Adaptivní metody zpracování signálů

B232 - Letní 23/24
Toto je tzv. shluknutý kurz. Skládá se z několika samostatných předmětů, které sdílejí výukové materiály, úkoly, testy apod. Níže si můžete zobrazit informace o jednotlivých předmětech tvořících tento shluk.

Adaptivní metody zpracování signálů - B2M31ADA

Hlavní kurz
Kredity 5
Semestry zimní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 2P+2C
Anotace
Tento předmět prezentuje základní principy adaptivních algoritmů pro filtraci, dekorelaci, separaci a beamformingu. Jsou probírány algoritmy pro adaptivní estimaci a predikci. Je analyzováno jejich chování, různé způsoby implementace a praktické aplikace. Dále jsou vysvětleny algoritmy pro adaptivní dekorelaci a separaci vícerozměrných signálů. Nakonec jsou probrány techniky pro adaptivní tvarování přijímací charakteristiky řady senzorů (beamforming).
Cíle studia
Cílem předmětu je získat základní znalosti z oblasti adaptivních algoritmů pro filtraci, dekorelaci, separaci a beamformingu.
Osnovy přednášek
1. Blokové algoritmy pro estimaci
2. Blokové algoritmy pro predikci
3. LMS a RLS algoritmy a jejich použití pro estimaci a predikci
4. Konvergence LMS a RLS algoritmů
5. Struktury pro implementaci adaptivních filtrů
6. Použití adaptivních algoritmů pro kompresi signálu
7. Použití adaptivních filtrů pro potlačování šumu
8. Kalmanova filtrace
9. Mřížkové filtry a částicové filtry
10. Adaptivní algoritmy pro dekorelaci vícerozměrných signálů
11. Adaptivní algoritmy pro separaci vícerozměrných signálů
12. Adaptivní beamforming - algoritmy LCMV a MVDR
13. Adaptivní beamforming - algoritmus MUSIC
14. Rezerva
Osnovy cvičení
1. Implementace blokových algoritmů pro estimaci
2. Implementace blokových algoritmů pro predikci
3. Implementace LMS a RLS algoritmů
4. Konvergence LMS a RLS algoritmů
5. Porovnání různých struktur pro implementaci adaptivních filtrů
6. Vokodér
7. Adaptivního potlačení úzkopásmového šumu
8. Aplikace Kalmanovy filtrace
9. Použití mřížkových a částicových filtrů
10. Implementace dekorelace vícerozměrných signálů
11. Implementace separaci vícerozměrných signálů
12. Aplikace algoritmů LCMV a MVDR
13. Aplikace algoritmu MUSIC
14. Rezerva
Literatura
Sayed, A.H., Adaptive Filters, Wiley-IEEE Press, 2008.
Bellanger, M.B., Adaptive Digital Filters, Marcel Dekker, NY 2001.
Hyvarinen, A, Karhunen, J, Oja, E. Independent Component Analysis, John Wiley & Sons, 2004.
Požadavky
Znalosti základů číslicového zpracování signálů. Především znalost spektrální analýzy a neadaptivní lineární filtrace. Znalosti práce s Matlabem.

Adaptive signal processing - BE2M31ADA

Kredity 5
Semestry zimní
Zakončení zápočet a zkouška
Jazyk výuky angličtina
Rozsah výuky 2p+2c
Anotace
Tento předmět prezentuje základní principy adaptivních algoritmů pro filtraci, dekorelaci, separaci a beamformingu. Jsou probírány algoritmy pro adaptivní estimaci a predikci. Je analyzováno jejich chování, různé způsoby implementace a praktické aplikace. Dále jsou vysvětleny algoritmy pro adaptivní dekorelaci a separaci vícerozměrných signálů. Nakonec jsou probrány techniky pro adaptivní tvarování přijímací charakteristiky řady senzorů (beamforming).
Cíle studia
Cílem předmětu je získat základní znalosti z oblasti adaptivních algoritmů pro filtraci, dekorelaci, separaci a beamformingu.
Osnovy přednášek
1. Blokové algoritmy pro estimaci
2. Blokové algoritmy pro predikci
3. LMS a RLS algoritmy a jejich použití pro estimaci a predikci
4. Konvergence LMS a RLS algoritmů
5. Struktury pro implementaci adaptivních filtrů
6. Použití adaptivních algoritmů pro kompresi signálu
7. Použití adaptivních filtrů pro potlačování šumu
8. Kalmanova filtrace
9. Mřížkové filtry a částicové filtry
10. Adaptivní algoritmy pro dekorelaci vícerozměrných signálů
11. Adaptivní algoritmy pro separaci vícerozměrných signálů
12. Adaptivní beamforming - algoritmy LCMV a MVDR
13. Adaptivní beamforming - algoritmus MUSIC
14. Rezerva
Osnovy cvičení
1. Implementace blokových algoritmů pro estimaci
2. Implementace blokových algoritmů pro predikci
3. Implementace LMS a RLS algoritmů
4. Konvergence LMS a RLS algoritmů
5. Porovnání různých struktur pro implementaci adaptivních filtrů
6. Vokodér
7. Adaptivního potlačení úzkopásmového šumu
8. Aplikace Kalmanovy filtrace
9. Použití mřížkových a částicových filtrů
10. Implementace dekorelace vícerozměrných signálů
11. Implementace separaci vícerozměrných signálů
12. Aplikace algoritmů LCMV a MVDR
13. Aplikace algoritmu MUSIC
14. Rezerva
Literatura
Sayed, A.H., Adaptive Filters, Wiley-IEEE Press, 2008.
Bellanger, M.B., Adaptive Digital Filters, Marcel Dekker, NY 2001.
Hyvarinen, A, Karhunen, J, Oja, E. Independent Component Analysis, John Wiley & Sons, 2004.
Požadavky
Znalosti základů číslicového zpracování signálů. Především znalost spektrální analýzy a neadaptivní lineární filtrace. Znalosti práce s Matlabem.