Course detail

Digital Signals and Systems

FEKT-MPC-CSIAcad. year: 2019/2020

Definition and classification of 1D and 2D discrete signals and systems. Signal and system examples. Spectral analysis using FFT. Spectrograms and moving spectra. The Hilbert transform. Representation of bandpass signals. Decimation and interpolation. Transversal and polyphase filters. Filter banks with perfect reconstruction. Quadrature mirror filters (QMF). The wavelet transform. Signal analysis with multiple resolution. Stochastic variables and processes, mathematical statistics. Power spectral density (PSD) and its estimation. Non-parametric methods for PSD calculation. Linear predictive analysis. Parametric methods for PSD calculation. Complex and real cepstra. In computer exercises students verify digital signal processing method in the Matlab environment. Numerical exercises are focused on examples of signals and systems analysis.

Language of instruction

Czech

Number of ECTS credits

7

Mode of study

Not applicable.

Learning outcomes of the course unit

On completion of the course, students are able to:
- define, describe and visualize 1D and 2D signals
- calculate Fourier, cosine, Hilbert, wavelet and Z transform of discrete signal
- define discrete systems and analyse their properties using different methods
- change signal sampling frequency
- use analytical and complex signal
- use a bank of digital filters
- perform a short-time spectral analysis using Gabor or short-time Fourier transform
- mathematically describe stochastic processes and test statistical hypotheses
- use linear predictive analysis
- estimate power spectral density using parametric and non-parametric methods
- use cepstral analysis and homomorphic filtering
- perform discrete-time signal and system analysis in Matlab

Prerequisites

The subject knowledge on the Bachelor´s degree level with emphasis on digital signal processing is required. Furthermore, the basic ability to program in the Matlab environment is necessary.

Co-requisites

Not applicable.

Planned learning activities and teaching methods

Teaching methods depend on the type of education. The lectures are combined with projecting of presentations and the derivation of some important parts on the board. All lectures are available to students in e-learning. They video-clips and Matlab demos are also used to get a clearer understanding. In laboratory exercises, students directly validate discussed methods and algorithms using Matlab. In numerical exercises the calculate examples related to the topics of lectures.

Assesment methods and criteria linked to learning outcomes

Lab exercises are mandatory for successfully passing this course and students have to obtain the required credits. They can get 15 points in computer labs and 15 points in numerical exercises. The remaining of 70 points (out of 100) can be obtained by successfully passing the final exam.

Course curriculum

1. Characteristics and classification of 1D and 2D discrete signals
2. Characteristics and classification of discrete systems
3. One-dimensional LTI discrete systems analysis
4. Discrete cosine transform. Digital processing of signals with changing sampling frequency
5. Band-limited signals representation
6. Bank of digital filters
7. Short-time spectral analysis
8. Wavelet transform and its relation to bank of filters
9. Stochastic processes and their properties
10. Linear predictive analysis
11. Non-parametric power spectral density calculation methods
12. Parametric power spectral density calculation methods
13. Cepstral analysis

Work placements

Not applicable.

Aims

The aim of the course is to present modern methods of 1D and 2D digital signal processing and discrete system analysis. Furthermore, the students will learn about parametric and non-parametric spectral analysis of stochastic signals and about mathematical statistics. They will know how to use linear prediction and how to process signals using digital filter banks with different sampling frequencies in real practise.

Specification of controlled education, way of implementation and compensation for absences

The content and forms of instruction in the evaluated course are specified by a regulation issued by the lecturer responsible for the course and updated for every academic year.

Recommended optional programme components

Not applicable.

Prerequisites and corequisites

Not applicable.

Basic literature

SMÉKAL, Z. Systémy a signály – 1D a 2D diskrétní a číslicové zpracování. Praha: Sdělovací technika, 2013. ISBN 80-86645-22-0 (CS)

Recommended reading

Not applicable.

Classification of course in study plans

  • Programme MPC-AUD Master's

    specialization AUDM-ZVUK , 1 year of study, summer semester, compulsory
    specialization AUDM-TECH , 1 year of study, summer semester, compulsory

  • Programme EEKR-CZV lifelong learning

    branch EE-FLE , 1 year of study, summer semester, compulsory

Type of course unit

 

Lecture

26 hod., optionally

Teacher / Lecturer

Syllabus

1. Charakteristika a klasifikace 1D a 2D diskrétních signálů
2. Charakteristika a klasifikace diskrétních systémů
3. Analýza jednorozměrných LTI diskrétních systémů
4. Diskrétní kosinova transformace. Číslicové zpracování signálu se změnou vzorkovacího kmitočtu
5. Reprezentace pásmově omezených signálů
6. Banky číslicových filtrů
7. Krátkodobá spektrální analýza
8. Vlnková transformace a její souvislost s bankami číslicových filtrů
9. Náhodné procesy a jejich vlastnosti
10. Lineární predikční analýza
11. Neparametrické metody výpočtu výkonové spektrální hustoty
12. Parametrické metody výpočtu výkonové spektrální hustoty
13. Kepstrální analýza

Exercise in computer lab

39 hod., compulsory

Teacher / Lecturer

Syllabus


1. Základy práce v prostředí Matlab, generování základních deterministických signálů, možnosti zobrazení.
2. Diskrétní Fourierova transformace (DFT), rychlá DFT, kruhová konvoluce, zpracování signálu po blocích, metoda overlapp add, krátkodobá Fourierova analýza
3. Vlastnosti lineárních časově invariantních systémů (1), lineární diskrétní konvoluce, impulzní charakteristika
4. Vlastnosti lineárních časově invariantních systémů (2), přenosová funkce, kmitočtová charakteristika, rozložení nulových bodů a pólů
5. Návrh číslicových filtrů typu IIR
6. Test č. 1
7. Návrh číslicových filtrů typu FIR
8. Nadvzorkování a podvzorkování signálů v prostředí Matlab, změna vzorkovacího kmitočtu v poměru racionálního čísla
9. Banky číslicových filtrů, dokonalá rekonstrukce
10. Generování náhodných diskrétních signálů v prostředí Matlab, výpočet jejich momentů, korelace a kovariance, ověření stacionarity a ergodicity
11. Waveletová transformace v prostředí Matlab, použití wavelet toolbox
12. Test č. 2
13. Náhradní cvičení

Fundamentals seminar

13 hod., compulsory

Teacher / Lecturer

Syllabus

1. Spektrum diskrétní Fourierovy řady a diskrétní Fourierovy transformace 1D signálu. 2D Fourierova transformace diskrétního signálu.
2. Vlastnosti lineárních časově invariantních systémů.
3. Lineární diskrétní konvoluce, kruhová konvoluce, rychlá konvoluce, impulzní charakteristika.
4. Přímá a zpětná transformace Z. Přenosová funkce a kmitočtová charakteristika. Rozložení nulových bodů a pólů.
5. Vnější a stavový popis. Maticový zápis soustavy stavových rovnic a jejich řešení.
6. Grafy signálových toků a Masonovo pravidlo. Spojování systémů z dílčích sekcí.
7. Vytváření periodické sudé posloupnosti z jednorázové posloupnosti. Diskrétní kosinova transformace.
8. Vzorkování pásmově omezených signálů. Hilbertova transformace.
9. Vlnková transformace s diskrétním časem.
10. Distribuční funkce a hustota rozdělení pravděpodobnosti, obecné a centrální momenty. Stacionární a ergodické spojité a diskrétní náhodné procesy. Odhady, konsistentní odhad.
11. Náhodný výběr z rozdělení pravděpodobnosti, statistiky, testování statistických hypotéz, parametrické a neparametrické testy, testy dobré shody.
12. Výpočet lineárních predikčních koeficientů. Použití lineární predikční analýzy pro kompresi řečového signálu.
13. Reálné a komplexní spektrum.