Detail předmětu
Advanced methods of signal processing
FEKT-NMZSAk. rok: 2011/2012
Lineární, zvláště multitaktní filtry. Nelineární filtrace - polynomiální a třídicí filtry, homomorfická filtrace a dekonvoluce, nelineární přizpůsobené filtry. Identifikace náhodných signálů. Formalizovaná optimální restaurace signálů ve sjednoceném pohledu: Wienerův filtr v zobecněné diskretní reprezentaci, Kálmánova filtrace a restaurace signálu, modelování zdrojů a další postupy. Adaptivní filtrace a identifikace, algoritmy adaptace a typizace aplikací adaptivních filtrů. Zpracování signálů neuronovými sítěmi. Typické konkrétní aplikace uvedených metod.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Nabízen zahraničním studentům
Výsledky učení předmětu
Prerekvizity
Plánované vzdělávací činnosti a výukové metody
Způsob a kritéria hodnocení
Osnovy výuky
2. Spojitá a diskretní reprezentace obrazů, 2D transformace, náhodný obraz.
3. Zvýrazňování a edice obrazů - transformace kontrastu, zostřování, potlačování šumu a rušení, geometrické operace.
4. Úvod do restaurace poškozených obrazů.
5. Metody rekonstrukce obrazů z paralelních a vějířových tomografických projekcí.
6. Nelineární analýza a filtrace signálů a obrazů, neuronové klasifikátory.
7. Detekce hran, hranic a oblastí, segmentace obrazu. Analýza a vizualizace 2D a 3D obrazových dat.
8. Technické, medicínské a ekologické aplikace.
Učební cíle
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Základní literatura
Doporučená literatura
Zařazení předmětu ve studijních plánech
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
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
Vyučující / Lektor
Osnova
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