Durch Digitalisierung und Automatisierung steigt der Einsatz von Sensoren rasant. Ihre Signale werden elektronisch aufbereitet und digital weiterverarbeitet – etwa für die nachgelagerte KI-gestützte Mustererkennung. Dieser Kurs vermittelt einen vertieften Einblick in die digitale Signalverarbeitung und ihre Anwendungen in Technik, Engineering und (Data) Science. Die Theorie wird durch numerische Beispiele und Übungen mit Python und Matlab veranschaulicht. Das Gelernte kann vor Ort in Laborversuchen mit verschiedenen Sensoren (z.B. IMU, Radar, EKG, Mikrofon, Kamera) praktisch vertieft werden.
Zielpublikum:Dieser Weiterbildungskurs richtet sich an Ingenieur:innen, F&E-Verantwortliche und Praktiker:innen in Technik, Engineering und Data Science, welche an der effizienten (Echtzeit-)Verarbeitung von Mess-, Sensor-, Medtech-, Nachrichten-, Sprach-, Audio- und Bild-Signalen interessiert sind.
Ziele:Die Teilnehmenden erwerben sowohl theoretische Grundlagen als auch praktische Fähigkeiten in den folgenden Themenbereichen:
- Block 1: Analog-Digital- und Digital-Analog-Conversion (ADC/DAC)
- Block 2: Diskrete und Fast Fourier Transform (DFT/FFT)
- Block 3: Digitale Systeme und FIR/IIR-Digitalfilter
- Block 4: Spezielle FIR-Filter (Pulse-Shaping, Korrelation, schnelle Faltung und adaptive Filter)
- Block 5: Multiraten-Signalverarbeitung (Dezimation/Interpolation, Sigma-Delta-Wandler)
- Block 6: Bilderfassung und -verbesserung
- Block 7: 2D-Filterung
- Block 8: Fertigstellung & Präsentation Mini-Projekte (Leistungsnachweis)
Inhalt:
Block 1: ADC/DAC
Lernziele
Die Teilnehmenden verstehen
- wie digitale Signale entstehen,
- was im Analog-to-Digital-Converter (ADC) und im Digital-to-Analog-Converter (DAC) passiert und welche Rolle die Abtastfrequenz und die Wortbreite spielen und
- wie Sinus-Signale mit der Direkten Digitalen Synthese (DDS) generiert werden können.
Inhalt
- Repetition der Fourier-Analyse (kurze Theorieübersicht, Beispiele und Demos)
- Theorie zur Abtastung (minimale Abtastfrequenz, Aliasing), Rekonstruktion, Quantisierung
- Laborversuch mit Zeit- und Frequenzmessungen an realem ADC-DAC-System
- Laborversuch zur DDS-Generierung von Sinus-Signalen
Block 2: DFT/FFT
Lernziele
Die Teilnehmenden
- verstehen, wie Zeitsignale mit Hilfe der Diskreten Fourier Transformation (DFT) im Frequenzbereich analysiert werden können und welche Parameter dabei wichtig sind,
- verstehen, warum die Fast Fourier Transformation (FFT) derart effizient ist,
- verstehen, wie die zeitliche Veränderung von Signalspektren mit Spektrogrammen bildlich dargestellt werden kann,
- können selbständig numerische Spektralanalysen durchführen.
Inhalt
- Theorie zur DFT und deren Eigenschaften inkl. der Rolle der Abtastfrequenz
und der Fensterlänge sowie dem Einfluss der Fensterung (Windowing) - Erklärung des (Radix-2, complex/real) FFT-Algorithmus
- Clock-Count-Übungen mit Hilfe eines ARM White Papers
- Laborversuch zur «Doppler-Geschwindigkeitsmessung» mit Radar-Sensor und FFT
- Laborversuch «FFT-Audio-Spektrumanalyzer» mit USB-Audio-Interface
- Numerische FFT-Spektral- und Spektrogramm-Analysen von diversen Messsignalen
Block 3: Digitalfilter
Lernziele
Die Teilnehmenden verstehen
- welche Arten von Digitalfiltern es gibt,
- wie man sie mit numerischen Tools entwirft,
- wie man mit Ihnen Sensorsignale filtert.
Inhalt
- Beschreibung von linearen, diskreten Systemen im Zeitbereich (Faltungssumme, Differenzengleichung) und im Frequenzbereich (z-Übertragungsfunktion)
- Entwurf von Finite-Impulse-Response (FIR) und Infinite-Impulse-Response (IIR) Digitalfiltern mit numerischen Tools
- Filterung diverser Sensor-Signale mit Tiefpass, Hochpass, Bandpass und Bandsperre
- Laborversuch zur Filterung eines EKG- oder IMU-Signals
- Laborversuch «einfacher Audio-Crossfader» mit IIR-Mittelwertfilter (Pegelanalyse)
Block 4: Spezielle FIR-Digitalfilter
Lernziele
Die Teilnehmenden verstehen,
- wie FIR-Filter für die Pulsformung entworfen werden,
- wie grosse FIR-Filter dank der FFT höchst effizient implementiert werden,
- welcher Zusammenhang zwischen der FIR-Filterung und der Korrelation besteht,
- wie adaptive Filter sich mit dem LMS-Algorithmus an Veränderungen anpassen können.
Inhalt
- Theorie zum FIR-Filterentwurf für die Pulsformung, zur Korrelation und zur schnellen Faltung (overlap-add-Algorithmus)
- Laborversuch zur Lokalisierung von Schallquellen mit Hilfe der Korrelation von
Pseudo-Random-Noise (PRN) Codes - Laborversuch zur «Hall-Filterung eines Sprach- oder Audiosignals»
- Einführung in die Welt der adaptiven Filter (Least-Mean-Square bzw. LMS-Algorithmus)
- Laborversuch zum «Active Noise Cancelling (ANC)» mit adaptivem LMS-Filter
Block 5: Multiraten-Signalverarbeitung
Lernziele
Die Teilnehmenden verstehen
- wann die Multiraten-Signalverarbeitung vorteilhaft eingesetzt wird,
- wie die Abtastrate «nachträglich» erhöht und erniedrigt werden kann,
- wie einfach die Multiraten-Signalverarbeitung umgesetzt werden kann,
- welche Vorteile das Oversampling bei der ADC bzw. DAC hat.
Inhalt
- Theorie zur Dezimation und Interpolation, Abtastratenänderung um rationale Faktoren und Umsetzung mit CIC- und Polyphasen-Filter
- Numerische Beispiele zur Abtastratenänderung in diversen Messsignalen
(z.B. Synchronisation von sequenziell abgetasteten Signalwerten durch Interpolation) - Erklärung und Laborversuch zum Sigma-Delta-Wandler-Verfahren
Block 6: Bilderfassung und einfache Bildverbesserung
Die Teilnehmenden lernen in den Blöcken 6-7, wie mit einfacher Vorverarbeitung interessante Merkmale hervorgehoben, ungewollte Störungen unterdrückt und Bilddaten für bestimmte Anwendungen «verbessert» werden können.
Lernziele
Die Teilnehmenden verstehen
- wie Bilder erfasst und die Optik richtig eingesetzt werden,
- wie sich mit Pixel-weisen Transformationen Helligkeit und Kontrast korrigieren lassen,
- wie Bilder gemittelt, subtrahiert, dividiert oder logisch verknüpft werden können,
- wie sich Bilder mit geometrischen Transformationen strecken, stauchen, rotieren oder scheren lassen,
- wie die Bildauflösung reduziert oder erhöht werden kann.
Inhalt
- Theorie und Demos zur Bilderfassung und Optik
- Theorie zu Helligkeits-Transformationen, arithmetischen und logischen Operationen sowie geometrischen Transformationen
- Laborversuch zur einfachen RGB-Bildsegmentierung mit Thresholding
- Laborversuch zu «Background-Subtraction»
Block 7: 2D-Filterung
Lernziele
Die Teilnehmenden verstehen
- wie Bilder mit lokalen Masken linear gefiltert werden können,
- warum mit einer Tiefpass- bzw. Hochpass-Filterung die groben Strukturen
bzw. die Änderungen oder Kanten im Bild hervorgehoben werden, - wie sich die Programmbibliothek OpenCV einsetzen lässt.
Inhalt
- Theorie zu linearer Tiefpass-, Hochpass- und Bandpass-Filterung und zu nicht-linearer Median-, Minimum- und Maximum-Filterung
- Numerische Beispiele zur Filterung von Bildern (smoothing / blurring, sharpening)
- Laborversuch zur «Kantendetektion» mit Webcam
Block 8: Mini-Projekt
Die Teilnehmenden stellen unter Anleitung ihre Mini-Projekte fertig und präsentieren diese.
