0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Emnet har undergått betydelige endringer dette året<ul><li>Studiepoengreduksjon til 7.5stp. </li><li>Sentrale tema er bevart, og helhetlig arbeidsbelastning på studentene gjennom semesteret virker OK.</li><li>Endret vurderingsform til mappevurdering</li><li>Har helhetlig fungert ganske bra, med noen utfordringer. Bør bearbeides videre (se Vurderingsformer)</li><li>Overgang til python som programmeringsspråk, og korrepsonderende enring av læremateriell.</li><li>Regnes som vellykket, med positiv respons fra studentene.</li></ul>Generelt anses kvaliteten på undervisningen i emnet som god, med en fornuftig og tydelig sammenheng mellom ulike tema. Allikevel er det en del potensiale for effektiv tilpasning av emnet til de endringene som har forekommet det siste året.

Generelt kan læringsutbyttet dra fordel av noen tilpasninger for å gjøre emnets relevans for studieretningen Automatisering mer synlig. I tillegg har det vært utfordringer tilknyttet studiepoengreduksjon fra 10stp til 7.5stp. Innholdet i emnet har allikevel rimelig god sammenheng med de sentrale aspektene av emnet IE203412 - Signalbehandling som har gått tidligere, og de aller mest sentrale tema i emnet er bevart. Store deler av læremateriellet har vert utarbeidet på nytt, i hovedsak for å tillate overgang fra Matlab til Python som programmeringsspråk. Dette ser ut til å ha bidratt til å senke terskelen for mestring av programmeringsoppgavene betydelig, da det er et språk de har arbeidet mye med gjennom studiet. I tillegg har dette muliggjort anvendelse av nye former for læremateriell med interaktive illustrasjoner, og en mye mer sømløs integrering av programmering i læringsaktivitetene gjennom bruk av verktøy som Jupyter Hub. Tilbakemeldingen fra studentene på dette området har vært svært positiv.

Læringsaktivitetene består av forelesningstimer og veilednignstimer, med ukentlige arbeidskrav i form av enten teoriøving med flervalgsoppgaver eller dataøvinger som underbygger praktisk anvendelse av teori med Python som programmeringsverktøy. De ukentlige arbeidskravene bidrar til at studentene får bearbeidet ulike tema kort tid etter de har vært introdusert i forelesningene. Det har også blitt tatt opptak av undervisningstimene, noe som har vist seg å være populært blant studentene som en veiledende ressurs under arbeid med øvingsoppgaver og eksamensforberedelser. Emnet regnes ofte som krevende og teoritungt blant studentene, men egeninnsatsen i emnet har ser i stor grad ut til å ha vært rimelig høy. Det gis inntrykk av at øvinger som konsekvent knytter teorikunnskapene til virkelighetsnære problemstillinger har bidratt til studentenes motivasjon for faget. Samtidig bør omfanget og/eller vanskelighetsgraden i arbeidskravene balanseres litt annerledes, for å få en jevnere arbeidsbelasting gjennom semesteret.

På grunn av Covid-19 ble vurderignsformen dette semesteret endret til Mappevurdering med bokstavkarakter. Karakteren ble bestemt på grunnlag av 2 stk. semesterpøver fordelt utover undervisningsukene, og én avsluttende prosjektoppgave som studentene utførte på slutten av semesteret. Til sammen oppnådde semesterprøvene en grundig dekning av teoriforståelsen i læringsutbyttebeskrivelsen, og prosjektoppgaven innebar praktisk anvendelse av et utvalg av teoretiske prinsipp. I tillegg innebærer prosjektoppgaven anvendelse av dataverktøy som Matlab eller Python til modellering og prosessering, noe studentene i tidligere år har opplevd som lite relevant for eksamen. Det bør allikevel gjøres en del justeringer for at dette skal være en effektiv og rettferdig vurderingsform. Tilbakemeldingen fra studentene er at prosjektoppgaven utgjorde en for stor prosentandel av vurderingsgrunnlaget, og burde nedjusteres. I tillegg bør prosjektbeskrivelsen konkretiseres, for å unngå usikkerhet rundt kravene til prosjektinnleveringen.

NTNU:TIA:REST

Institutt for IKT og realfag

Department of ICT and Natural Sciences

Spesifiserte trykte og håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Norsk

Anbefalte forkunnskaper

IMAA2011 - Matematiske metoder 2 for Elektro og Fornybar Energi

Mer om vurdering

Faglig innhold

Sampling: Diskrete signal, Nyquist Samplingsteorem og Aliasing.

Signalegenskaper: Kontinuerlige og Diskrete signaler i tid- og frekvensplan.

Frekvensanalyse: FT, DTFT, DFT, vindusfunksjoner, spektrogram, spektrumsestimasjon.

FIR filter: differanselikning, impulsrespons, konvolusjon, frekvensrespons, designmetoder.

IIR filter: z-transformasjon, bilineær transformasjon, pol- og nullpunktskart, stabilitet.

Kvantisering og kvantiseringsfeil

Bildebehandling: 2D-filtrering, kantdeteksjon, histogrammanipulering.


Kursmateriell

Pensumlitteratur oppgis ved semesterstart.

Læringsformer og aktiviteter

Undervisning:
- 4 timer forelesning per uke.
- 4 timer assistert øvingsarbeid per uke.

Arbeidskrav:
- Individuelle skriftlige teoriøvinger og dataøvinger. 
- 80% av øvingene må være godkjent.

Læringsutbytte

Kunnskap:

- Ha oversikt over grunnleggende egenskaper til diskrete signaler og se sammenhengen mellom tidsplansrepresentasjon og frekvensplansrepresentasjon.

- Ha kjennskap til egenskapene til Lineære Tidsinvariante (LTI) systemer og hvordan signaler blir påvirket i et LTI-system.

- kjenne til hvordan dataverktøy som Matlab kan brukes til modellering og prosessering i signalbehandling.

  

Ferdigheter:

- analysere og behandle digitaliserte data ved bruk av dataverktøy

- analysere LTI system ved bruk av dataverktøy

- finne passende filterkonstruksjoner for ulike situasjoner

  

Generell Kompetanse:

- studere signaler både i tid og frekvens og se sammenhengen mellom disse.

- har forståelse for sammenhengen mellom signaler og systemer.

Obligatorisk arbeidskrav

Signalbehandling

Ingeniør

Bachelor i ingeniørfag - Automatiseringsteknikk

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(11259)/FieldValuesAsText

Signalbehandling - IELEA2302