Università degli Studi di Perugia

Vai al contenuto principale
Menu

Insegnamento: Elaborazione numerica e statistica dei segnali

Corso di laureaCorso di laurea in Ingegneria informatica e robotica [LM-32] D. M. 270/2004
SedePerugia
CurriculumData Science - Regolamento 2016
Prerequisiti

Teoria dei segnali, fondamenti di informatica, calcolo delle probabilità, fondamenti di automatica

Modalità di valutazione

L'esame è composto da due prove:


1) Prova Scritta composta da 2 domande (teoriche, esercizi Matlab, esercizi numerici e/o di progetto). Gli esercizi Matlab vengono svolti al calcolatore


2) Prova Orale

Statistiche voti esami

Non sono presenti statistiche sull'esame in quanto di nuova istituzione. Nell'esame di Elaborazione Numerica dei Segnali, tenuto dallo stesso docente,


Gli studenti che hanno sostenuto l'esame hanno riportato una votazione media di 25.5 con deviazione standard di 2.5.

Calendario prove esame

19 Gennaio 2017


16 Febbraio 2017


16 Giugno 2017


3/17 Luglio 2017

Unità formative opzionali consigliate

Matematica Discreta

DocenteFabrizio Frescura
TipologiaAttività Affini o integrative (art.10, comma 5, lettera b)
AmbitoA11
SettoreING-INF/03
CFU9
Modalità di svolgimentoConvenzionale
Programma

Unità didattica: z-Transforms e Transfer Functions (12 ore)



  • Proprietà fondamentali, Regione di Convergenza, Causalità e Stabilità, Spettro in Frequenza, Trasformata Z inversa, Descrizioni Equivalenti dei Filtri Digitali, Funzione di Trasferimento, Risposta Sinusoidale, Risposta Regime Stazionario, Risposta al Transitorio, Progettazione Filtri con piazzamento di poli e zeri: Filtri del Primo Ordine, Risuonatori Parametrici ed Equalizzatori, Filtri Notch e Filtri Comb. Esercitazioni in Matlab


 


Unità Didattica: Trasformata di Fourier discreta e stima spettrale (10)



  • Spettro in Frequenza – DTFT. Campionamento della trasformata di Fourier. Trasformata di Fourier discreta (DFT). Calcolo della IDFT. Fast Fourier Transform. Convoluzione circolare. Uso della DFT/FFT nell' analisi spettrale dei segnali determinati. Uso della DFT/FFT nell' analisi spettrale di segnali stazionari, Spettrogramma. Risoluzione. DFT tempo-variante per segnali non-stazionari. Spettrogramma. Esercitazioni in Matlab


 


Unità Didattica: Interpolazione, Decimazione e Sovra-campionamento (12 ore)



  • Interpolazione e sovra-campionamento. Progetto di Filtri Interpolatori: forma diretta, forma polifase. Esempi di progetto: DAC equalization, Multistage Equalization. Decimazione. Convertitore di sampling rate. Esercitazioni in Matlab


 


Unità Didattica: Introduzione alla Elaborazione Digitale Statistica dei Segnali (16 ore)



  • Random Signals, Probability Density, Mean, Variance, Chebyshev’s Inequality, Joint and Conditional Densities, and Bayes’ Rule, Correlation Canceling, Gram-Schmidt Orthogonalization, Partial Correlations, Forward/Backward Prediction and LU/UL Factorization, Power Spectrum and Its Interpretation, Sample Autocorrelation and the Periodogram, Random Signal Models and Their Uses, Filter Model of First Order Autoregressive Process, Stability and Stationarity, Parameter Estimation by the Maximum Likelihood Method, Parameter Estimation by the Yule-Walker Method, Linear Prediction and Signal Modeling, Cramer–Rao Bound and Maximum Likelihood.


 


Unità Didattica: Predizione Lineare (12 ore)



  • Pure Prediction and Signal Modeling, Autoregressive Models, Linear Prediction and the Levinson Recursion, Levinson’s Algorithm in Matrix Form, Autocorrelation Sequence Extensions, Split Levinson Algorithm, Analysis and Synthesis Lattice Filters, Alternative Proof of the Minimum-Phase Property, Orthogonality of Backward Prediction Errors—Cholesky Factorization, Schur Algorithm, Lattice Realizations of FIR Wiener Filters, Autocorrelation, Covariance, and Burg’s Methods, Dynamic Predictive Deconvolution—Waves in Layered Media, Least-Squares Waveshaping and Spiking Filters. Esercitazioni in Matlab


 


Unità Didattica: Stima Spettrale (10 ore)



  • Spectrum Estimation by Autoregressive Modeling, Spectral Analysis of Sinusoids in Noise, Superresolution Array Processing, Eigenvector Methods, MUSIC method, Minimum-Norm Method, Reduced-Order Method, Maximum Likelihood Method, ESPRIT Method, Spatial Smoothing, Asymptotic Properties. Esercitazioni in Matlab

Supplement

Il corso presenta le tecniche di base e avanzate per l'elaborazione numerica e statistica dei segnali e fornisce assieme agli elementi di teoria, la conoscenza di alcuni strumenti software (Matlab) per la applicazione delle tecniche stesse.


Il corso assume siano già acquisiti i concetti di Segnale e Sistema tempo discreti, Trasformata Discreta di Fourier e di Filtro FIR, concetti questi introdotti nel corso di Teoria dei Segnali, ritenuto fortemente propedeutico.


Nella seconda parte (ultime tre unità didattiche) sono presentati i fondamenti dell’elaborazione statistica dei segnali ossia quei metodi basati sul filtraggio ottimo di Wiener e sulla stima ai minimi quadrati. Questi metodi hanno un notevole vasta gamma di applicazioni, che vanno dall'analisi e la sintesi del parlato, alla compressione dei dati, elaborazione delle immagini e la modellazione, l’equalizzazione di canale e cancellazione dell'eco nella trasmissione di dati digitali, l'elaborazione dei segnali geofisici in esplorazione petrolifera, l’analisi lineare predittiva dei segnali EEG, i moderni metodi di analisi spettrale ad alta risoluzione di stima, alla elaborazione per il sonar, radar, identificazione del sistema, e le applicazioni di controllo adattativo.


Al termine del corso gli studenti saranno in grado di:


Comprendere e progettare Filtri numerici (IIR) con gli strumenti software di progettazione (es. Matlab)


Comprendere, simulare e Progettare (Matlab) schemi di stima spettrale basati sull'impiego di DFT/FFT sia per segnali stazionari che per segnali non stazionari


Comprendere, simulare e Progettare (Matlab) schemi di conversione della frequenza di campionamento con tecnica diretta e polifase


Comprendere, simulare e Progettare (Matlab) schemi di analisi statistica dei segnali (Predizione Lineare, Stima Spettrale).

Metodi didattici

Le lezioni si svolgono con didattica frontale di tipo teorico con Slides e integrazione alla lavagna degli argomenti e con lo svolgimento di esercizi di natura progettuale. Sono fortemente incoraggiate le domande e gli interventi da parte degli studenti in mdaltà interattiva durante tutta la lezione.


Per ogni Unità didattica sono poi svolte esercitazioni in Matlab sui temi di riferimento dell'Unità Didattica stessa.

Testi consigliati

  1. Orfanidis, “Introduction to Signal Processing”, Prentice Hall

  2. Orfanidis, “Optimum Signal Processing”, Prentice Hall

  3. H. Hayes, “Statistical Digital Signal Processing and Modeling”, John Wiley & Sons

Risultati apprendimento

Al termine del corso gli studenti saranno in grado di:


Comprendere e progettare Filtri numerici (IIR) con gli strumenti software di progettazione (es. Matlab)


Comprendere, simulare e Progettare (Matlab) schemi di stima spettrale basati sull'impiego di DFT/FFT sia per segnali stazionari che per segnali non stazionari


Comprendere, simulare e Progettare (Matlab) schemi di conversione della frequenza di campionamento con tecnica diretta e polifase


Comprendere, simulare e Progettare (Matlab) schemi di analisi statistica dei segnali (Predizione Lineare, Stima Spettrale).

Periodo della didattica

Secondo Calendario Ufficiale

Calendario della didattica

Secondo Calendario Ufficiale

Attività supporto alla didattica

Esercitazioni in Matlab

Lingua di insegnamentoItaliano
Frequenza

Raccomandata

Sede

Campus di Ingegneria

Ore
Teoriche
72
Pratiche
0
Studio individuale
153
Didattica Integrativa
0
Totale
225
Anno1
PeriodoI semestre
NoteDati attualmente non disponibili
Orario di ricevimentoLunedì dalle 9 alle 10.30
Sede di ricevimentoFacoltà di Ingegneria - DIEI - Studio N° 38
Codice ECTS2016 - 9545

Info pagina

Referente di sezione

Prof. Massimiliano Marianelli
(Delegato per il settore Didattica)


Torna su
×