• Die Studierenden sind in der Lage, ausgewählte betriebswirtschaftliche Spezialgebiete innerhalb der Betriebswirtschaftslehre zu verorten.
• Die Studierenden können in ausgewählten betriebswirtschaftlichen Teilbereichen grundlegende Theorien, Kategorien und Modelle erklären.
• Die Studierenden können technisches und betriebswirtschaftliches Wissen miteinander in Beziehung setzen.

• Die Studierenden können in ausgewählten betriebswirtschaftlichen Teilbereichen grundlegende Methoden anwenden.
• Die Studierenden können für praktische Fragestellungen in betriebswirtschaftlichen Teilbereichen Entscheidungsvorschläge begründen.

• Die Studierenden sind in der Lage, in interdisziplinären Kleingruppen zu kommunizieren und gemeinsam Lösungen für komplexe Problemstellungen zu erarbeiten.

  
  

Die Nichttechnischen Angebote  (NTA)

vermittelt die in Hinblick auf das Ausbildungsprofil der TUHH nötigen Kompetenzen, die ingenieurwissenschaftliche Fachlehre fördern aber nicht abschließend behandeln kann: Eigenverantwortlichkeit, Selbstführung, Zusammenarbeit und fachliche wie personale Leitungsbefähigung der zukünftigen Ingenieurinnen und Ingenieure. Er setzt diese Ausbildungsziele in seiner Lehrarchitektur, den Lehr-Lern-Arrangements, den Lehrbereichen und durch Lehrangebote um, in denen sich Studierende wahlweise für spezifische Kompetenzen und ein Kompetenzniveau auf Bachelor- oder Masterebene qualifizieren können. Die Lehrangebote sind jeweils in einem Modulkatalog Nichttechnische Ergänzungskurse zusammengefasst. 

Die Lehrarchitektur

besteht aus einem studiengangübergreifenden Pflichtstudienangebot. Durch dieses zentral konzipierte Lehrangebot wird die Profilierung der TUHH Ausbildung auch im nichttechnischen Bereich gewährleistet.

Die Lernarchitektur erfordert und übt eigenverantwortliche Bildungsplanung in Hinblick auf den individuellen Kompetenzaufbau ein und stellt dazu Orientierungswissen zu thematischen Schwerpunkten von Veranstaltungen bereit.

Das über den gesamten Studienverlauf begleitend studierbare Angebot kann ggf. in ein-zwei Semestern studiert werden. Angesichts der bekannten, individuellen Anpassungsprobleme beim Übergang von Schule zu Hochschule in den ersten Semestern und um individuell geplante Auslandsemester zu fördern, wird jedoch von einer Studienfixierung in konkreten Fachsemestern abgesehen.

Die Lehr-Lern-Arrangements

sehen für Studierende - nach B.Sc. und M.Sc. getrennt - ein semester- und fachübergreifendes voneinander Lernen vor. Der Umgang mit Interdisziplinarität und einer Vielfalt von Lernständen in Veranstaltungen wird eingeübt - und in spezifischen Veranstaltungen gezielt gefördert.

Die Lehrbereiche

basieren auf Forschungsergebnissen aus den wissenschaftlichen Disziplinen Kulturwissenschaften, Gesellschaftswissenschaften, Kunst, Geschichtswissenschaften, Kommunikationswissenschaften, Migrationswissenschaften, Nachhaltigkeitsforschung und aus der Fachdidaktik der Ingenieurwissenschaften. Über alle Studiengänge hinweg besteht im Bachelorbereich zusätzlich ab Wintersemester 2014/15 das Angebot, gezielt Betriebswirtschaftliches und Gründungswissen aufzubauen. Das Lehrangebot wird durch soft skill und Fremdsprachkurse ergänzt. Hier werden insbesondere kommunikative Kompetenzen z.B. für Outgoing Engineers gezielt gefördert.

Das Kompetenzniveau

der Veranstaltungen in den Modulen der nichttechnischen Ergänzungskurse unterscheidet sich in Hinblick auf das zugrunde gelegte Ausbildungsziel: Diese Unterschiede spiegeln sich in den verwendeten Praxisbeispielen, in den - auf unterschiedliche berufliche Anwendungskontexte verweisende - Inhalten und im für M.Sc. stärker wissenschaftlich-theoretischen Abstraktionsniveau. Die Soft skills für Bachelor- und für Masterabsolventinnen/ Absolventen unterscheidet sich an Hand der im Berufsleben unterschiedlichen Positionen im Team und bei der Anleitung von Gruppen.

Fachkompetenz (Wissen)

Die Studierenden können

• ausgewähltes Spezialgebiete des jeweiligen nichttechnischen Bereiches erläutern,
• in den im Lehrbereich vertretenen Disziplinen grundlegende Theorien, Kategorien, Begrifflichkeiten, Modelle,  Konzepte oder künstlerischen Techniken skizzieren,
• diese fremden Fachdisziplinen systematisch auf die eigene Disziplin beziehen, d.h. sowohl abgrenzen als auch Anschlüsse benennen,
• in Grundzügen skizzieren, inwiefern wissenschaftliche Disziplinen, Paradigmen, Modelle, Instrumente, Verfahrensweisen und Repräsentationsformen der Fachwissenschaften einer individuellen und soziokulturellen Interpretation und Historizität unterliegen,              
• können Gegenstandsangemessen in einer Fremdsprache kommunizieren (sofern dies der gewählte Schwerpunkt im NTW-Bereich ist).

Die Studierenden können in ausgewählten Teilbereichen

• grundlegende und teils auch spezielle Methoden der genannten Wissenschaftsdisziplinen anwenden.
• technische Phänomene, Modelle, Theorien usw. aus der Perspektive einer anderen, oben erwähnten Fachdisziplin befragen.
• einfache und teils auch fortgeschrittene Problemstellungen aus den behandelten Wissenschaftsdisziplinen erfolgreich bearbeiten,
• bei praktischen Fragestellungen in Kontexten, die den technischen Sach- und Fachbezug übersteigen, ihre Entscheidungen zu Organisations- und Anwendungsformen der Technik begründen.

Die Studierenden sind fähig ,

• in unterschiedlichem Ausmaß kooperativ zu lernen
• eigene Aufgabenstellungen in den o.g. Bereichen in adressatengerechter Weise in einer Partner- oder Gruppensituation zu präsentieren und zu analysieren,
• nichttechnische Fragestellungen einer Zuhörerschaft mit technischem Hintergrund verständlich darzustellen
• sich landessprachlich kompetent, kulturell angemessen und geschlechtersensibel auszudrücken (sofern dies der gewählte Schwerpunkt im NTW-Bereich ist)

Die Studierenden wissen, wie man sich ein Teilgebiet der Informatik (oder in einen angrenzenden Bereich) selbständig erschließt.

Die Studierenden können ein Teilgebiet der Informatik (oder in einem angrenzenden Bereich) selbständig bearbeiten.

Studierenden erläutern die in einem wissenschaftlichen Aufsatz geschilderten Probleme und die im Aufsatz entwickelten Lösungen in einem Fachgebiet der Informatik oder Mathematik, bewerten die vorgeschlagenen Lösungen in einem Vortrag und reagieren auf wissenschaftliche Nachfragen, Ergänzungen und Kommentare.

Die Studierenden erwerben weitergehende Kenntnisse in einem an der TUHH vertretenen technischen Fach.

Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern: Smith-Normalform, Chinesischer Restsatz, Gitterpunktsätze, Ganzzahlige Lösung von Ungleichungssystemen.

Studierende sind in der Lage, sich weitere logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.

Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten, wie beispielsweise bei der Lösung multivariater Gleichungssysteme und in der Gitterpunkttheorie.

Die Studierenden sind in der Lage, ein digitales Nachrichtenübertragungsverfahren einschließlich Vielfachzugriff zu analysieren und zu entwerfen. Sie sind in der Lage, ein hinsichtlich Übertragungsrate, Bandbreitebedarf, Fehlerwahrscheinlichkeit und weiterer Signaleigenschaften geeignetes digitales Modulationsverfahren zu wählen. Sie können einen geeigneten Detektor einschließlich Kanalschätzung und Entzerrung entwerfen und dabei Eigenschaften suboptimaler Verfahren hinsichtlich Leistungsfähigkeit und Aufwand berücksichtigen. Sie sind in der Lage, ein Single-Carrierverfahren oder ein Multicarrier-Verfahren zu dimensionieren und die Eigenschaften beider Ansätze gegeneinander abzuwägen.

Die Studierenden können in fachspezifische Aufgaben gemeinsam bearbeiten.

Die Studierenden können die grundlegenden Theorien, Zusammenhänge und Methoden der Netzwerkalgorithmen und insbesondere deren Datenstrukturen erklären. Sie können das Rechenzeitverhalten wesentlicher Netzwerkalgorithmen beschreiben und analysieren. Die Studierenden können insbesondere zwischen effizient lösbaren und NP-harten Aufgabenstellungen diskriminieren.

Die Studenten können komplexe Problemstellungen analysieren und die Möglichkeiten der Transformation in Netzwerkalgorithmen bestimmen. Sie können grundlegende Algorithmen und Datenstrukturen der linearen Optimierung und Netzwerktheorie effizient implementieren und mögliche Schwachstellen identifizieren. Sie können die Auswirkung der Nutzung verschiedener effizienter Datenstrukturen selbständig analysieren und jene gegebenenfalls einsetzen.

Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen.

Students are able to describe the principles and structures of communication networks in detail. They can explain the formal description methods of communication networks and their protocols. They are able to explain how current and complex communication networks work and describe the current research in these examples.

Students are able to evaluate the performance of communication networks using the learned methods. They are able to work out problems themselves and apply the learned methods. They can apply what they have learned autonomously on further and new communication networks.

Students are able to define tasks themselves in small teams and solve these problems together using the learned methods. They can present the obtained results. They are able to discuss and critically analyse the solutions.

Studierende können die wichtigsten Abstraktion von Verteilten Algorithmen erklären (synchrones/asynchrones Model, nachrichtenbasierte und speicherbasierte Kommunikation, Randomisierung). Sie sind in der Lage, komplexitätsmaße für verteilte Algorithmen zu beschreiben (Runden-, Nachrichten- und Speicherkomplexität). Sie können Basisalgorithmen für die wichtigsten verteilten Probleme:  Leader election, wechselseitiger Ausschluss, Graphfärbungen, Spannbäume beschreiben. Sie kennen die wesentlichen Techniken von radomisierten Algorithmen.

Studierende können eigene verteilte Algorithmen entwerfen und der Komplexität analysieren. Sie greifen dabei auf existierende Standardalgorithmen zurück. Sie analysieren die Komplexität randomisierter Algorithmen.

Students can 

• name the main causes for security vulnerabilities in software 
• explain current methods for identifying and avoiding security vulnerabilities 
• explain the fundamental concepts of code-based access control 

Students are capable of 

• performing a software vulnerability analysis 
• developing secure code 

Die Studierenden kennen

• den Aufbau von Bayesschen Netzen,
• Inferenz- (Viterbi) und Lernverfahren (EM, Baum-Welch) im Hidden-Markov-Models,
  
• Inferenz- (Felsenstein) und Parameterschätzung (PAM) im Hidden-Tree-Markov-Model (Abstammungsbäume),
• Inferenzverfahren (Needleman-Wunsch) und parametrisierte Verallgemeinerung (Polytope-Propagation) im Pair-Hidden-Markov-Model (Sequenzenalignment),
• Inferenz-, Strukturerkennungs- und Lernverfahren in allgemeinen Bayesschen Netzen,
• Aufbau und Arbeitsweise des Multiplayer-Perceptrons und zugehöriges überwachtes Lernverfahren (Backpropagation),
• Aufbau von Kolmogorov-Netzwerken,
• Aufbau und Arbeitsweise von Hopfieldnetzen und das physikalische Isingmodel,
• Aufbau und Arbeitsweise von selbstorganisierenden Netzen,
• Aufbau und Wirkungsweise von Boltzmann-Maschinen,
• die Theorie der triangularen Normen,
• Fuzzysets, Fuzzylogik sowie Aufbau und Konstruktion von Fuzzyreglern.
  

Die Studierenden können

• die einschlägigen Algorithmen anwenden und deren Komplexität berechnen,
• die Statistik-Sprache R auf spezifische Aufgaben anwenden.
  

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

Students apply the major verification techniques in model checking and deductive verification. They explain in formal terms syntax and semantics of the underlying logics, and assess the expressivity of different logics as well as their limitations. They classify formal properties of software systems. They find flaws in formal arguments, arising from modeling artifacts or underspecification. 

Students formulate provable properties of a software system in a formal language. They develop logic-based models that properly abstract from the software under verification and, where necessary, adapt model or property. They construct proofs and property checks by hand or using tools for model checking or deductive verification, and reflect on the scope of the results. Presented with a verification problem in natural language, they select the appropriate verification technique and justify their choice.   

Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. 

Using the acquired knowledge, students are able to understand the design of current and future wireless systems. Moreover, given certain constraints, they can choose appropriate parameter settings of communication systems. Students are also able to assess the suitability of technical concepts for a given application.

Die Studierende kennen

• die grundlegende Theorie der elliptischen Kurven (Weierstraß-Gleichung, projektive Räume, Gruppengesetz, Diskriminante, j-Invariante, Endomorphismen, singuläre elliptische Kurven, elliptische Kurven über endlichen Körpern),
• die grundlegenden klassischen Kryptosysteme (symmetrisch und asymmetrisch),
• grundlegende kryptologische Ansätze (diskrete Logarithmen, Faktorisierung),
  
• die Kryptographie elliptischer Kurven,
• Quantum-Computation aus algebraischer Sicht und Post-Quantum-Szenarien,
  
• algebraische Codes über beliebigen Kurven,
• den berühmten Satz von Riemann-Roch.
  

Die Studierenden sind in der Lage,

• das Gruppengesetz elliptischen Kurven anzuwenden,
• festzustellen, ob eine Kurve nicht-singulär ist,
• kryptographische Algorithmen, die elliptische Kurven beinhalten, zu skizzieren,
• quantentheoretische Algorithmen zu spezifizieren,
  
• die Parameter algebraischer Codes über Kurven zu bestimmen.
  

Die Studierenden sind nach Abschluss des Moduls in der Lage, fachspezifische Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

Students are able to explain the necessary stochastics, the discrete event simulation technology and modelling of networks for performance evaluation.

Students are able to apply the method of simulation for performance evaluation to different, also not practiced, problems of communication networks. The students can analyse the obtained results and explain the effects observed in the network. They are able to question their own results.

Students are able to acquire expert knowledge in groups, present the results, and discuss solution approaches and results. They are able to work out solutions for new problems in small teams.

Die Bedeutung Eingebetteter Systeme steigt von Jahr zu Jahr. Innerhalb Eingebetteter Systeme steigt der Software-Anteil, der auf Prozessoren ausgeführt wird, aufgrund geringerer Kosten und höherer Flexibilität ebenso kontinuierlich. Wegen der besonderen Einsatzgebiete Eingebetteter Systeme kommen hier hochgradig spezialisierte Prozessoren zum Einsatz, die applikationsspezifisch auf ihr jeweiliges Einsatzgebiet ausgerichtet sind. Diese hochgradig spezialisierten Prozessoren stellen hohe Anforderungen an einen Compiler, der Code von hoher Qualität generieren soll. Nach erfolgreichem Besuch der Veranstaltung sind die Studierenden in der Lage,

• Struktur und Aufbau derartiger Compiler aufzuzeigen,
• interne Zwischendarstellungen auf verschiedenen Abstraktionsniveaus zu unterscheiden und zu erklären, und
• Probleme und Optimierungen in allen Compilerphasen zu beurteilen.
  

Wegen der hohen Anforderungen an Compiler für Eingebettete Systeme sind effektive Optimierungen unerlässlich. Die Studierenden lernen insbes.,

• welche Arten von Optimierungen es auf Quellcode-Niveau gibt,
• wie die Übersetzung von der Quellsprache nach Assembler abläuft,
• welche Arten von Optimierungen auf Assembler-Niveau durchzuführen sind,
• wie die Registerallokation vonstatten geht, und
• wie Speicherhierarchien effizient ausgenutzt werden.
  

Da Compiler für Eingebettete Systeme oft verschiedene Zielfunktionen optimieren sollen (z.B. durchschnittliche oder worst-case Laufzeit, Energieverbrauch, Code-Größe), lernen die Studierenden den Einfluss von Optimierungen auf diese verschiedenen Zielfunktionen zu beurteilen.

Studierende werden in die Lage versetzt, hochsprachlichen Programmcode in Maschinensprache zu übersetzen. Die Studierenden erwerben die Fähigkeit zu beurteilen, welche Art von Code-Optimierung innerhalb eines Compilers am effektivsten auf welchem Abstraktionsniveau (bspw. Quell- oder Assemblercode) durchzuführen ist.

Während der Übungen erwerben die Studierenden die Fähigkeit, einen funktionierenden Compiler mitsamt Optimierungen zu implementieren.

Die Studierenden sind nach Abschluss des Moduls in der Lage, ähnliche Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

Die Studierenden kennen die grundlegenden Definitionen zur informationstheoretischen Quantifizierung von Information. Sie kennen das Shannonsche Quellencodierungstheorem sowie das Kanalcodierungstheorem und können damit Grenzen der Kompression bzw. der fehlerfreien Datenübertragung bestimmen. Sie verstehen die Grundprinzipien der Datenkompression (Quellencodierung) und der fehlererkennenden und fehlerkorrigierenden Kanalcodierung. Sie sind mit den Prinzipien der Decodierung vertraut, insbesondere mit modernen Verfahren der iterativen Decodierung. Sie kennen grundlegende Codierverfahren, deren Eigenschaften und Decodierverfahren.

Die Studierenden sind in der Lage, die Grenzen der Datenkompression bzw. der Datenübertragungsrate für gestörte Kanäle zu bestimmen und damit ein Übertragungsverfahren zu dimensionieren. Sie sind in der Lage, die Parameter eines fehlererkennenden bzw. fehlerkorrigierenden Kanalcodierungsverfahrens zum Erreichen gegebener Zielvorgaben abzuschätzen. Sie sind in der Lage, die Eigenschaften grundlegender Kanalcodierungs- und Decodierungsverfahren hinsichtlich Fehlerkorrektureigenschaften, Decodierverzögerung und Decodierkomplexität zu vergleichen und ein geeignetes Verfahren auszuwählen. Sie sind in der Lage, grundlegende Codier- und Decodierverfahren in Software zu implementieren.

Die Studierenden können in fachspezifische Aufgaben gemeinsam bearbeiten.

Students can

• explain the fundamental security services that can be implemented with the methods of modern cryptography, 
• describe current standardized network security protocols and mechanisms, 
• follow current methods for the formal analysis of security protocols.
  

Students are capable of 

• performing an analysis of network security solutions. 
• identifying suitable security solutions for given requirements.  
• recognizing the limitations of existing standard solutions,
• performing a formal analysis of security protocos.
  

Studierende können die grundlegende Prinzipien und Vorgehensweisen für die Erstellung von Software für eingebettete Systeme erklären. Sie sind in der Lage, ereignisbasierte Programmiertechniken mittels Interrupts zu beschreiben. Sie kennen den Aufbau und Funktion eines konkreten Mikrocontrollers. Die Teilnehmer sind in der Lage, Anforderungen an Echtzeitsysteme zu erläutern. Sie können mindestens drei Scheduling Algorithmen für Echzeitbetriebssysteme erläutern (einschließlich Vor- und Nachteile)

Students have acquired a theoretical basis in computer graphics and have a clear understanding of the process of computer animation.

Students have acquired

• solid skills in modelling and shading,
• solid skills in computer animation techniques, and
• a thorough command of Maya, a first-class animation system.

Students are trained in communicating abstract ideas and are familiar with planning and conducting projects within a small team.

Students are capable of

• performing a security analysis
• developing security solutions for distributed applications
• recognizing the limitations of existing standard solutions  

Students explain the different phases of testing, describe fundamental
techniques of different types of testing, and paraphrase the basic
principles of the corresponding test process. They give examples of
software development scenarios and the corresponding test type and
technique. They explain algorithms used for particular testing
techniques and describe possible advantages and limitations.

Students identify the appropriate testing type and technique for a given
problem. They adapt and execute respective algorithms to execute a
concrete test technique properly. They interpret testing results and
execute corresponding steps for proper re-test scenarios. They write and
analyze test specifications. They apply bug finding techniques for
non-trivial problems.

Students discuss relevant topics in class. They defend their solutions orally.
They communicate in English.

Studierende kennen

• Algorithmen und Datenstrukturen für die Modellprüfung,
• grundlegende Beweisverfahren sowie
  
• den Einfluss der Modellierung und Spezifikation auf den Rechenaufwand für den Nachweis mittels Modellprüfung.
  

Studierende können

• Algorithmen und Datenstrukturen zur Modellprüfung erläutern und implementieren
• abschätzen, ob sich eine Problemstellung mittels Boolescher Beweisverfahren oder Modellprüfung beantworten lässt, und
• solche Lösungsverfahren realisieren.
  
  

Studierende können

• die jeweiligen Konzepte diskutieren und erläutern sowie
• die Lösungen mündlich darstellen.
  

Studierende können

• weiterführende numerische Verfahren zur Interpolation, Integration, Lösung von Ausgleichproblemen, Lösung von Eigenwertproblemen und nichtlinearen Nullstellenproblemen benennen und deren Kernideen erläutern,
  

• Konvergenzaussagen zu den numerischen Methoden wiedergeben,

• Konvergenzbeweise skizzieren,
  
• Aspekte der praktischen Durchführung numerischer Verfahren im Hinblick auf Rechenzeit und Speicherbedarf erklären.

Studierende sind in der Lage,

• vertiefende numerische Methoden in MATLAB zu implementieren, anzuwenden und zu vergleichen,
• das Konvergenzverhalten numerischen Methoden in Abhängigkeit vom gestellten Problem und des verwendeten Lösungsalgorithmus zu begründen und auf verwandte Problemstellungen zu übertragen
  
• zu gegebener Problemstellung einen geeigneten Lösungsansatz zu entwickeln, gegebenenfalls durch Zusammensetzen mehrerer Algorithmen, diesen durchzuführen und die Ergebnisse kritisch auszuwerten.

Studierende können

• in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten, sich theoretische Grundlagen erklären sowie bei praktischen Implementierungsaspekten der Algorithmen unterstützen.

• Students can describe basic concepts in the area of Randomized Algorithms and Random Graphs such as random walks, tail bounds, fingerprinting and algebraic techniques, first and second moment methods, and various random graph models. They are able to explain them using appropriate examples.
• Students can discuss logical connections between these concepts.  They are capable of illustrating these connections with the help of examples.
• They know proof strategies and can apply them.
  
  

• Students can model problems with the help of the concepts studied in this course. Moreover, they are capable of solving them by applying established methods.
• Students are able to explore and verify further logical connections between the concepts studied in the course.
• For a given problem, the students can develop and execute a suitable technique, and are able to critically evaluate the results.

• Students are able to work together in teams. They are capable to establish a common language.
• In doing so, they can communicate new concepts according to the needs of their cooperating partners. Moreover, they can design examples to check and deepen the understanding of their peers.

Students can name the basic concepts of pattern recognition and data compression.

Students are able to discuss logical connections between the concepts covered in the course and to explain them by means of examples.

Students can apply statistical methods to classification problems in pattern recognition and to prediction in data compression. On a sound theoretical and methodical basis they can analyze characteristic value assignments and classifications and describe data compression and video signal coding. They are able to use highly sophisticated methods and processes of the subject area. Students are capable of assessing different solution approaches in multidimensional decision-making areas.

k.A.

• Students can explain the functionality of very small  MOS transistors and explain the problems occurring due to scaling-down the minimum feature size.
• Students are able to explain the basic steps of processing of very small MOS devices.
• Students can exemplify the functionality of volatile and non-volatile memories und give their specifications.
• Students can describe the limitations of advanced MOS technologies.
• Students can explain measurement methods for MOS quality control.

• Students can quantify the current-voltage-behavior of very small MOS transistors and list possible applications.
• Students can describe larger electronic systems by their functional blocks.
• Students can name the existing options for the specific applications and select the most appropriate ones.

• Students can team up with one or several partners who may have different professional backgrounds
• Students are able to work by their own or in small groups for solving problems and answer scientific questions.

Real-Time applications are an important class of embedded systems such as driver assistance systems in modern automobiles, medical devices, process plants and aircrafts. Their main feature is that they are required to complete work and deliver services on a timely basis. This course aims at introducing fundamental theories and concepts about real-time systems. As an introduction, the lecture describes several classes of real-time applications (e.g. digital controllers, signal processing, real-time databases and multimedia). It introduces the main characteristics of real-time systems and explains the relationship between timing requirements and functional requirements. Next, this is followed by a reference model used to characterize the main features of real-time applications. Several scheduling approaches (e.g clock-driven and priority-driven) and timing analysis techniques used for the verification and validation of the timing properties of real-time systems are introduced and discussed.

The last part of the course will focus on the timing behavior of communications networks taking into account properties such as the end-to-end latency and the delay jitter, and on shared resources access control and synchronization in multiprocessor/multicore architectures.

Students have solid notions about the basic properties of common real-time systems and the methods used to analyze them. Students are able to characterize and model the timing features of a real-time system. They use schedulability analysis techniques to compute the response time of systems and check if this meets the timing requirements (I.e deadline) of the system.

Students are able to solve similar problems alone or in a group and to present the results accordingly.

In diesem Modul werden fortgeschrittene Konzepte der Rechnerarchitektur praxisorientiert vermittelt. Mit Hilfe der Hardware-Beschreibungssprache VHDL und rekonfigurierbarer FPGA-Hardware lernen Studierende, wie komplexe Rechensysteme (sog. Systems-on-Chip, SoCs), wie sie insbesondere im Bereich der eingebetteten Systeme anzutreffen sind, in Hardware zu entwerfen sind.

Ausgehend von einer einfachen Prozessor-Architektur lernen Studierende, die Verarbeitung von Befehlen durch eine Maschine nach dem Pipelining-Prinzip zu realisieren. Sie implementieren verschiedene Formen Cache-basierter Speicher-Hierarchien, untersuchen Ansätze zum dynamischen Scheduling von Maschinenbefehlen und zur Sprungvorhersage, und konstruieren letztlich ein komplexes MPSoC-System (multi-processor system-on-chip), das aus mehreren Kernen besteht, die über einen gemeinsamen Bus verbunden sind.

Die Studierenden können analysieren, wie hochspezifische und individuelle Rechner aus einer Sammlung gängiger Einzelkomponenten zusammengesetzt werden. Sie sind in der Lage, die Wechselwirkungen zwischen einem physischen Rechensystem und der darauf ausgeführten Software beurteilen zu können. Sie sollen so in die Lage versetzt werden, Auswirkungen hardwarenaher Entwurfsentscheidungen auf die Leistung des Gesamtsystems abzuschätzen, zu beurteilen und geeignete Optionen vorzuschlagen.

Die Studierenden sind nach Abschluss des Moduls in der Lage, ähnliche Aufgaben alleine oder in einer Gruppe zu bearbeiten und die Resultate geeignet zu präsentieren.

• Students can explain the structure and philosophy of the software framework for circuit design.
• Students can determine all necessary input parameters for circuit simulation.
• Students know the basics physics of the analog behavior.
• Students are able to explain the functions of the logic gates of their digital design.
• Students can explain the algorithms of checking routines.
• Students are able to select the appropriate transistor models for fast and accurate simulations.

• Students can activate and execute all necessary checking routines for verification of proper circuit functionality.
• Students are able to run the input desks for definition of their electronic circuits.
• Students can define the specifications of the electronic circuits to be designed.
• Students can optimize the electronic circuits for low-noise and low-power.
• Students can develop analog circuits for mobile medical applications.
• Students can define the building blocks of digital systems.

• Students are trained to work through complex circuits in teams.
• Students are able to share their knowledge for efficient design work.
• Students can help each other to understand all the details and options of the design software.
• Students are aware of their limitations regarding circuit design, so they do not go ahead, but they involve experts when required.
• Students can present their design approaches for easy checking by more experienced experts.

Students are able to describe methods for planning, optimisation and performance evaluation of communication networks.

Students are able to solve typical planning and optimisation tasks for communication networks. Furthermore they are able to evaluate the network performance using queuing theory.

Students are able to apply independently what they have learned to other and new problems. They can present their results in front of experts and discuss them.

Students apply the major approaches to data-flow analysis, control-flow analysis, and type-based analysis, along with their classification schemes, and employ abstract interpretation. They explain the standard forms of internal representations and models, including their mathematical structure and properties, and evaluate their suitability for a particular analysis. They explain and categorize the major analysis algorithms. They distinguish precise solutions from approximative approaches, and show termination and soundness properties. 

Presented with an analytical task for a software artifact, students select appropriate approaches from software analysis, and justify their choice. They design suitable representations by modifying standard representations. They develop customized analyses and devise them as safe overapproximations. They formulate analyses in a formal way and construct arguments for their correctness, behavior, and precision.

Students discuss relevant topics in class. They defend their solutions orally. They communicate in English. 

Die Studierenden erwerben weitergehende Kenntnisse in einem an der TUHH vertretenen technischen Fach.

Students are able to derive and solve equations of motion for various manipulators.

Students can generate trajectories in various coordinate systems.

Students can design linear and partially nonlinear controllers for robotic manipulators.

• Students can explain how linear dynamic systems are represented as state space models; they can interpret the system response to initial states or external excitation as trajectories in state space
• They can explain the system properties controllability and observability, and their relationship to state feedback and state estimation, respectively
• They can explain the significance of a minimal realisation
• They can explain observer-based state feedback and how it can be used to achieve tracking and disturbance rejection
• They can extend all of the above to multi-input multi-output systems
• They can explain the z-transform and its relationship with the Laplace Transform
• They can explain state space models and transfer function models of discrete-time systems
• They can explain the experimental identification of ARX models of dynamic systems, and how the identification problem can be solved by solving a normal equation
• They can explain how a state space model can be constructed from a discrete-time impulse response
  
  

• Students can transform transfer function models into state space models and vice versa
• They can assess controllability and observability and construct minimal realisations
• They can design LQG controllers for multivariable plants
•  They can carry out a controller design both in continuous-time and discrete-time domain, and decide which is  appropriate for a given sampling rate
• They can identify transfer function models and state space models of dynamic systems from experimental data
• They can carry out all these tasks using standard software tools (Matlab Control Toolbox, System Identification Toolbox, Simulink)
  
  

Students can work in small groups on specific problems to arrive at joint solutions. 

Studierende sind in der Lage, logische Zusammenhänge zwischen diesen Konzepten zu diskutieren und anhand von Beispielen zu erläutern: Smith-Normalform, Chinesischer Restsatz, Gitterpunktsätze, Ganzzahlige Lösung von Ungleichungssystemen.

Studierende sind in der Lage, sich weitere logische Zusammenhänge zwischen den kennengelernten Konzepten selbständig zu erschließen und können diese verifizieren.

Studierende können zu gegebenen Problemstellungen einen geeigneten Lösungsansatz entwickeln, diesen verfolgen und die Ergebnisse kritisch auswerten, wie beispielsweise bei der Lösung multivariater Gleichungssysteme und in der Gitterpunkttheorie.

Students can

• Describe imaging processes
• Depict the physics of sensorics
• Explain linear and non-linear filtering of signals
• Establish interdisciplinary connections in the subject area and arrange them in their context
• Interpret effects of the most important classes of imaging sensors and displays using mathematical methods and physical models.

Students are able to

• Use highly sophisticated methods and procedures of the subject area
• Identify problems and develop and implement creative solutions.

Students can solve simple arithmetical problems relating to the specification and design of image processing and image analysis systems.

Students are able to assess different solution approaches in multidimensional decision-making areas.

Students can undertake a prototypical analysis of processes in Matlab.

The students can jointly solve specific problems.

Die Studierenden können

• Klassen von Diffusionsgleichungen charakterisieren und vergleichen
• elementare Methoden der Bildverarbeitung erklären
  
• Methoden zur Segmentierung und Registrierung erläutern
• funktionalanalytische Grundlagen skizzieren und gegenüberstellen
  

Die Studierenden können 

• elementare Methoden der Bildverarbeitung implementieren und anwenden  
• moderne Methoden der Bildverarbeitung erklären und anwenden

Studierende können in heterogen zusammengesetzten Teams (d.h. aus unterschiedlichen Studiengängen und mit unterschiedlichem Hintergrundwissen) zusammenarbeiten und sich theoretische Grundlagen erklären.

The students can evaluate and assess discrete event systems. They can evaluate properties of processes and explain methods for process analysis. The students can compare methods for process modelling and select an appropriate method for actual problems. They can discuss scheduling methods in the context of actual problems and give a detailed explanation of advantages and disadvantages of different programming methods. The students can relate process automation to methods from robotics and sensor systems as well as to recent topics like 'cyberphysical systems' and 'industry 4.0'.

The students are able to develop and model processes and evaluate them accordingly. This involves taking into account optimal scheduling, understanding algorithmic complexity, and implementation using PLCs.

The students work in teams to solve problems.

Die Studierenden können die grundlegenden Theorien, Zusammenhänge und Methoden der Netzwerkalgorithmen und insbesondere deren Datenstrukturen erklären. Sie können das Rechenzeitverhalten wesentlicher Netzwerkalgorithmen beschreiben und analysieren. Die Studierenden können insbesondere zwischen effizient lösbaren und NP-harten Aufgabenstellungen diskriminieren.

Die Studenten können komplexe Problemstellungen analysieren und die Möglichkeiten der Transformation in Netzwerkalgorithmen bestimmen. Sie können grundlegende Algorithmen und Datenstrukturen der linearen Optimierung und Netzwerktheorie effizient implementieren und mögliche Schwachstellen identifizieren. Sie können die Auswirkung der Nutzung verschiedener effizienter Datenstrukturen selbständig analysieren und jene gegebenenfalls einsetzen.

Die Studierenden können in kleinen Gruppen fachspezifische Aufgaben gemeinsam bearbeiten und Ergebnisse in geeigneter Weise präsentieren, zum Beispiel während Kleingruppenübungen.

Die Studierenden sind in der Lage, ein digitales Nachrichtenübertragungsverfahren einschließlich Vielfachzugriff zu analysieren und zu entwerfen. Sie sind in der Lage, ein hinsichtlich Übertragungsrate, Bandbreitebedarf, Fehlerwahrscheinlichkeit und weiterer Signaleigenschaften geeignetes digitales Modulationsverfahren zu wählen. Sie können einen geeigneten Detektor einschließlich Kanalschätzung und Entzerrung entwerfen und dabei Eigenschaften suboptimaler Verfahren hinsichtlich Leistungsfähigkeit und Aufwand berücksichtigen. Sie sind in der Lage, ein Single-Carrierverfahren oder ein Multicarrier-Verfahren zu dimensionieren und die Eigenschaften beider Ansätze gegeneinander abzuwägen.

Die Studierenden können in fachspezifische Aufgaben gemeinsam bearbeiten.