mail unicampaniaunicampania webcerca

    Francesco PALMIERI

    Insegnamento di COMUNICAZIONI ELETTRICHE

    Corso di laurea magistrale in INGEGNERIA ELETTRONICA

    SSD: ING-INF/03

    CFU: 6,00

    ORE PER UNITÀ DIDATTICA: 48,00

    Periodo di Erogazione: Primo Semestre

    Italiano

    Lingua di insegnamento

    ITALIANO

    Contenuti

    Parte I: Fondamenti sulla Modulazione Analogica e Numerica. Elementi di Teoria dell'Informazione;
    Parte II: Elementi di Elaborazione Numerica dei Segnali.

    NOTA: Il corso è offerto in parziale sovrapprosizione a quello di Comunicazioni Elettriche,di 6 CFU-Laurea Magistrale in Ingegneria Elettronica, che prevede solo la Parte I

    Testi di riferimento

    F. Palmieri, Lezioni di Telecomunicazioni: Modulazione Analogica, Aracne Editrice, 2007

    F. Palmieri, Appunti Manoscritti disponibili al sito http://tlc.dii.unina2.it/tlc/index.php/corsi-attivi/trasmissione-ed-elaborazione-numerica-dei-segnali

    S. Haykin, Neural Networks and Learning Machines, Third Edition, Prentice Hall, 2009.

    Ulteriori Riferimenti:
    B.Sklar, Digital Communications, Prentice Hall 1988;
    S. Benedetto, E. Biglieri, V. Castellani, Digital Transmission Theory, Prentice Hall, 1988;
    T.M. Cover and J.A .Thomas, Elements of Information Theory, 2nd Edition, Wiley, 2005;
    JG Proakis, DG Manolakis, Digital Signal Processing, Principles, Algorithms and Applications, Second Ed., Prentice Hall, 1998;

    Obiettivi formativi

    Fornire allo studente gli elementi principali della teoria della comunicazione analogica e numerica (fin qui per gli studenti di Comunicazioni Elettriche). Fornire allo studente elementi sulla elaborazione numerica dei segnali unite ad alcune tecniche di machine learning.

    Prerequisiti

    Familiarità con la teoria dei segnali e con la teoria della probabilità e dei processi aleatori

    Metodologie didattiche

    Lezioni frontali

    Metodi di valutazione

    Prova finale scritta e esame orale

    Altre informazioni

    Ulteriori Informazioni sono disponibili al sito: http://tlc.dii.unina2.it/tlc/index.php/corsi-attivi/trasmissione-ed-elaborazione-numerica-dei-segnali

    Programma del corso

    MODULAZIONE ANALOGICA:
    Il segnale analitico e la rappresentazione dei segnali passa-banda; Proprietà di autocorrelazione e spettri di potenza dei segnali della
    Modulazione; Modulazione lineare su portante sinusoidale; DSB, AM, SSB, VSB, QAM; Modulazione lineare in presenza di rumore;
    Modulazione angolare: FM e PM; Modulatori e demodulatori.; La modulazione angolare in presenza di rumore.

    MODULAZIONE NUMERICA:
    Il problema della modulazione numerica; Rappresentazione nello spazio dei segnali; Trasmissione di forme d’onda su canale AWGN; Il
    ricevitore ottimo per il canale AWGN; Analisi dei principali formati di modulazione numerica (ASK, PSK, FSK, QAM); Valutazione della
    probabilità di errore.

    TEORIA DELL'INFORMAZIONE:
    La proprietà di equiripartizione asintotica (AEP); Sequenze tipiche; Sorgenti discrete con memoria; Stazionarietà; Tasso entropico; Catene
    di Markov; Caratterizzazione delle catene di Markov; Risoluzione di alcuni esempi per la probabilità dello stato stazionario; Entropia delle
    catene di Markov; Cenni sulle catene di Markov nascoste;
    Codifica Lempel-Ziv; Esempi di codifica; La disuguaglianza di Fano; Ricezione a Massima Verosimiglianza (ML);
    Schema generale di codifica di canale; Il teorema inverso della codifica di canale; Introduzione intuitiva al teorema della codifica di canale;
    Il teorema della codifica per il caso binario (Secondo Teorema di Shannon).

    (fin qui per gli studenti di Comunicazioni Elettriche)

    ELABORAZIONE NUMERICA DEI SEGNALI:
    Il campionamento dei segnali tempo-continuo; Interpolazione cardinale e campionamento ideale; Generalità sui
    sistemi lineari tempo-discreto; Richiami sulla Z-trasformata e sulla trasformata di Fourier di una sequenza; Risposta impulsiva; Filtri IIR e FIR; Forma canonica con poli e zeri; Progetto di filtri IIR mediante piazzamento di poli e zeri; Esempi; Progetto di filtri FIR mediante il metodo della finestra;
    Progetto di filtri FIR simmetrici e antisimmetrici mediante campionamento in frequenza; Progetto
    di filtri IIR da prototipi analogici; Metodo della approssimazione delle derivate; Metodo della trasformazione bilineare; Metodo
    dell’invarianza all’impulso; Metodo dell’invarianza al gradino; Metodo dell’invarianza ad un interpolatore generico; Trasformazioni di
    filtri analogico-analogico; Trasformazioni di filtri numerico-numerico; Progetto di filtri mediante il metodo dei minimi quadrati; Il filtro di Wiener;
    Proprietà decorrelanti della Trasformata di Fourier tempo-continuo; Proprietà decorrelanti della trasformata di Fourier tempo-discreto;
    Proprietà decorrelanti della DFT per sequenze periodiche; Formulazione matriciale della DFT; Proprietà della DFT per matrici circolanti;
    Trasformate discrete de correlanti; Fattorizzazione di Cholesky; Decomposizione spettrale e DKLT; Proprietà di compattazione
    dell’energia; Applicazione alla compressione; Genesi delle trasformate coseno e seno; Altre trasformate discrete; Ottimalità della
    trasformata coseno; Trasformate discrete 2D separabili; Elementi di percezione ed elaborazione delle immagini.

    MACHINE LEARNING:
    Elementi generali sui sistemi ad apprendimento automatico e sulle reti neurali; Il percettrone; Formulazione Bayesiana della decisione binaria; Il percettrone multistrato; L'algoritmo di backpropagation; Strutture convolutive multistrato; Applicazioni.

    English

    Teaching language

    Italian

    Contents

    Part I: Foundations of Analog and Digital Modulation. Elements of Information Theory;
    Part II: Elements of Digital Signal Processing.

    NOTE: The course is offered in partial overlap to Electrical Communications, of 6 CFU-Laurea Magistrale in Electronic Engineering, which covers only Part I

    Textbook and course materials

    F. Palmieri, Lezioni di Telecomunicazioni: Modulazione Analogica, Aracne Editrice, 2007

    F. Palmieri, Handwritten Notes available at http://tlc.dii.unina2.it/tlc/index.php/corsi-attivi/trasmissione-ed-elaborazione-numerica-dei-segnali

    S. Haykin, Neural Networks and Learning Machines, Third Edition, Prentice Hall, 2009.

    Further References:
    B.Sklar, Digital Communications, Prentice Hall 1988;
    S. Benedetto, E. Biglieri, V. Castellani, Digital Transmission Theory, Prentice Hall, 1988;
    T.M. Cover and J.A .Thomas, Elements of Information Theory, 2nd Edition, Wiley, 2005;
    JG Proakis, DG Manolakis, Digital Signal Processing, Principles, Algorithms and Applications, Second Ed., Prentice Hall, 1998;

    Course objectives

    Provide the student with the main elements of the theory of analol and digital communication (up to here for students of Electrical Communications). Provide the student with elements on digital signal processing together with some machine learning techniques.

    Prerequisites

    Familiarity with signal theory and with the theory of probability and random processes

    Teaching methods

    Class lectures

    Evaluation methods

    Final written test and oral exam

    Other information

    more information is available at:
    http://tlc.dii.unina2.it/tlc/index.php/corsi-attivi/trasmissione-ed-elaborazione-numerica-dei-segnali

    Course Syllabus

    ANALOG MODULATION:
    The analytical signal and the representation of the band-pass signals; Properties of autocorrelation and power spectra of the signals of the
    Modulation; Linear modulation on sinusoidal carrier; DSB, AM, SSB, VSB, QAM; Linear modulation in the presence of noise;
    Angular modulation: FM and PM; Modulators and demodulators .; Angular modulation in the presence of noise.

    DIGITAL MODULATION:
    The problem of digital modulation; Representation in the space of signals; Transmission of waveforms on the AWGN channel; The
    receiver for the AWGN channel; Analysis of the main digital modulation formats (ASK, PSK, FSK, QAM); Evaluation of the
    probability of error.

    INFORMATION THEORY:
    The asymptotic equiripartition property (AEP); Typical sequences; Discrete sources with memory; Stationarity; Entropy rate; Markov Chains; Characterization of Markov chains; Examples for steady state probability calculation; Entropy of the
    Markov chains; Notes on Hidden Markov Chains;
    Lempel-Ziv coding; Examples of coding; Fano's inequality; Maximum Likelihood Decision (ML);
    General channel coding scheme; The inverse theorem of channel coding; Intuitive introduction to the channel coding theorem;
    The coding theorem for the binary case (according to Shannon's Theorem).

    (up to here for the students of Comunicazioni Elettriche)

    NUMERICAL PROCESSING OF SIGNALS:
    Sampling of time-continuous signals; Cardinal interpolation and ideal sampling; Review of
    linear time-discrete systems; Review on the Z-transformed and on the Fourier transform of a sequence; Impulse response; IIR and FIR filters; Canonical form with poles and zeros; IIR filter design by placing poles and zeros; Examples; Design of FIR filters using the window method;
    Design of symmetrical and antisymmetric FIR filters by frequency sampling; Design
    of IIR filters from analog prototypes; Approximation method of derivatives; Bilinear transformation method; Method
    of impulse invariance; Step invariance method; Invariance method to a generic interpolator; Transformations of
    analog-analog filters; Numerical-numerical filter transformations; Filter design using the least squares method; The Wiener filter;
    Decorrelating properties of the time-continuous Fourier transform; Decorrelating properties of the time-discrete Fourier transform;
    Decorrelating properties of DFT for periodic sequences; Matrix formulation of the DFT; Properties of the DFT for circulating matrices;
    Decorrelating Transforms; Cholesky factorization; Spectral decomposition and DKLT; Property of energy compression; Application to compression; Genesis of the cosine transforms; Other discrete transformations; Optimality of the
    cosine transform; 2D-separable transforms; Elements of image perception and processing;

    MACHINE LEARNING:
    General elements on machine learning systems and neural networks; The percectron; Bayesian formulation of the binary decision; The multilayer percectron; The backpropagation algorithm; Multilayer convolutive structures; Applications

    facebook logoinstagram buttonyoutube logotypelinkedin logotype