Detail předmětu

Vyšší metody zpracování signálů

FEKT-MMZSAk. rok: 2011/2012

Formalizovaná optimální filtrace a restaurace signálů ve sjednoceném pohledu: Wienerův klasický filtr, Wiener-Levinsonův diskretní filtr, Kálmánova filtrace, modelování zdrojů signálů a restaurace signálů, další přístupy. Adaptivní filtrace a identifikace, algoritmy adaptace, typizace aplikací adaptivních filtrů. Neuronové sítě - vrstevnaté, zpětnovazební a sebeučící - a jejich využití pro zpracování a klasifikaci signálů. Nelineární filtrace - polynomiální a třídicí filtry, homomorfická filtrace a dekonvoluce, nelineární přizpůsobené filtry. Typické aplikace uvedených metod.

Jazyk výuky

čeština

Počet kreditů

6

Garant předmětu

prof. Ing. Jiří Jan, CSc.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Výsledky učení předmětu

Znalost hlavních vyšších metod zpracování signálů a schopnost je aplikovat.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia, zejmén číslicové zpracování signálů

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

písemná zkouaka

Osnovy výuky

1.Vlnková transformace a lineární, zvláště multitaktní filtry . 2.Nelineární filtrace - polynomiální a třídicí filtry, homomorfická filtrace a dekonvoluce, nelineární přizpůsobené filtry.
3. Identifikace náhodných signálů.
4. Formalizovaná optimální restaurace signálů ve sjednoceném pohledu: Wienerův filtr v zobecněné diskretní reprezentaci, Kálmánova filtrace a restaurace signálu, modelování zdrojů a další postupy.
5. Adaptivní filtrace a identifikace, algoritmy adaptace a typizace aplikací adaptivních filtrů. 6. Zpracování signálů neuronovými sítěmi. Typické konkrétní aplikace uvedených metod.

Učební cíle

Porozumění vyšším metodám zpracování signálů a jejich souvislostem.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

pocítacová laborator

Základní literatura

Jan, J.: Číslicová filtrace, analýza a restaurace signálů. Vutium Brno, 2002
J.Jan: Digital Signal Filtering, Analysis and Restoration. IEE Publishing, London, UK, 2000

Doporučená literatura

B. Kosko (ed.): Neural Networks for signal processing. Prentice Hall 1992
B.Mulgrew, P.M.Grant J.S.Thompson: Digital Signal Processing, Concepts and Applications, Mac-Millan Pres Ltd.1999

Zařazení předmětu ve studijních plánech

  • Program EEKR-M magisterský navazující

    obor M-EST , 1 ročník, letní semestr, volitelný mimooborový
    obor M-BEI , 1 ročník, letní semestr, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, letní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

prof. Ing. Jiří Jan, CSc.

Osnova

Hlubší pohled na lineární filtry, stavový model. Návrh filtrů typu FIR a IIR.
Multitaktní (multirate) systémy, banky decimačních a interpolačních filtrů
Nelineární filtrace,polynomiální filtry,zobecněná a adaptivní mediánová filtrace, homomorfická filtrace. Nelineární přizpůsobené filtry.
Klasické a moderní metody identifikace statistických vlastností stochastických signálů.
Sjednocující pohled na metody formalizované restaurace signálů. Diskretní Wienerův filtr jako zlatý standard
Kalmanova filtrace, stacionární a nestacionární případ, aplikace v restauraci signálů a modelování jejich zdrojů.
Restaurace ve frekvenční oblasti. Vázaná dekonvoluce, dekonvoluce s optimalizací impulsní charakteristiky.
Koncept adaptivní filtrace, filtr s rekurzivní optimální adaptací. Filtr se stochasticky gradientní adaptací.
Typizace aplikací adaptivní filtrace:identifikace a modelování systémů, ekvalizace kanálu, lineární adaptivní predikce, adaptivní potlačování rušení a šumu.
Úvod do architektur a vlastností neuronových sítí: dopředné sítě, učení, zobecňování znalostí; sítě se zpětnými vazbami; samoorganizující se mapy.
Zpracování signálů neuronovými sítěmi: naučený a adaptivní neuronový filtr, formalizovaná restaurace signálů zpětnovazební neuronovou sítí.
Typické aplikace v komunikacích, ve zpracování řeči a akustických signálů.
Typické aplikace zpracování měřicích a diagnostických signálů, identifikaci systémů a v biomedicínských aplikacích.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Ing. Martin Lamoš, Ph.D.
Ing. Marina Filipenská, Ph.D.

Osnova

Seznámení s prostředím MATLAB - Signal Processing Toolbox a DSP Bockset
Návrh a ověření filtru typu FIR nebo IIR.
Aplikace adaptivní mediánové filtrace nebo homomorfické filtrace.
Identifikace statistických vlastností zadaných stochastických signálů.
Návrh a použití diskretního Wienerova filtru
Kalmanova filtrace, aplikace v modelování zdrojů signálů
Restaurace modifikovaným inversním filtrem ve frekvenční oblasti
Experiment s adaptivním filtrem se stochasticky gradientní adaptací
Adaptivní potlačování daného rušení
Experiment s dopřednou sítí, učení a zobecňování znalostí
Zpracování signálů naučeným neuronovým filtrem
Aplikace zadaných metod ve zpracování akustických signálů
Aplikace ve zpracování zadaných měřicích a diagnostických signálů