mail unicampaniaunicampania webcerca

    Francesco PALMIERI

    Insegnamento di SIGNAL PROCESSING AND DATA FUSION

    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

    Elementi di Elaborazione Numerica dei Segnali; Introduzione ai metodi di apprendimento automatico (reti neurali) e introduzione ai modelli Bayesiani.

    Testi di riferimento

    Appunti dalle lezioni

    J. G. Proakis, D. G. Manolakis, Digital Signal Processing, Principles, Algorithms and Applications, Second Ed., Prentice Hall, 1998.

    A. K. Jain, Fundamentals of Digital Image Processing, Prentice Hall, 1989.
    R. O. Duda, P. E. Stark, D. G. Stork, Pattern Classification, 2nd edition, Wiley, 2000.

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

    Obiettivi formativi

    Obbiettivo del corso è quello di fornire allo studente fondamenti di:
    Teoria dell'elaborazione numerica dei segnali mono-dimensionali e bi-dimensionali;
    Sistemi ad apprendimento automatico;
    Teoria e manipolazione dei modelli Bayesiani.

    Prerequisiti

    Familiarità con i fondamenti della Teoria dei segnali e della Teoria della probabilità e dei processi aleatori.

    Metodologie didattiche

    Lezioni frontali

    Metodi di valutazione

    Prova orale

    Altre informazioni

    Informazioni aggiornate sul corso e il materiale didattico sono disponibili al sito
    https://www.mlsptlab-unicampania.it/teaching/signal-processing-and-data-fusion.html

    Programma del corso

    I PARTE: Filtraggio Numerico:

    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; 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.

    II PARTE:Trasformate:

    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 decorrelanti; 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 Elaborazione delle Immagini: Percezione immagini; Colorimetria; Operazioni elementari di elaborazione delle immagini; Trasformate applicate alle immagini; Filtraggio adattativo: Regressione lineare; Apprendimento supervisionato; Il classificatore Gaussiano; Reti neurali multistrato; Introduzione ai sistemi di apprendimento automatico, Il Percettrone; Algoritmi al Gradiente; Percettrone Multistrato; L’algoritmo di backpropagation; Strutture convolutive multistrato; Applicazioni Architetture e apprendimento; Apprendiment.

    III PARTE: Modelli Bayesiani:

    Reti e grafi Bayesiani per la fusione: Metodo di propagazione dei messaggi su grafi fattoriali; Applicazioni a: Catene di Markov e Hidden Markov Models (HMM); Latent Variable Models (LVM).

    English

    Teaching language

    Italian

    Contents

    Elements of Digital Signal Processing; Introduction to machine learning methods (neural networks) and introduction to Bayesian models.

    Textbook and course materials

    Class notes

    J. G. Proakis, D. G. Manolakis, Digital Signal Processing, Principles, Algorithms and Applications, Second Ed., Prentice Hall, 1998.

    A. K. Jain, Fundamentals of Digital Image Processing, Prentice Hall, 1989.
    R. O. Duda, P. E. Stark, D. G. Stork, Pattern Classification, 2nd edition, Wiley, 2000.

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

    Course objectives

    The aim of the course is to provide the student with the foundations of:
    Theory of numerical processing of one-dimensional and two-dimensional signals;
    Machine learning systems;
    Theory and manipulation of Bayesian models.

    Prerequisites

    Familiarity with the fundamentals of the Theory of signals and the Theory of probability and random processes.

    Teaching methods

    Lectures

    Evaluation methods

    Oral test

    Other information

    Updated information on the class and study material are available at https://www.mlsptlab-unicampania.it/teaching/signal-processing-and-data-fusion.html

    Course Syllabus

    PART I: Digital Filtering:

    The sampling of time-continuous signals; Cardinal interpolation and ideal sampling; Generalities on linear discrete-time systems; Review of the Z-transform and the Fourier transform of a sequence; Impulsive response; IIR and FIR filters; Canonical form with poles and zeros; Design of IIR filters by placing poles and zeros; FIR filter design using the window method; Design of symmetrical and antisymmetric FIR filters by frequency sampling; Design of IIR filters from analog prototypes; Method of approximation of derivatives; Method of bilinear transformation; Impulse invariance method; Step invariance method; Invariance method to a generic interpolator; Transformations of analog-to-analog filters; Transformations of numerical-numerical filters; Design of filters using the least squares method; The Wiener filter.

    PART II: Transforms:

    Decorrelating properties of the continuous-time Fourier Transform; Decorrelating properties of the discrete-time Fourier transform; Decorrelating properties of DFT for periodic sequences; Matrix formulation of the DFT; Properties of DFT for circulating matrices; Transform discrete decorrelants; Cholesky factorization; Spectral decomposition and DKLT; Energy compaction properties; Compression application; Genesis of cosine and sine transforms; Other discrete transforms; Optimality of the cosine transform; Transform separable 2D discrete.

    Elements of Image Processing: Image perception; Colorimetry; Basic image processing operations; Transform applied to images; Adaptive Filtering: Linear Regression; Supervised learning; The Gaussian classifier; Multilayer neural networks; Introduction to automatic learning systems, The Perceptor; Gradient algorithms; Multilayer Perceptron; The backpropagation algorithm; Multilayer convolutional structures; Applications Architecture and learning; Learning

    PART III: Bayesian Models:

    Bayesian networks and graphs for fusion: Method of propagation of messages on factorial graphs; Applications to: Markov chains and Hidden Markov Models (HMM); Latent Variable Models (LVM).

    facebook logoinstagram buttonyoutube logotypelinkedin logotype