ELEC3015.kand Kandidaatintyö ja seminaari (10 op) Vastuuopettaja: Kalevi Kilkki; Pasi Lassila; Esa Ollila; Kalle Ruttik Kurssin asema: Pakollinen

Transkriptio

1 ELEC3015.kand Kandidaatintyö ja seminaari (10 op) Vastuuopettaja: Kalevi Kilkki; Pasi Lassila; Esa Ollila; Kalle Ruttik Kurssin asema: Pakollinen kurssi sähkötekniikan kandidaattiohjelman IT-pääaineessa Kurssin taso: Kandidaattiopinnot Opetusperiodi: I-II (syksy 2017), III-V (kevät 2018) Työmäärä toteutustavoittain: Lähiopetusta 90 tuntia koostuen:luennot 30t, pienryhmätyöskentely 30t, seminaarityöskentely 18t, henkilökohtainen ohjaus 6t ja kypsyysnäytteen kirjoittaminen 6t. Itsenäistä opiskelua 180 tuntia koostuen: oman työsuunnitelman ja -aikataulun laatiminen, valvominen ja toteuttaminen, aiheen hahmottaminen ja rajaaminen, tiedonhaku kirjallisuudesta ja muita menetelmiä käyttäen kuten haastattelut, kandidaattityön kirjoittaminen, muiden opiskelijoiden kirjallisiin töihin tutustuminen, pienryhmätapaamisiin valmistautuminen, tiedonhakuharjoituksen tekeminen, opponointiraporttien laatiminen, loppuseminaariesitelmän laatiminen, seminaariesitelmän harjoittelu, oman työn viimeistely ja työn julkaiseminen kirjaston tietokannassa. Osaamistavoitteet: Kandidaattiseminaarin tavoitteena on, että opiskelija oppii muodostamaan saamastaan aiheesta yhdessä ohjaajan kanssa mielekkään tutkimusongelman, hakemaan tämän ongelman ratkaisemiseksi tarvittavaa tieteellistä tietoa, oppii jäsentelemään/työstämään tieteellistä tietoa suunnitelmallisesti kirjalliseksi opinnäytteeksi ja raportoimaan opinnäytteensä tärkeimmät tutkimustulokset suullisesti tieteellisellä esiintymistyylillä. Työelämävalmiuksia ja yhteistyökykyjä kehittävät tavoitteet: opiskelija ymmärtää oman työskentelynsä ja sanallisen viestintänsä vaikutuksen muun ryhmän toimintaan ja siten haluaa noudattaa ja/tai oppii noudattamaan yhteisiä määräaikoja ja kurssin toimintatapoja. Lisäksi opiskelijoita tuetaan tieteellisten vuorovaikutustaitojen kehittämisessä siten, että kurssin lopussa opiskelijan odotetaan suoriutuvan hyvin sekä kirjallista että suullisista opinnäytetöiden vertaisarvioinneista asiaankuuluvaa tyyliä noudattaen. Kandidaattiseminaarin tavoitteena on kehittää tiedonhaun, tieteellisen ajattelun, tiedon jäsentämisen, kirjallisen ilmaisun ja viestinnän taitoja. Sisältö: Kurssilla laaditaan opinnäytetyö teknillistieteellistä ilmaisutyyliä käyttäen ja esitellään työn tulokset tieteellistä konferenssia muistuttavassa loppuseminaarissa sekä tutustutaan vertaistöihin osana seminaarityöskentelyä. Toteutus, työmuodot ja arvosteluperusteet: Luennoilla ja pienryhmissä on läsnäolovaatimus A) pakottavasta syystä voi olla poissa mutta poissaolo on korvattava lisätehtävällä, B) osasta luennoista ja pienryhmätyöskentelystä voi hakea vapautusta avausluennolla esiteltävien periaatteiden mukaisesti) ja lisäksi kurssin suorittamiseen kuuluvat tiedonhaun harjoitustehtävä, seminaarityöskentely kurssin aikana huipentuen loppuseminaariin, kandidaattityön laatiminen ja kypsyysnäytteen kirjoittaminen hyväksytysti sekä määräaikojen noudattaminen. Nämä kaikki osa-alueet vaikuttavat kurssin arviointiin ja niiden painoarvot on esitetty erillisellä Sähkötekniikan korkeakoulun hyväksymällä arviointilomakkeella ja -ohjeella, jotka löytyvät kurssin verkkosivulta avausluennon kohdalta. Kurssin arvosana määräytyy ohjaajan ja vastuuopettajan yhteisen arvion perusteella ja arvosana-asteikkona käytetään periaatetta 0-5. Oppimateriaali: Tutkimusraportin kirjoittamisen opas opinnäytetyön tekijöille, Ilkka Kauranen, Mikko Mustakallio, Virpi Palmgren, Espoo Korvaavuudet: Korvaa kurssin tlt.kand Kurssin kotisivu: Esitiedot: Vaadittavat opinnot (perustelut esitiedoille on esitetty kurssin verkkosivulla välilehdellä "Kurssin esitietovaatimukset") Opiskelijalla tulisi olla suoritetuna vähintään 90 opintopistettä ennen kuin hän voi aloittaa kandidaattiseminaarin. Opintopisteistä tulisi sijoittua perusopintoihin ja loppujen 1

2 30-40 opintopisteen tulisi sisältyä opiskelijan henkilökohtaisen opintosuunnitelman (HOPS) mukaisiin pää- ja sivuaineen opintoihin. Virallinen HOPS Virallinen HOPS täytyy olla laadittuna ja kanslian hyväksymä kandidaattitutkintoon saakka. Arvosteluasteikko: 0-5 Ilmoittautuminen: WebOodi Opetuskieli: 1 suomi Lisätietoja: Aallon kaikkien tekniikan alan koulutusohjelmien yhteinen ruotsinkielinen kandidaattiseminaari järjestetään kerran lukukaudessa. Ruotsinkielinen seminaari toimii koulutusohjelmien suomenkielisten seminaarien alaopetustapahtumana. Lisätietoa: +kandidatarbete Kieliluokka 1: suomi ELEC-A5140 Matematiikkaohjelmistot (2 op) Vastuuopettaja: Antti Ojapelto; Esa Ollila Kurssin asema: Pakollinen kurssi sähkötekniikan kandidaattiohjelman perusopinnoissa Kurssin taso: Kandidaattiopinnot Opetusperiodi: V (kevät 2018) Työmäärä toteutustavoittain: 1) normaali suoritustapa: Luento 1 h Harjoitukset 14 h Kotitehtävät 38 h 2) integroitu suoritustapa: Harjoituksia ja projektityö yht. 53 h muun määrätyn kurssin yhteydessä. 3) henkilökohtainen suoritustapa: 53 h erikseen hyväksyttävän yksilöllisen suunnitelman mukaisesti Osaamistavoitteet: Opiskelija pystyy sujuvasti lukemaan, muokkaamaan, tallettamaan ja näyttämään graafisesti dataa Matlab-ohjelmilla. Hän osaa tehdä yksinkertaisia Matlab-ohjelmia ja osaa soveltaa ohjelmaansa tärkeimpiä Matlabin funktioita. Opiskelijalla on käsitys jonkun muun matematiikkaohjelmiston perustoiminnoista, Simulinkin käytöstä ja symbolisesta laskennasta jollain matematiikkaohjelmistolla. Sisältö: Keskeiset funktiot ja ohjelmointi sekä datan käsittely ja näyttö Matlabilla, perustoiminnot numeerisella esimerkkiohjelmalla ja Simulinkillä, symbolinen laskenta esimerkkiohjelmalla. Toteutus, työmuodot ja arvosteluperusteet: 1) normaali suoritustapa: Tehtävät ja sähköinen loppukoe. 2) integroitu suoritustapa: Harjoituksia, projektityö ja niiden esittely. Integroitu suoritustapa järjestetään muun kurssin yhteydessä ja se on avoin vain toista kurssia suorittaville. 3) henkilökohtainen suoritustapa: Oppimissuunnitelma, työskentelyportfolio, loppuraportti ja lopputapaaminen. Korvaavuudet: Korvaa kurssit AS Johdatus Matlab-ohjelmiston käyttöön 1 ja AS Johdatus Matlab-ohjelmiston käyttöön 2. Tämän kurssin voi korvata myös kurssilla MS-C2107 Sovelletun matematiikan tietokonetyöt (5 op). Kurssin kotisivu: 2

3 Esitiedot: Lukiotason matematiikka, matriisilaskennan perusteet. Arvosteluasteikko: hyväksytty/hylätty Ilmoittautuminen: Normaali suoritustapa: WebOodissa Integroitu suoritustapa: erillisen ohjeen mukaisesti Henkilökohtainen suoritustapa: erillisen ohjeen mukaisesti Opetuskieli: 1 suomi Lisätietoja: Kieliluokka 1: suomi ELEC-C5070 Elektroniikkapaja (5 op) Vastuuopettaja: Juha Mallat; Lauri Palva; Petri Kärhä Kurssin asema: Pakollinen kurssi sähkötekniikan kandidaattiohjelman elektroniikka ja sähkötekniikka -pääaineessa Kurssin taso: Kandidaattiopinnot, pääainetaso. Opetusperiodi: I-II (syksy 2017) Työmäärä toteutustavoittain: Luennot kontaktiopetus 14 h (7 x 2 h) Laboratoriotyöt kontaktiopetus 6 h (2 x 3 h) Laboratoriotyöt itsenäinen työskentely pienryhmissä 16 h (2 x 3 h valmistelu, 2 x 5 h raportti) Elektroniikkaprojekti työskentely pajalla kontaktiopetus 30 h (10 x 3 h) Elektroniikkaprojekti itsenäinen työskentely pienryhmissä 50 h Elektroniikkaprojektin esittely kontaktiopetus 7 h (väliesittely 3 h, loppuesittely 4 h) Elektroniikkaprojekti ohjaustapaamiset kontaktiopetus 8 h Yhteensä 131 h Osaamistavoitteet: Opiskelija tietää elektroniikan toteutusvaihtoehtoja, osaa arvioida niitä ja valita kulloiseenkin sovellukseensa tarkoituksenmukaisen vaihtoehdon. Opiskelija osaa suunnitella piirikortin ja toteuttaa yksinkertaisen elektronisen laitteen erilliskomponenteista. Opiskelija tietää virtuaali-instrumentoinnin periaatteen, osaa valita tarvitsemansa erillislaitteet, ja osaa ohjelmoida niistä toimivan mittauslaitteiston. Opiskelija osaa tunnistaa yksinkertaisen epälineaarisen komponentin vasteita aika- ja taajuustason mittaustulosten avulla. Hän tietää vasteiden ilmiöistä esimerkiksi taajuuksien sekoittumisen. Opiskelija osaa raportoida työnsä tulokset. Sisältö: Elektroniikan toteutusvaihtoehdot; käytännön radiotekniikkaa, muun muassa signaalien siirtely taajuusalueessa sekoittimella; piirikaavion, piirilevyn ja elektroniikkalaitteen suunnittelu ja valmistus; Teholähteet ja maadoitus; elektroniikkalaitteen kotelointi; käytännön elektroniikkakomponentit ja niiden valinta; A/Dja D/A-muunnokset ja niiden vaikutus signaaleihin; virtuaali-instrumentointi. Toteutus, työmuodot ja arvosteluperusteet: Kurssi koostuu viikottaisista luennoista, kahdesta laboratoriotyöstä ja laajahkosta elektroniikkaprojektista. Laboratoriotyöt ja elektroniikkaprojekti arvostellaan, ja kurssin arvosana perustuu näihin osasuorituksiin. Myös toiminta kurssilla vaikuttaa arvosanaan. Kurssin kotisivu: Esitiedot: Elektroniikan perustietojen osaaminen on eduksi, suositellaan esimerkiksi kurssia ELEC-A4010 Sähköpaja. Arvosteluasteikko: 0-5 Opetuskieli: Suomi Lisätietoja: Kurssin suositeltu suoritusaika on kolmannen vuoden syyslukukausi. Kurssi jakautuu koko lukukauden ajalle. Kieliluokka 1: suomi 3

4 ELEC-C5210 Satunnaisprosessit tietoliikenteessä (5 op) Vastuuopettaja: Visa Koivunen; Esa Ollila Kurssin asema: Valinnainen kurssi sähkötekniikan kandidaattiohjelman informaatioteknologian pääaineessa Kurssin taso: kandidaattiopinnot Opetusperiodi: IV-V (kevät 2018) Työmäärä toteutustavoittain: Luennot 20 h Laskuharjoitukset 10 h Tietokoneharjoitukset 10 h Tentti 3 h Omatoiminen työskentely 90 h Osaamistavoitteet: Kurssin käytyään opiskelija: 1. osaa eritellä todennäköisyysavaruuden osatekijät ja siinä määriteltyjen tapahtumien perusominaisuudet; 2. osaa laatia satunnaiskokeen ja määrittää siihen liittyvät tapahtumat, niiden todennäköisyydet ja riippuvuudet ja tunnistaa erilaisten jakaumien käyttökohteita; 3. osaa laskea keskeisimpiä tunnuslukuja (kuten odotusarvo ja kovarianssi) erityyppisille satunnaismuuttujille (ml. vektoriarvoiset, kompleksiset, satunnaisjonot); 4. osaa käyttää vektoriarvoisia satunnaismuuttujia ja määrittää niiden riippuvuussuhteita; 5. ymmärtää ilmaisun ja estimoinnin peruskäsitteet, kuten hypoteesintestaus ja uskottavuusosamäärä, ja osaa verrata eri ilmaisustrategioiden (MAP, Neyman-Pearson) ja estimointimenetelmien (suurimman uskottavuuden, MVUE) eroja; 6. ymmärtää satunnaisprosessin käsitteen ja osaa selittää satunnaisprosessin suhteen satunnaismuuttujaan ja lukujonoon, satunnaisjonon stationaarisyyden, lineaaristen järjestelmien vaikutuksen satunnaisjonon ominaisuuksiin, sekä mitä tarkoitetaan tehotihysspektrillä. Kurssin tavoitteena on myös kehittää opiskelijan ongelmanratkaisutaitoja erityisesti tietoliikennesovellusten tilastollisen mallinnuksen alueella, mistä on hyötyä esimerkiksi tietoliikenneverkkojen ja (radio)tietoliikenneyhteyksien analysoinnissa. Kurssi parantaa opiskelijan valmiuksia Matlab ohjelmiston käytössä. Sisältö: Johdatus todennäköisyyteen, satunnaismuuttujat ja niiden riippuvuus, jakaumat, tunnusluvut, estimoinnin ja ilmaisun perusteet, satunnaisprosessit. Toteutus, työmuodot ja arvosteluperusteet: 1. Luennot 20h 2. Laskuharjoitukset 10h, assistentit 3. Tietokoneharjoitukset 10 h, assistentit 4. Laskuharjoitukset: >20% ratkaistu = osallistumisoikeus tenttiin, >40% ratkaistu = arvosana+0,5, >70% ratkaistu = arvosana+1 5. Tentti (100% kurssin arvosanasta), osallistuminen edellyttää laskuharjoituksia (kohta 4) Oppimateriaali: Luentomoniste sekä T.L.Fine: Probability and Probabilistic Reasoning for Electrical Engineering. Lisämateriaalina Yates&Goodman: Probability and Stochastic Processes - A Friendly Introduction for Electrical and Computer Engineers. Korvaavuudet: Korvaa kurssit S Tietoliikenteen satunnaisprosessit (6 op) ja S Satunnaisprosessit tietoliikenteessä (4 op) Kurssin kotisivu: Esitiedot: 1. vuoden matematiikka, todennäköisyys- ja tilastomatematiikka, perustaidot Matlabin käytöstä, ELEC-A7200 Signaalit ja järjestelmät tai vastaavat tiedot Arvosteluasteikko: 0-5 Ilmoittautuminen: WebOodissa Opetuskieli: 1 suomi Lisätietoja: Kieliluokka 1: suomi ELEC-C5230 Digitaalisen signaalinkäsittelyn perusteet (5 op) 4

5 Vastuuopettaja: Taneli Riihonen; Jorma Skyttä Kurssin asema: Pakollinen kurssi sähkötekniikan kandidaattiohjelman informaatioteknologian pääaineessa Kurssin taso: Kandidaattiopinnot Opetusperiodi: IV-V (kevät 2018) Työmäärä toteutustavoittain: Luennot 26 h Harjoitukset 26 h 1) Kotitehtävät ja itsenäinen opiskelu 79 h tai 2) Lopputentti 3 h, harjoitustyö ja itsenäinen opiskelu 76 h Osaamistavoitteet: Kurssin jälkeen osaat soveltaa matemaattisia työkaluja, kuten z- muunnosta, suotimen analysointiin. Osaat ratkaista suotimen puuttuvat yhdenmukaiset esitystavat tuntemalla joko impulssivasteen, differenssiyhtälön tai siirtofunktion. Osaat ohjelmoida Matlab-ohjelmistolla halutunlaisen suotimen ja suodattaa sillä äänisignaalista häiriötaajuuksia pois. Tunnistat ongelmia, jotka tulevat vastaan, kun signaaleja suodatetaan todellisuudessa. Sisältö: Digitaalisen suodatuksen perusteet: differenssiyhtälöt, siirtofunktiot, ja realisaatiomuodot; digitaalisuodattimien suunnittelu: FIR- ja IIR-suodattimet. Toteutus, työmuodot ja arvosteluperusteet: Suoritus tehtävillä ja sähköisellä tentillä, tai paperitentillä ja harjoitustyöllä. Paperitenttiin voi osallistua, jos on palauttanut harjoitustyön ilmoitettuna ajankohtana ennen kyseistä tenttiä. Oppimateriaali: Harjoitustehtävävihko, opetusmonisteita, luentokalvot; S. K. Mitra, Digital Signal Processing, 4th edition, McGraw-Hill. Kirjasta käsitellään pääosin lukuja Korvaavuudet: Korvaa kurssit T Digitaalinen signaalinkäsittely ja suodatus (5 op) ja T Digitaalinen signaalinkäsittely ja suodatus (6 op). Kurssin kotisivu: Esitiedot: ELEC-A7200 Signaalit ja järjestelmät tai vastaavat tiedot. Arvosteluasteikko: 0-5 Ilmoittautuminen: WebOodissa Opetuskieli: 1 suomi Lisätietoja: Kieliluokka 1: suomi ELEC-C5340 Sovellettu digitaalinen signaalinkäsittely (5 op) Vastuuopettaja: Vesa Välimäki; Kalle Palomäki Kurssin asema: Valinnainen kurssi sähkötekniikan kandidaattiohjelman informaatioteknologian pääaineessa Kurssin taso: Kandidaattiopinnot Opetusperiodi: I-II (syksy 2017) Työmäärä toteutustavoittain: Luennot ja harjoitukset 60 h Omaa työtä 73h (harjoitukset, projektityö) Yhteensä 133h Osaamistavoitteet: Kurssin jälkeen opiskelija osaa soveltaa signaalinkäsittelyn perustyökaluja erilaisten algoritmien toteuttamiseen käytännön alustoilla. Opiskelija tunnistaa erilaisten tavoitteiden ja sovellusten asettamien rajoitteiden vaikutuksen signaalinkäsittelyn työkalujen valintaan sekä menetelmien käytännön toteutukseen. Toteutus, työmuodot ja arvosteluperusteet: Luennot, ohjatut harjoitukset ja projektityö. Luennot koostuvat teoriaosuudesta ja niitä seuraa harjoitus jossa tuotetaan yksinkertaisia signaalinkäsittelyn sovelluksia erilaisilla käytännön alustoilla. Projektityön tarkoituksena on tuottaa laajempi käytännön sovellus valitulla alustalla. Sekä harjoitusten että projektityön aihepiirit valitaan signaalinkäsittelyn eri osa-alueilta. Korvaavuudet: Korvaa kurssin S DSP processors and audio signal processing 5

6 Kurssin kotisivu: Esitiedot: ELEC-C5230 Digitaalisen signaalinkäsittelyn perusteet, tai vastaava. Arvosteluasteikko: 0-5 Ilmoittautuminen: WebOodi Opetuskieli: 1 suomi Lisätietoja: Kieliluokka: 1 suomi ELEC-E5400 Signaalinkäsittelyn erikoistyö P V(V) (1-10 op) Vastuuopettaja: Sergiy Vorobyov; Jorma Skyttä; Visa Koivunen; Risto Wichman Kurssin asema: Valinnainen kurssi ohjelmassa Master's Programme in Computer, Communications and Information Sciences, pääaineessa Signal, Speech and Language Processing, polussa Signal Processing and Data Science Kurssin taso: DI-opinnot Opetusperiodi: I-V Työmäärä toteutustavoittain: <p>5-10op = 133,5-267h</p> <p>erikoistyö 133,5-267h</p> <p> </p> Osaamistavoitteet: Harjaannuttaa opiskelija itsenäiseen projektityöhön haasteellisen tehtävän puitteissa. Sisältö: Digitaaliseen signaalinkäsittelyyn, piirisuunnitteluun, tietokonelaitteistoihin tai systeemiohjelmointiin liittyvä laajahko itsenäinen suunnittelutehtävä Toteutus, työmuodot ja arvosteluperusteet: Erikoistyö (100% kurssiarvosanasta) Oppimateriaali: Määritellään erikseen Korvaavuudet: Korvaa S Signaalinkäsittelyn erikoistyö (3-5 ov) ja S Signaalinkäsittelyn erikoistyö Kurssin kotisivu: Esitiedot: Pitkälle edenneet opinnot Arvosteluasteikko: 1-5 Ilmoittautuminen: Sovitaan vastuuopettajan kanssa Opetuskieli: 4 englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi Lisätietoja: Kieliluokka 4: englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi Kurssi on vaihtuvasisältöinen ja sen voi sisällyttää tutkintoon useamman kerran. ELEC-E5410 Signal Processing for Communications (5 cr) Responsible teacher: Stefan Werner; Risto Wichman Status of the Course: Required course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing Level of the Course: M.Sc. studies Teaching period: I-II (Autumn 2017) Workload: 5 cr = 133,5h Lectures 24 h Exercises 24 h Individual studying, solving exercises and preparing for examination 82h Examination 3 h Learning Outcomes: Master advanced digital signal processing concepts and apply them to receiver and transmitter design in wireless communications Content: Design of FIR filters and multirate filters, and necessary pieces of detection and estimation theory applied to compensation of frequency offset, carrier phase 6

7 synchronization, symbol timing synchronization, automatic gain control, analog-to-digital conversion, spectrum analysis Assessment Methods and Criteria: Lectures (24h, Risto Wichman, I-II) Exercises (24h, assistant, I-II). Emhphasis is on implementation of algorgorithms using Matlab and RTL-SDR dongles Home exercises (> 50% solved = right to participate on examination) Clicker examination (100% of the course grade together with exercises) Study Material: S.K.Mitra: Digital Signal Processing - A Computer Based Approach 3rd Edition. McGraw-Hill U. Mengali, A.N. D'Andrea - Synchronization techniques for digital receivers. Plenum Press, 1997 R.W. Stewart, K.W. Barlee, D.S.W. Atkinson, L.H. Crockett - Software Defined Radio using MATLAB & Simulink and the RTL-SDR. Strathclyde Academic Media, 2015 Lecture slides Substitutes for Courses: Substitutes for study unit S Digital Signal Processing Systems (3 cr) and courses S Digitaaliset signaalinkäsittelyjärjestelmät (5 cr), S Digital Signal Processing Systems (5cr) and S Digital Signal Processing Systems (6 cr) Course Homepage: Prerequisites: ELEC-C5230 Digital Signal Processing Basics or equivalent skills ELEC-C7230 Tietoliikenteen siirtomenetelmät or similar might be useful to understand the basic building blocks of wireless communication systems Evaluation: 0-5 Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5421 Convex Optimization for Engineers P (10 cr) Responsible teacher: Sergiy Vorobyov; Jorma Skyttä Status of the Course: The course is an optional course in major and minor Signal, Speech and Language Processing and major Acoustics and Audio Technology within Master s Programme in Computer, Communication and Information Sciences. Level of the Course: MSc or doctoral studies Teaching period: I-II (Autumn 2017) Workload: 10 cr = 266 h Lectures Demo exercises Homework and preparing for exams Exams Learning Outcomes: Preliminary outcomes, that will be revised before the course begins: After the course students can recognize convex optimization problems that arise in engineering practice and other sciences. They know the basic theory of such problems and have a thorough understanding of how such problems are solved and some experience in solving them. Students can use the methods in their own research or engineering work. Students know a number of examples of successful application of convex optimization techniques in signal processing, communications, systems design etc. Content: Preliminary contents, that will be revised before the course begins: Theory: Convex sets, functions, and optimization problems; linear, quadratic, geometric, and semidefinite programming; duality theory. Algorithms: smooth unconstrained minimization algorithms and interior-point methods. Applications: geometrical problems, filter design, systems design. 7

8 Assessment Methods and Criteria: Lectures, homeworks, one or two exams. Assessment: homeworks and exams. Study Material: Stephen Boyd, Lieven Vandenberghe: Convex Optimization, Cambridge University Press 2009 (preliminary, for final recommendations see MyCourses) Substitutes for Courses: Replaces ELEC-E5420 Convex Optimization for Engineers L (5 cr) and S Convex Optimization for Engineers L (7 cr) Course Homepage: Prerequisites: - good knowledge of linear algebra, but basic concepts will be revisited anyway - elementary probability - exposure to some branches of engineering, economics or science in general - elementary analysis: norms, limits... - basic Matlab skills, or willingness to learn - exposure to optimization helps - knowing numerical linear algebra helps Evaluation: Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5430 Signal Processing for Large Scale Data Analysis P (5 cr) Responsible teacher: Sergiy Vorobyov; Visa Koivunen; Esa Ollila Status of the Course: Optional course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing Level of the Course: MSc or doctoral studies Teaching period: III-IV (Spring 2019, offered odd years only) Workload: 5 cr = 133 h Lectures, exercises, assignments, exams Learning Outcomes: Students are able to recognize the problems of processing data of large scale problems that arise in engineering and computer science. Students can describe the basic theory of such problems, concentrating on results that are useful in computation. Students have a thorough understanding of how such problems are thought of and addressed, and some experience in solving them. Students can apply the methods in their own research work. Students know a number of examples of successful application of the techniques for signal processing of large scale data. More detailed and revised learning outcomes are presented at the beginning of the course. Content: A draft of list of contents: (the final version is announced at the beginning of the course) Basic facts from liner and multi-linear algebra: vector spaces, subspaces, and norms, singular value decomposition, matrix factorizations, total least squares, and robust least squares, special matrices (Toeplitz and Vandermond matrices) and there use in signal and data processing, Kronecker and Hadamard products and vec operator, higher dimensional big data arrays, multi-linear decomposition. Basic facts from optimization: convex problems, duality, KKT, numerical methods of smooth unconstrained optimization, interior-point methods, convergence. Subgradient methods: why subgradient for large-scale data, definition of subgradient, subdifferential, basic properties, calculus of subgradiaents, subgradient method for unconstrained optimization, projected subgraduaen methods, projected subgradient for dual problems, application examples in engineering and machine learning. Sparse optimization: why sparsity is helpful for large-scale data processing, basics of sparse signal processing, greedy pursuit, orthogonal matching pursuit, basis pursuit and its interpretation as convex relaxation, recovery guarantees, rank sparsity, nuclear norm 8

9 minimization, compressive sensing and matrix completion and other applications in image processing and computer vision. Distributed optimization and statistical learning: why distributed optimization for largescale data, dual decomposition, alternating direction method of multipliers (ADMM), proximal methods, consensus and sharing, distributed model fitting, ADMM for largescale nonconvex problems. Other fast methods for large-scale optimization: Nesterov s method, ISTA and FISTA, synchronization issues, applications in engineering and machine learning. Assessment Methods and Criteria: Lectures, exercises, assignments and exams. Evaluation: Assignments and exams. Study Material: To be announced later. Course Homepage: Prerequisites: Recommended ELEC-E5420 Convex Optimization for Engineers L and ELEC-E5440 Statistical Signal Processing L or equivalent knowledge Evaluation: Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5440 Statistical Signal Processing P (5 cr) Responsible teacher: Visa Koivunen; Esa Ollila Status of the Course: Optional course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing Level of the Course: MSc and doctoral studies Teaching period: I-II (Autumn 2017) Workload: 5 cr = 133,5h Lectures Exercises Independent studying (homeworks, preparing for exam, etc.) Exam Learning Outcomes: To be able to explain and use basic methods of statistical signal processing and apply them to various problems Content: 1. Basic Concepts of Estimation Theory 2. Estimation of Deterministic Parameters (a) Estimation techniques: optimal methods, Maximum Likelihood, Minimum Variance Unbiased Estimation, etc. (b) Statistically Robust Estimators (c) Practical estimators with no optimality consideration: Method of Moments, Least Square and its variants 3. Estimation of Random Parameters, Bayesian approach: MMSE and MAP estimators 4. Optimum #ltering: Wiener and Kalman Filters, Extended Kalman Filter 5. Sensor Array Processing Spatial filtering, Direction of arrival estimation, High Resolution Methods Assessment Methods and Criteria: Requirements: Take-home exercises and a final exam. Grading is based on the homeworks and on the final exam. You are not allowed to take the final exam if homeworks are not done. Study Material: Handout Substitutes for Courses: Replaces course S Statistical Signal Processing P Course Homepage: Prerequisites: Basic knowledge of matrix algebra, probability and statistics. Evaluation: Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5450 Signal Processing Seminar 1 P V(V) (2-5 cr) 9

10 Responsible teacher: Sergiy Vorobyov; Visa Koivunen Status of the Course: Optional course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing, track Signal Processing and Data Science Level of the Course: MSc or doctoral studies Teaching period: I-II (Autumn 2017) Workload: <p>4-8 cr = 106,8-213,6h</p> <p>lectures 24h (depends on the number of participants)</p> <p>independent work (preparing presentations, solving homeworks, writing summaries) h </p> Learning Outcomes: The goal of the course is to train the student to work within a scientific seminar by giving presentations within the field of the annually varying topic. Content: A seminar on annually varying subjects within the field of signal processing in telecommunications. The subject will be announced at the beginning of the term. Assessment Methods and Criteria: 1. Seminar presentation (mandatory) 2. Participation to seminar lectures (mandatory, students, I - II) 3. Solving homework problems (mandatory) 4. Writing summaries from the presentations (mandatory) Study Material: To be announced at the start of the course. Substitutes for Courses: S Postgraduate Seminar on Signal Processing 1 P, S Postgraduate Seminar on Signal Processing 3 P Course Homepage: Evaluation: Pass - Fail Registration for Courses: Please contact the teachers well in advance by if you are interested. WebOodi registration can still be requested. Language of Instruction: 3 English The content of this course varies and it can be included several times in a degree. ELEC-E5460 Signal Processing Seminar 2 P V(V) (2-5 cr) Responsible teacher: Jorma Skyttä; Risto Wichman Status of the Course: Optional course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing, track Signal Processing and Data Science Level of the Course: MSc or doctoral studies Teaching period: III-IV (Spring 2018) Workload: 2-5 cr = 53,2-133,3 h Lectures (depends on the number of participants) Independent work (preparing presentations, solving homeworks, writing summaries) Learning Outcomes: The goal of the course is to train the student to work within a scientific seminar by giving presentations within the field of the annually varying topic Content: A postgraduate seminar on annually varying subjects within the field of information technology. The subject will be announced at the beginning of the term. Assessment Methods and Criteria: 1. Seminar presentation (mandatory) 2. Participation to seminar lectures (mandatory, students, III - IV) 10

11 3. Solving homework problems (mandatory) 4. Writing summaries from the presentations (mandatory) Substitutes for Courses: S Postgraduate Seminar on Signal Processing 2 P, S Postgraduate Seminar on Signal Processing 4 P Course Homepage: Evaluation: Pass - Fail Registration for Courses: Please contact the teachers well in advance by if you are interested. WebOodi registration can still be requested. Language of Instruction: 3 English Further Information: The content of this course varies and it can be included several times into a degree Language class 3: English ELEC-E5470 Advanced Topics in Statistical Learning P (5 cr) Responsible teacher: Visa Koivunen; Esa Ollila Status of the Course: Optional course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing Level of the Course: M.Sc. or doctoral studies Teaching period: III-IV (Spring 2018, offered even years only) Workload: Lectures and excercise sessions Independent work Learning Outcomes: Student can explain and apply some advanced methods of statistical learning Content: Tentative contents: Part I motivation and preliminaries 1. Covariance matrix and the Gaussian distribution 2. SCM : basic properties 3. Statistical tests on covariance matrix Part II Regularization and convexity 4. Regularization in the covariance matrix model 5. Geodesic convexity and covariance matrix estimation Part III: Robust covariance matrix estimation - a review 7. Elliptically symmetric (ES) distributions 8. M-estimators of scatter (covariance) matrix Part IV: Robust covariance estimators for sparse data 9. Regularized M-estimators of scatter (covariance) matrix 10. Estimation of the penalty (regularization) parameter 11. Covariance matrix estimation under structured covariance models Part V: Applications of regularized covariance estimation 12. Signal processing applications 13. Regularized discriminant analysis 14. Portfio optimization Assessment Methods and Criteria: Excercises 100 % Study Material: To be announced later Course Homepage: Evaluation: Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5490 Convex Optimization Project P (3 cr) Responsible teacher: Sergiy Vorobyov; Jorma Skyttä 11

12 Status of the Course: Optional course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing Level of the Course: MSc or doctoral studies Teaching period: III-V (Spring 2018) Workload: 3 cr = 80 h Project work 80 h Learning Outcomes: Students will have a deeper understanding of convex optimization problems and theory. They will have more experience with programming convex optimization problems and with specialized software such as CVX. Students can solve research problems that require the use of optimization. Students have experience in scientific writing. Content: Project work in the field of convex optimization. Assessment Methods and Criteria: Project work and a pages project report. Course Homepage: Prerequisites: ELEC-E5420 Convex Optimization for Engineers L or equivalent knowledge. Evaluation: Registration for Courses: Please contact prof. Sergiy Vorobyov by or visit. Language of Instruction: 3 English ELEC-E5500 Puheenkäsittely (5 op) Vastuuopettaja: Paavo Alku Kurssin asema: Pakollinen kurssi ohjelman Master's Programme in Computer, Communications and Information Sciences pääaineen Signal, Speech and Language Processing polussa Speech and Language Processing Kurssin taso: DI-opinnot Opetusperiodi: I (syksy 2017) Työmäärä toteutustavoittain: Luennot: 30 h (5 h viikko) Harjoitustyöt: 20 h Itsenäinen opiskelu: 80 h Tentti: 3 h Yhteensä: 133 h Osaamistavoitteet: Puhekommunikaation perusilmiöiden ymmärtäminen. Puheteknologian eri osa-alueiden menetelmien ymmärtäminen pääpainoalueena aikataajuusmenetelmät. Sisältö: Audiosignaalien käsittelyn perusteita. Psykoakustiikan ja auditorisesti (perkeptuaalisesti) motivoidun signaalinkäsittelyn perusteet. Puheentuoton akustinen teoria. Kurkunpään ja ääniväylän toiminnot, akustiikka ja mallinnus. Äänteet ja niiden muodostus. Puhesignaalin aika-taajuusrakenteet ja analyysi. Puheenkoodauksen pääperiaatteet. Lineaariprediktio ja sen soveltaminen puheenkäsittelyssä. Puhesynteesi ja puheentunnistus. Toteutus, työmuodot ja arvosteluperusteet: Tentti ja kaksi harjoitustyötä. Oppimateriaali: L.R. Rabiner & R.W. Schafer (2007): Introduction to Digital Speech Processing. Lisäksi luentokalvot. Muu materiaali ilmoitetaan erikseen. Korvaavuudet: S , S Puheenkäsittely Kurssin kotisivu: Esitiedot: Perustiedot digitaalisesta signaalinkäsittelystä, esim. ELEC-C5230 Digitaalisen signaalinkäsittelyn perusteet 12

13 Arvosteluasteikko: 0-5 Ilmoittautuminen: WebOodi Opetuskieli: 4 englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi Lisätietoja: Kieliluokka 4: englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi ELEC-E5510 Speech Recognition P (5 cr) Responsible teacher: Pieter Smit; Mikko Kurimo Status of the Course: Required course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing, track Speech and Language Processing Level of the Course: MSc and doctoral studies Teaching period: II (Autumn 2017) Workload: Lectures: 24h Home exercises: 24h Group projects: 30h Other individual work: 50h Learning Outcomes: To become familiar with speech recognition methods and applications. Additionally, to learn to understand the structure of a typical speech recognition system and to know how to construct one in practice. Content: Preprocessing and feature extraction for speech, phoneme models, decoding, lexicon and language models, recognition and retrieval of continuous speech. Assessment Methods and Criteria: Exercises and project work. Study Material: To be specified in the beginning of the course. Substitutes for Courses: T , S Course Homepage: Prerequisites: Basic mathematics and probability courses. Evaluation: Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5520 Puheen- ja kielenkäsiitelyn metodit P (2 op) Vastuuopettaja: Paavo Alku; Mikko Kurimo Kurssin asema: Pakollinen kurssi ohjelman Master's Programme in Computer, Communications and Information Sciences pääaineen Signal, Speech and Language Processing polussa Speech and Language Processing Kurssin taso: DI- ja tohtoriopinnot Opetusperiodi: Kurssi on lopetettu. Korvaava kurssi on ELEC-E5521. Työmäärä toteutustavoittain: Luennot 4 h Harjoitusten palautussessiot 3 h Puhemateriaalin nauhoitus 1 h Omaa työtä 45,2 h Yhteensä: 53,2 h Osaamistavoitteet: Osata käytännössä analysoida puhesignaalia sen käytetyimmillä laskentamenetelmillä. Sisältö: Kurssissa tutustutaan puheenkäsittelyn tärkeimpiin laskentamenetelmiin (lineaarinen ennustus, kepstri, jne.) harjoitustöiden avulla. Jokaista teema-aluetta käsitellään ensin lyhyehkössä luento-osuudessa, jonka jälkeen opiskelijat saavat 13

14 ryhmässä tehtävät harjoitustyöt. Harjoitustyöt tehdään etupäässä MATLAB-ympäristössä. Kurssia voi haluttaessa jatkaa kurssin ELEC-E5540 Special Assignment in Speech and Language Processing L V puitteissa tehtävällä jatkotyöllä. Toteutus, työmuodot ja arvosteluperusteet: Harjoitustyöt. Oppimateriaali: Opetusmonisteet Korvaavuudet: S Puheenkäsittelytekniikan metodit L Kurssin kotisivu: Esitiedot: ELEC-E5500 Speech Processing Arvosteluasteikko: hyväksytty/hylätty Ilmoittautuminen: WebOodi Opetuskieli: Englanti pääosin. Pyydettäessä suoritettavissa suomeksi. Lisätietoja: kieliluokka 4: englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi ELEC-E5521 Speech and Language Processing Methods P (5 cr) Responsible teacher: Paavo Alku; Mikko Kurimo Status of the Course: Obligatory course in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing, track Speech and Language Processing Level of the Course: MSc and doctoral studies Teaching period: III-IV (Spring 2018) Workload: Lectures h Exercise sessions h Recording of speech material h Own work h Total: 133 h Learning Outcomes: To be able to analyse speech signal in practice with the most widely used speech processing algorithms. Content: The most important methods of speech processing (linear prediction, cepstrum etc). Introductory lectures are first given on each topic after which assignments on the topics are done in groups using mainly the MATLAB tool. It is possible to expand the assignments by taking the course ELEC-E5540 Special Assignment in Speech and Language Processing L V Assessment Methods and Criteria: Assignments. Study Material: Handout Substitutes for Courses: ELEC-E5520, S Course Homepage: Prerequisites: ELEC-E5500 Speech Processing Evaluation: Pass - Fail Registration for Courses: WebOodi Language of Instruction: 3 English ELEC-E5530 Speech and Language Processing Seminar P V(V) (3-5 cr) Responsible teacher: Paavo Alku; Mikko Kurimo 14

15 Status of the Course: Obligatory couse in Master's Programme in Computer, Communications and Information Sciences, major Signal, Speech and Language Processing, track Speech and Language Processing Level of the Course: MSc and PhD studies Teaching period: III-IV (Spring 2018) Workload: To be specified at the beginning of the course. Learning Outcomes: To be able to take advantage of the basic knowledge of speech and language processing in understanding state-of-the-art topics in speech science and technology. Content: Varying current topics in speech and language processing. More specific topic is announced before the course begins. Assessment Methods and Criteria: Seminar presentation and assignments Study Material: Scientific articles, handouts, etc. Substitutes for Courses: S , S Speech Processing Seminar, S Postgraduate Course in Speech Processing P Course Homepage: Prerequisites: ELEC-E5500 Speech Processing tai S Puheenkäsittely Evaluation: pass/fail Registration for Courses: In WebOodi Language of Instruction: 3 English ELEC-E5540 Special Assignment in Speech and Language Processing P V(V) (1-10 cr) Responsible teacher: Paavo Alku; Mikko Kurimo Status of the Course: Valinnainen kurssi ohjelman Master's Programme in Computer, Communications and Information Sciences pääaineen Signal, Speech and Language Processing polussa Speech and Language Processing Level of the Course: DI- ja tohtoriopinnot Teaching period: I-V (lv ) Workload: Erikoistyö 133 h Learning Outcomes: Kyetä soveltamaan puheen- ja kielenkäsittelyn tietoja itsenäisesti laajahkon suunnittelutyön ratkaisussa. Content: Puheen- ja kielenkäsittelyn itsenäinen tutkimus- tai suunnittelutyö, joka on tarkoitettu DI-opintojen loppuvaiheessa ja erityisesti jatko-opinnoissa suoritettavaksi. Työn aihe sovitaan opettajan kanssa erikseen ja se voi edustaa joko teknistieteellistä tai poikkitieteellistä puheen- ja kielenkäsittelyä. Assessment Methods and Criteria: Tutkimus tai suunnittelu- ja toteutustyö työkohtaisen valvojan opastuksella sekä työselostus. Substitutes for Courses: S Speech Processing, special assignment P Course Homepage: Evaluation: Registration for Courses: Ota yhteyttä vastuuopettajaan. Language of Instruction: 4 englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi Further Information: kieliluokka 4: englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi Kurssin suorittamiseksi ota suoraan yhteyttä vastuuopettajiin. ELEC-E5550 Statistical Natural Language Processing P (5 cr) Responsible teacher: Stig-Arne Grönroos; Mikko Kurimo 15

16 Level of the Course: M.Sc. or doctoral studies Teaching period: III-IV (Spring 2018) Workload: Lectures 24 h Excercise sessions 24 h Independent work 85 h Learning Outcomes: After attending the course, the student knows how statistical and adaptive methods are used in information retrieval, machine translation, text mining, speech processing and related areas to process natural language contents. Furthermore, the student can apply the basic methods and techniques used for statistical natural language modeling including, for instance, clustering, classification, Hidden markov models and Bayesian models. Content: Many core applications in modern information society such as search engines, social media, machine translation, speech processing and text mining for business intelligence apply statistical and adaptive methods. This course provides information on these methods and teaches basic skills on how they are applied on natural language data. Each topic is handled by a high level expert in the area. Assessment Methods and Criteria: Examination and exercise work. Study Material: C. Manning, H. Schütze, Foundations of Statistical Natural Language Processing. The MIT Press; Lecture notes. Substitutes for Courses: T Statistical Natural Language Processing P Course Homepage: Prerequisites: Basic mathematics and probability courses. Evaluation: Registration for Courses: In WebOodi Language of Instruction: English ELEC-E5600 Communication Acoustics (5 cr) Responsible teacher: Ville Pulkki; Vesa Välimäki Status of the Course: Acoustics and Audio Technology, pakollinen Level of the Course: DI-opinnot Teaching period: I (Syksy 2017) Workload: (6 + 0) Oma työskentely 103 h (tehtävät, aineiston lukeminen) Yhteensä 133 h Learning Outcomes: Kurssin tavoitteet ovat (a) ymmärtää äänellä ja puheella tapahtuvan kommunikaation fysiologia, akustiikka ja psykoakustiikka (b) oppia perusteet kommunikaatioakustiikassa sovellettavista audioteknologioista sekä audiosignaalinkäsittelystä (c) oppia käyttämään alan kirjallisuutta ja soveltamaan opittua käytännössä. Content: Ääni.- ja puhekommunikaatio. Äänilähteet ja niitten ominaisuudet. Kuulemisen fysiologia ja psykoakustiikka. Tilakuuleminen. Kuulojärjestelmien laskennalliset mallit. Äänenlaatu. Tekninen audiologia. Äänentoistotekniikat. Assessment Methods and Criteria: Tentti sekä projektitöitä. Study Material: Pulkki, Karjalainen: Communication Acoustics, Wiley Additional material TBA. Substitutes for Courses: S Course Homepage: Prerequisites: Perustason yliopistomatematiikka, -fysiikka ja signaalinkäsittely Evaluation: 0-5 Registration for Courses: WebOodi 16

17 Language of Instruction: English Further Information: Kieliluokka 4: englanti, suoritettavissa pyydettäessä suomeksi tai ruotsiksi ELEC-E5610 Acoustics and the Physics of Sound (5 cr) Responsible teacher: Ville Pulkki Status of the Course: Acoustics and Audio Technology, compulsory Level of the Course: M.Sc. Teaching period: II (Autumn 2017) Workload: (4+2) Own work 99h (reading the material, solving exercises) Total 133h Learning Outcomes: After attending the course successfully, the student is able to describe fundamental acoustic concepts such as sound pressure, particle velocity, speed of sound, characteristic impedance of the medium, radiation impedance, interpret the wave equation and Helmholtz Equation and their solutions under different conditions, interpret the behaviour of vibrational and acoustical systems, apply analogies between the mechanical (acoustical) and electrical domains, and analyse wave propagation and sound radiation of simple sound sources, such as monopole, dipole, piston, and arrays. Content: Concepts of pressure, particle velocity, impedance. Basic assumptions behind the derivation of the wave equation. Waves in fluids and solids and their coupling. Simple vibrating systems. Electroacoustic analogies. Sound radiation of monopole, dipole, and simple array. Eigenfrequencies and -modes of membranes, strings, and rooms. Simulation methods in acoustics. Assessment Methods and Criteria: Exercises during contact session 50% Exercises after contact session 50 % Substitutes for Courses: S Course Homepage: Prerequisites: ELEC-E5600 Evaluation: 0-5 Registration for Courses: WebOodi Language of Instruction: English ELEC-E5620 Audio Signal Processing P (5 cr) Responsible teacher: Ville Pulkki; Vesa Välimäki Status of the Course: Acoustics and Audio Technology, pakollinen Level of the Course: Maisteri- ja jatko-opinnot Teaching period: III-IV (kevät 2018) Workload: Vaihtoehto 1: (3 + 0) Itsenäistä työskentelyä 92h (artikkelien lukemista, erikoistyö, kotitehtävät ja oppimispäiväkirjat) Vaihtoehto 2: Itsenäistä työskentelyä 133h (artikkelien lukemista, erikoistyö, valmistautuminen tenttiin) Yhteensä 133h Learning Outcomes: Kurssin suoritettuaan opiskelija osaa kuvailla digitaalisen audiosignaalinkäsittelyn historiaa, trendejä ja sovelluksia, tunnistaa ja osaa suunnitella audiosignaalinkäsittelyn digitaalisia suodattimia, osaa selittää kuinka digitaalisen äänisignaalin näytetaajuus voidaan muuttaa, osaa luetella äänen analyysi-, synteesija muokkaustekniikoita ja niiden pääperiaatteet, osaa selittää audiokoodauksen 17

18 perusperiaatteet ja käyttötavat, tietää mitä virtuaaliakustiikalla tarkoitetaan ja osaa soveltaa oppimiaan menetelmiä MATLAB-ohjelmiston avulla. Content: Audiosignaalinkäsittelyn yleiskatsaus, historia ja sovellukset, äänitekniikan digitaalisuodattimet ja niiden suunnittelu, näytetaajuusmuunnokset, audiosignaalien analyysimenetelmät, digitaaliset kaiku- ja tehostealgoritmit, 3-D-ääni ja virtuaaliakustiikka, äänisynteesi, audiokoodaus ja multimediastandardit. Assessment Methods and Criteria: Erikoistyö, oppimispäiväkirjat ja kotitehtävät tai vaihtoehtoisesti erikoistyö ja tentti. Study Material: Luentokalvot ja artikkeleita. Substitutes for Courses: S Course Homepage: Prerequisites: ELEC-C5230 ja ELEC-E5600 tai vastaavat tiedot. Evaluation: 0-5 Registration for Courses: WebOodi Language of Instruction: Englanti Further Information: Kieliluokka 4: englanti, pyydettäessä suoritettavissa suomeksi tai ruotsiksi ELEC-E5630 Acoustics and Audio Technology Seminar P V(V) (5 cr) Responsible teacher: Vesa Välimäki; Lauri Savioja; Tapio Lokki Status of the Course: Acoustics and Audio Technology, compulsory Level of the Course: M.Sc. / postgraduate Teaching period: IV-V Workload: Lectures 15-30h (3h / week) Own work h (searching and reading of literature, writing of seminar paper, presentation and preparations, possible other assignments) Peer review 6h Total 133h Learning Outcomes: The seminar will introduce students to a selected area of acoustics and audio technology in depth. The goal is that each student will be involved in a specific topic so that he/she will have competence to work independently on the selected problem area. Students will acquire skills in scientific writing and presentation. Content: Current topics in acoustics and audio technology. Topic changes every year and will be announced in the beginning of the course. Assessment Methods and Criteria: Attendance, seminar presentation, and seminar paper. Study Material: Parts of textbooks and articles from journals and conferences. Substitutes for Courses: S , S , S , S Course Homepage: Prerequisites: ELEC-E5600 Evaluation: 0-5 Registration for Courses: WebOodi Language of Instruction: English Further Information: Kieliluokka: 3 ELEC-E5640 Noise Control P (5 op) Vastuuopettaja: Vesa Välimäki; Valtteri Hongisto Kurssin asema: Acoustics and Audio Technology / optional Kurssin taso: M.Sc. / postgraduate Opetusperiodi: II Työmäärä toteutustavoittain: 18