Moodle FEL ČVUT
Adaptivní metody zpracování signálů
B241 - Zimní 24/25
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 - BAM31ADA
Hlavní kurz
| Kredity | 6 |
| Semestry | zimní |
| Zakončení | Zápočet a zkouška |
| Jazyk výuky | čeština |
| Rozsah výuky | 2P+2C |
Anotace
Tento předmět prezentuje základní principy adaptivních algoritmů pro filtraci, estimaci, predikci, dekorelaci, separaci a beamforming. Absolvent bude obeznámen se základními principy navrhu a analýzy adaptivních systémů.
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
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
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.
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.
Adaptivní metody zpracování signálů - B2M31ADAA
| Kredity | 6 |
| Semestry | zimní |
| Zakončení | Zápočet a zkouška |
| Jazyk výuky | čeština |
| Rozsah výuky | 2P+2C |
Anotace
Tento předmět prezentuje základní principy adaptivních algoritmů pro filtraci, estimaci, predikci, dekorelaci, separaci a beamforming. Absolvent bude obeznámen se základními principy navrhu a analýzy adaptivních systémů.
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
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
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.
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.