SNY har ordet

En kurs med många krångliga ord i kursinnehållet, men som handlar om problem som i grund och botten är lätta att förstå sig på. Hur avgör man om det finns (eller inte finns) en signal i brusig mätdata? Hur, och hur bra, kan man estimera signalparametrar baserat på brusig mätdata? Och vad kan man göra om man vet att man letar efter en signal, men inte ens vet exakt hur den ser ut?

Kursutvärderingar

Logga in för att läsa kursutväderingar

Innehåll

Binära hypotestest, Neyman-Pearsonsatsen, felsannolikhet. M-värda detektionsproblem. Bayes kostnad och minimum-felsannolikhet. "Nuisance parameters." Klassisk estimering: maximum-likelihood. Cramer-Rao gränsen, Slepian-Bangs formel, effektivitet. Linjära, vektorvärda modeller med brus. Olinjära modeller. Brusvitning, gaussiskt brus. Bayesiansk estimering: MMSE och LMMSE. Komposit hypotestestning: GLRT och Bayesianska metoder.  Prestandaberäkningar, asymptotiska egenskaper hos skattningar. Tillämpningar inom radar- och kommunikations-teknik: amplitud- och fasestimering, frekvensskattningar, vinkel ("angle-of-arrival")-estimering, skattning av tidsfördröjningar, positionering, koherent och ickekoherent detektion av vågformer. 

Mål

Efter genomgången kurs skall studenten kunna

• definiera, beskriva och tillämpa grundläggande begrepp relaterade till detektion och parameterestimering i linjära och olinjära signalmodeller
• beskriva skillnaden mellan klassisk (ortodox) och bayesiansk statistik och hur detta avspeglas i de olika ansatserna till konstruktion av algoritmer
• genomföra beräkningar som relaterar till klassisk och bayesiansk estimerings‐ och detektionsteori och specifikt till begreppen Neyman-Peason-satsen, felsannolikhet, beslutsregioner, maximum-likelihood, linjära och olinjära modeller, Fisher-information, Cramer-Rao-gränsen, brusvitning, MMSE och LMMSE, GLRT och komposit hypotestestning
• förenkla kriteriafunktioner och beslutsregler för estimering och detektion i linjära och olinjära modeller och tolka dessa med ingenjörsmässig intuition
• beskriva, tillämpa, implementera i ett vedertaget programspråk, samt uppvisa ingenjörsmässig förståelse för parameterskattningar via maximum-likelihood och detektion med Baysianska metoder
• med adekvat terminologi, väl strukturerat och logiskt sammanhängande kunna redogöra för lösningarna till laborationsövningarna

Examinationsmoment

LAB1 - 2,0 HP
Datorlaborationer (U, G)
TEN1 - 4,0 HP
Skriftlig tentamen (U, 3, 4, 5)

Organisation

Kursen består av föreläsningar, lektioner samt en serie datorlaborationer. Datorlaborationerna examineras muntligen och individuellt, i laborationssal.

Litteratur

Böcker

• Kay, S, Statistical Signal Processing, Volume I: Estimation Theory Prentice‐Hall
• Kay, S, Statistical Signal Processing, Volume II: Detection Theory

Relaterade profiler

Datadriven analys och maskinintelligens DAMI - ISY

Kommunikation KOM - ISY

Signal- och bildbehandling SBB - ISY

Styr- och informationssystem SIS - ISY

Teknisk matematik TMT - MAI

Rekommenderade förkunskaper

Linjär algebra, sannolikhetslära, en kurs motsvarande signaler, information och kommunikation.

Signaler, information och kommunikation TSKS10 - 4,0 HP - VT2 block 3

Kommentarer

Logga in för att kunna läsa och skriva kommentarer.