Szczegółowa informacja o przedmiocie

Wersja przedmiotu

Kod przedmiotu:FOPT
Nr wersji:1
Nazwa:Filtracja optymalna i statystyczne przetwarzanie sygnałów
JD:3
ECTS:4
JK:15
Zaliczanie:B
Ocenianie:5
Semestr wprowadzenia:12L
Osoba odpowiedzialna:dr inż. Zbigniew Gajo
Opis:Studia II stopnia (PZ-OTE)

Wymiary

Typ zajęćWymiar
W2
L1

Poprzedniki

Typ poprzedzaniaNr poprzednikaPrzedmiot poprzedzającyNazwa
Z1MWSModele i wnioskowanie statystyczne

Przedmioty podobne

---

Ostatnie realizacje

---

Przynależność do klas tematycznych i programowych

KlasaNazwaTyp klasy
OTPrzedmioty obieralne techniczneProgramowa
PZPrzedmioty zaawansowane techniczneProgramowa
PZ-EPrzedmioty zaawansowane - ElektronikaProgramowa
PZ-OTEPrzedmioty zaawansowane obieralne MSEProgramowa

Konspekt

StreszczeniePrzedmiot ukierunkowany jest na przedstawienie szerokiej klasy zagadnień związanych z przetwarzaniem dyskretnych sygnałów losowych, w celu podejmowania decyzji i pozyskiwania informacji. Przetwarzanie takie określa się w literaturze terminem statystycznego przetwarzania sygnałów. Obejmuje ono swym zasięgiem takie dziedziny jak detekcja sygnałów, estymacja parametrów sygnałów, filtracja optymalna oraz modelowanie i estymacja widma. Celem wykładu jest zapoznanie słuchaczy z podstawami teoretycznymi najważniejszych metod stosowanych w każdej z wymienionych dziedzin. Metody te wywodzą się z ogólnych metod statystyki matematycznej oraz teorii procesów stochastycznych. W ramach wykładu omawiane są również zastosowania związane z każdą z wymienionych wyżej dziedzin. Zastosowania te dotyczą radarów, przetwarzania obrazów, rozpoznawania wzorców, komunikacji cyfrowej, czy wreszcie identyfikacji kanałów transmisyjnych. W ramach laboratorium student samodzielnie implementuje wybrane algorytmy oraz wykonuje podstawowe badania symulacyjne wybranych metod statystycznego przetwarzania sygnałów, wykorzystując do tego celu środowisko MATLAB.
Treść wykładu
  • Detekcja sygnałów (10h)
  • Sformułowanie zagadnienia detekcji. Przypomnienie podstawowych faktów z teorii testowania hipotez statystycznych i statystycznej teorii decyzji. Detekcja deterministycznych (znanych) sygnałów w białym szumie. Detektor korelacyjny i filtr dopasowany. Koherentna detekcja sygnałów w systemach FSK i PSK (ew. QAM). (4h)
  • Detekcja sygnałów deterministycznych o nieznanych parametrach. Niekoherentna detekcja sygnałów FSK. (2h)
  • Detekcja sygnałów losowych o znanych i nieznanych parametrach probabilistycznych w białym szumie. Informacja o detekcji sygnałów w szumie kolorowym oraz w szumie niegaussowskim. Detektory lokalnie optymalne (2h)
  • Estymacja sygnałów (10h)
  • Przypomnienie podstawowych faktów z teorii estymacji parametrycznej. Estymator największej wiarygodności i estymator bayessowski (2h)
  • Estymacja przebiegu sygnału. Optymalna estymacja w sensie średniokwadratowym. Filtr Wienera i jego zastosowania. (4h)
  • Estymacja sygnału niestacjonarnego. Dyskretny filtr Kalmana. Nieliniowy filtr Kalmana i rozszerzony filtr Kalmana. (4h)
  • Modelowanie sygnałów (6h)
  • Model (metoda) Prony'ego i jej modyfikacje. Modelowanie parametryczne sygnałów losowych - modele AR, MA, ARMA (2h)
  • Liniowa predykcja i jej związek z modelem AR. Rekursje Levinsona i filtry drabinkowe. (4h)
  • Estymacja widma (4h)
  • Metoda periodogramów (krótkie przypomnienie) i jej optymalny charakter dla sygnałów harmonicznych. Metoda maximum entropii. Parametryczne metody estymacji widma (ARMA, AR, MA)(2h)
  • Estymacja częstotliwości metodami podprzestrzeni. Metody MUSIC, ESPRIT i metoda Pisarenki. (2h)
Zakres laboratoriumLaboratorium przedmiotu obejmuje 5 ćwiczeń o następującej tematyce:
Ćwiczenie 1: Filtracja dopasowana. Detektor korelacyjny sygnałów PSK i FSK. Przykład radiolokacyjny - estymacja odległości do obiektu w radarze szumowym
Ćwiczenie 2: Filtr Wienera. Odszumianie sygnałów. Przykład radiolokacyjny-usuwanie clutteru e radarze szumowym
Ćwiczenie 3: Filtr Kalmana. Estymacja sygnału stałego w białym szumie i stacjonarnego sygnału AR. Estymacja parametrów niestacjonarnego kanału transmisyjnego. Śledzące właściwości filtru Kalmana.
Ćwiczenie 4: Modelowanie parametryczne sygnałów losowych. Drabinkowa realizacja filtrów predykcyjnych. Estymacja częstotliwości. Modelowanie metodami kowariancji w przód i kowariancji wstecz oraz metoda Burg'a
Ćwiczenie 5: Parametryczna estymacja widma. Estymacja częstotliwości w modelu harmonicznym.
Warunki zaliczeniaZaliczenie przedmiotu odbywa się na podstawie egzaminu końcowego oraz laboratorium. Z ćwiczeń laboratoryjnych można uzyskać łącznie 40pkt., na egzaminie 60 pkt.. Warunkiem zaliczenia przedmiotu jest uzyskanie łącznie powyżej 50 pkt. Progi punktowe i skala ocen są następujące:
51 - 60 ocena 3
61 - 70 ocena 3.5
71 - 80 ocena 4
81 - 90 ocena 4.5
91 - 100 ocena 5
Literatura
  1. S.M. Kay - Fundamentals of Statistical Signal Processing, Vol. I & II, Prentice Hall,1998
  2. M.H. Hayes - Statistical Digital Signal Processing and Modeling, Wiley & Sons, 1996
  3. L.L. Scharf - Statistical Signal Processing. Detection, estimation and time series analysis, Addison Wesley, 1991
  4. M.D. Srinath, P.K. Rajasekaran, R. Visvanathan - Introduction to Statistical Signal Processing with Applications, Prentice Hall,1996
Streszczenie (po angielsku)This course is focused on a wide variety of signal processing methods for decision making and information recovery. Since the presumed signals are random the considered methods are termed as statistical signal processing. The major domains of the field are detection, estimation, optimal filtering, signal modeling and power spectrum estimation. The main goal of the course is to provide a theoretical background and comprehensive treatment of algorithms for statistical signal processing. Besides some application in radar, image processing, pattern recognition, digital communications and transmission channel identification are also given. In computer laboratory students may implement the certain algorithms and perform their simulation for real and synthetic data using MATLAB programming language.