Vielfalt an Bildinformation und ihrer klinischen Relevanz spielt der Übergang von der Messung medizinischer Bilddaten (u.a. MRT, CT, PET) hin zur Analyse der Bildinhalte eine wichtige Rolle. Durch die visuelle Wiedergabe der abstrakten Daten können sowohl technische als auch medizinische Aspekte anschaulich und intuitiv verstanden werden.
Aufbauend auf einem Regelkreis zur Verarbeitung medizinischer Bilddaten werden die Eigenschaften medizinischer Bilddaten sowie grundlegende Methoden und Verfahren der medizinischen Bildanalyse und Visualisierung im Zusammenhang vermittelt. Beispiele aus der Praxis erläutern den Bezug zur medizinischen Anwendung.
Überblick zu bildgebenden Verfahren in der Medizin
Gitterstrukturen, Datentypen und Formate
Vorverarbeitung, Filterung und Interpolation
Grundlegende Ansätze zur Segmentierung
Explizite und implizite Methoden der Registrierung
Medizinische Visualisierung (2D, 3D, 4D) von Skalar-, Vektor-, Tensordaten
Praktische Demonstrationen in der Klinik und den Laboren
- Empfohlene Literatur:
- B. Preim, D. Bartz: Visualization in Medicine - Theory, Algorithms, and Applications, Morgan Kaufmann Verlag, 2007
H. Handels: Medizinische Bildverarbeitung, Bildanalyse, Mustererkennung und Visualisierung für die computerge-stützte ärztliche Diagnostik und Therapie, Vieweg und Teubner Verlag, 2009
Th. Lehmann, W. Oberschelp, E. Pelikan, R. Pepges: Bildverarbeitung für die Medizin, Springer Verlag, 1997
P.M. Schlag, S. Eulenstein, Th. Lange: Computerassis-tierte Chirurgie, Elsevier Verlag, 2010
E. Neri, D. Caramella, C. Bartolozzi: Image Processing in Radiology, Springer Verlag, 2008
- Schlagwörter:
- Medizinische Visualisierung (Medical imaging), Segmentierung (Segmentation), Registrierung (Registration)
|
|
Wissenschaftliches Arbeiten in den Ingenieur- und Naturwissenschaften [VORL WAIN] -
- Dozentinnen/Dozenten:
- Jens Kirchner, Sebastian Meyer
- Angaben:
- Vorlesung, 2 SWS, Schein, ECTS: 2,5, für Anfänger geeignet
- Termine:
- Lehrveranstaltung erfolgt in rein digitaler Form über StudOn (inkl. Fragestunden per Zoom).
- Studienrichtungen / Studienfächer:
- WF ICT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Für die Teilnahme an der Vorlesung ist die Anmeldung im StudOn-Kurs notwendig: https://www.studon.fau.de/crs3379041.html
Für weitere Informationen über die Vorlesung siehe das in StudOn hinterlegte pdf: https://www.studon.fau.de/file3379480_download.html
- Inhalt:
- Kommunikation im akademischen Umfeld
Einführung in LaTeX
Vorarbeiten für Abschlussarbeiten
Projektmanagement
Wissenschaftliche Methodik
Recherchieren & Referenzieren wissenschaftlicher Quellen
Aufbereiten von Informationen
Wissenschaftlicher Stil
Gliedern & Strukturieren
Publikationsprozess
Erstellen und Halten von Präsentationen
- Schlagwörter:
- Nicht-technisches Wahlfach, Softskills, Recherche, Vortrag, Präsentation, Publikation
|
|
Low-Power Biomedical Electronics [VORL LBE] -
- Dozent/in:
- Heinrich Milosiu
- Angaben:
- Vorlesung mit Übung, 2 SWS, ECTS: 5, Folien auf englisch.
- Termine:
- Mo, 16:15 - 17:45, Raum n.V.
Vorlesung ab Mo. 02. November 2020; Nur online via Zoom: https://fau.zoom.us/j/96683736767?pwd=VUlTK1hhVG5pelRGT0l4VS9Lb3dWZz09 ;Meeting-ID: 966 8373 6767; Kenncode: 176097
- Studienrichtungen / Studienfächer:
- WF ICT-MA 1-4
- Inhalt:
- Device Physics and Noise
Feedback Systems
Ultra-Low-Power Digital Design
Ultra-Low-Power Analog Design
Low-Power Analog and Biomedical Circuits
Biomedical Electronic Systems
Bioelectronics/ Bio-Inspired Systems
Energy Sources and Harvesting
|
|