Module


General information
Digitale Audiosignalverarbeitung
Digital Audio Signal Processing
BK101
DigAudSV-01-BA-M
Prof. Dr. Badri-Höher, Sabah (sabah.badri-hoeher@haw-kiel.de)
Prof. Dr. Badri-Höher, Sabah (sabah.badri-hoeher@haw-kiel.de)
Wintersemester 2026/27
1 Semester
In der Regel im Wintersemester
Deutsch
Curricular relevance (according to examination regulations)
Study Subject Study Specialization Study Focus Module type Semester
B.Eng. - Me (PO 2024) - Mechatronik (PO 2024, V5) Wahlmodul
B.Sc. - INF - Informatik (PO 2021,V1) Wahlmodul
B.Eng. - E - Elektrotechnik (PO 2023, V4) Energietechnik Wahlmodul
B.Eng. - E - Elektrotechnik (PO 2023, V4) Wahlmodul
B.Eng. - Wing - Wirtschaftsingenieurwesen - Elektrotechnik (PO 2025, V2) Wahlmodul
B.Eng. - Wing - Wirtschaftsingenieurwesen - Elektrotechnik (PO 2017, V1) Wahlmodul

Qualification outcome
Areas of Competence: Knowledge and Understanding; Use, application and generation of knowledge; Communication and cooperation; Scientific self-understanding / professionalism.
Die Studierenden erwerben die Befähigung
1. zur Schätzung und Bestimmung von Spektren im digitalen Bereich mit Verwendung der DFT/IDFT und deren Realisierung mit der FFT/IFFT.
2. zum Entwurf und zur Analyse von digitalen Filtern und deren Anwendung im Audio-Bereich.
3. zwischen klassischen Algorithmen und modernen, datengetriebenen KI-Ansätzen zu unterscheiden und sinnvoll zu nutzen.
4. Die moderne, KI-gestützte Audiosignalverarbeitung zu verstehen und zu verwenden.
5. Verfahren der klassichen und modernen digitalen Signalverarbeitung im Labor als Gruppe zu implementieren, zu testen und zu dokumentieren.
Die Studierenden
- können die erworbenen Kompetenzen an einem konkreten Projekt der digitalen Signalen anwenden
- können die erworbenen Kompetenzen an einem konkreten Projekt der digitalen Audio-Systemen mit modernen Methoden anwenden
- kennen Methoden zum Entwurf und zur Entwicklung von digitalen Filtern in Audiobereich
- kennen Methoden zum Test und zur Analyse von digitalen Systemen und Signalen
- lernen, wie sie traditionelle Signalverarbeitungskonzepte mit Machine- und Deep-Learning-Modellen kombinieren können, um komplexe Audio-Probleme wie Spracherkennung, Klassifikation und generative Klangsynthese zu lösen.
-Befähigung zur Teilnahme an weiterführenden Vorlesungen und zur selbstständigen Einarbeitung in Spezialgebiete der Audio-, Sprachverarbeitung
Die Studierenden
- können zielorientiert im Team arbeiten
- reflektieren und bewerten die Arbeit des Teams
- erarbeiten im Team Teilaufgaben im Labor. Sie erkennen dadurch ihre eigenen Stärken und Schwächen in der Teamarbeit.
- können konstruktives Feedback geben und konstruktive Kritik annehmen
Die Studierenden
- können neue Aufgaben der digitalen Signalverabeitung in vielen anwendungen selbständig bearbeiten
- begründen das eigene berufliche Handeln mit theoretischen und methodischem Wissen
Content information
Grundlagen der digitalen Audiosignalverarbeitung: Diskrete Fourier-Transformation DFT/IDFT: Definition, Eigenschaften, Realisierung mit der FFT, lineare Faltung mit der DFT, Spektralschätzung. Digitale Filter Entwurf und Anwendung von FIR- und IIR-Filtern (z.B. Tiefpass, Hochpass, Equalizer).
Audio-Repräsentationen für KI-Modelle, (Wie bereitet man Audio für Neuronale Netze auf?): Roh-Audio vs. handcrafted Features: Vor- und Nachteile.
Spektrogramme: Mel-Spektrogramme und die Mel-Frequenz-Cepstral-Coefficients (MFCCs) – das "Bild" des Sounds. Weitere relevante Merkmale: Chroma Features, Spectral Contrast, Tonhöhe.
Grundlagen des Machine Learnings: Training, Validation, Test, Overfitting. Feedforward Neural Networks (FNN): Anwendung für einfache Audio-Klassifikation.
Convolutional Neural Networks (CNNs): Warum CNNs ideal für Spektrogramme sind (räumliche Merkmalserkennung in "Audio-Bildern"). Anwendung für Musik-Genre-Klassifikation oder Sound Event Detection.
Sequenzmodellierung mit Recurrent Neural Networks (RNNs)
Für zeitlich dynamische Signale, die Herausforderung von Sequenzen: Kontext und zeitliche Abhängigkeiten. RNNs, LSTMs (Long Short-Term Memory) und GRUs: Architekturen zum Behalten von Kontext über Zeit.
Transformer-Modelle Generative KI-Modelle für Audio.
U. Zölzer, Digitale Audiosignalverarbeitung, Springer Verlag.
U. Zölzer, DAFX: Digital Audio Effects, Wiley.
Götz: Einführung in die digitale Signalverarbeitung, Teubner Verlag
W. Werner: Digitale Signale mit Matlab, Teubner Verlag
C.N. Bishop, Pattern Recognition and Machine Learning, Springer Verlag.
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, O'Reilly.
I. Mcloughlin, Speech and Audio Processing: A MATLAB-based Approach, Cambridge University Press.
Teaching formats of the courses
Teaching format SWS
Labor 1
Seminar 2
Übung 1
Workload
4 SWS
5,0 Credits
48 Hours
102 Hours
Module Examination
Method of Examination Duration Weighting wird angerechnet gem. § 11 Absatz 2 PVO Graded Remark
Klausur 90 Minutes 100 %
Laborprüfung 0 %
Miscellaneous
IT2, Matlab Programmierung