Engelska

Varje hösttermin

Kursen ger grundläggande kunskaper i statistisk signalbehandling och behandlar teorin kring optimala metoder och hur dessa kan tillämpas. Kursen ger lösningsmetodiker för problem inom signalbehandling där system behöver ställa in sig själv och kunna följa förändringar i sin omgivning. Studenten skall ges tillräckliga insikter om teori och handhavande för att självständigt kunna formulera det matematiska problemet, lösa det och implementera lösningen för användning med verkliga signaler

Områden som behandlas är:

Optimal filtrering

-Wiener filter
-Linjär prediktering

-Levinson-Durbin algoritmen


Grundläggande om adaptiva filter

-Vägen från optimala till adaptiva filter
-Kostnadsfunktioner, kvadratiska minimeringsproblem och iterativa strategier
-Konvergens- och trackingförmåga, implementationsaspekter
-Inkopplingsstrukturer vad gäller identifiering, avfaltning och störningsundertryckning.

LMS-filter familjen

-Princip och härledning
-Konvergensanalys och inställningsförfarande
-Varianter inklusive Normalized LMS, Leaky LMS, Fast LMS, Sign LMS
-MATLAB-beskrivning av algoritmerna
-LMS i fixtalsaritmetik.

RLS-filter familjen

-Princip och härledning
-Inställningsförfarande
-Aspekter vid användning
-MATLAB-beskrivning
-Numeriska egenskaper.

kunna och förstå och ha en helhetsbild i optimal och adaptiv filter teori.
kunna tillämpa de vanligaste metoderna på verkliga problem och verkliga signaler (MATLAB-nivå)
kunna formulera matematiska problem inom området utifrån situationsbeskrivningar.

kunna förstå principerna för de vanligaste adaptiva metoderna (LMS och RLS med varianter).
kunna beräkna/beskriva konvergens- och stabilitetsegenskaper för dessa metoder.
kunna beskriva/rita upp de vanligaste inkopplingsstrukturerna för adaptiva filter och dess egenskaper
kunna ställa in de parametrar som behövs för att algoritmerna ska fungera
kunna överblicka/beräkna konsekvenserna av att en algoritm används i heltalsaritmetik
kunna implementera egna adaptiva filter

ha förmåga att analysera, värdera och implementera adaptiva algoritmer, samt tolka och beskriva deras inneboende principer.
ha insikt om att till synes skilda tekniska problem kan lösas med samma metoder

Föreläsningar

Laborationer

övningar

Projekt

Övningar 14 timmar, MATLAB-övningar 14 timmar och 2 laborationer à 4 timmar

Skriftlig tentamen

Skriftlig rapport

Underkänd, godkänd

ESS040, EITF75 Digital signalbehandling eller ETI265, EITA50 Signalbehandling i multimedia eller EITF15 Signalbehandling - teori och tillämpningar.

Haykin, S.: Adaptive Filter Theory. Pearson Education, 2014. ISBN 9780273764083.

BMEN15F

 -10-08

Professor Thomas Johansson