Εφαρμογές της Ψηφιακής Επεξεργασίας Σημάτων¶

Επίσημο περίγραμμα μαθήματος του ΤΜΗΥΠ (Πανεπιστήμιο Πατρών), όπως δημοσιεύεται στη σελίδα του μαθήματος και στο συνημμένο αρχείο «Περίγραμμα Μαθήματος». Το κείμενο παρατίθεται αυτούσιο, χωρίς τα πρότυπα οδηγιών του εντύπου.

Στόχοι¶

Στο μάθημα διαπραγματευόμαστε μερικές βασικές και μοντέρνες εφαρμογές της Ψηφιακής Επεξεργασίας Σημάτων. Αποτελεί ένα μάθημα επιλογής στην κατεύθυνση επεξεργασίας σημάτων, τηλεπικοινωνιών, και δικτύων του προγράμματος σπουδών του Τμήματος. Α. Θεωρία Ο φοιτητής που ολοκληρώνει επιτυχώς το μάθημα μπορεί να :
κατανοεί θεμελιώδη προβλήματα που εμφανίζονται σε σύγχρονες εφαρμογές της επεξεργασίας σημάτων
χρησιμοποιεί μαθηματικά μοντέλα και αλγόριθμους για την επίλυση τους
κατανοεί σε βάθος τα πλεονεκτήματα των αραιών αναπαραστάσεων και πως αυτά εμφανίζονται σε εφαρμογές της επεξεργασίας σημάτων
κατανοεί μέσα από συγκεκριμένες εφαρμογές τις βασικές αρχές στις οποίες βασίζεται η μηχανική εκμάθηση Β. Εργαστηριακή Άσκηση Ο φοιτητής που ολοκληρώνει επιτυχώς τις εργαστηριακές ασκήσεις του μαθήματος μπορεί να:
χρησιμοποιεί μαθηματικά εργαλεία που βοηθούν στην αναλυτική μελέτη και μοντελοποίηση βασικών αλγορίθμων που χρησιμοποιούνται σε εφαρμογές της επεξεργασίας σημάτων
υλοποιεί αλγορίθμους στο περιβάλλον MATLAB και Python TensorFlow
εκσφαλματώνει τους υλοποιούμενους αλγορίθμους και να πιστοποιεί τη σωστή λειτουργία τους

Περιεχόμενο (ύλη)¶

Α. Διαλέξεις Μεταξύ άλλων, στο πλαίσιο του μαθήματος καλύπτονται τα ακόλουθα:

Πολυρυθμική Επεξεργασία, Υπερδειγματοληψία, Υποδειγματοληψία, Φίλτρα αλλαγής ρυθμού δειγματοληψίας. Πολυσταδιακή Υλοποίηση Συστημάτων. Πολυφασική Ανάλυση σήματος, Συστοιχίες Φίλτρων, Συνδυασμοί Φίλτρων Τέλειας Ανακατασκευής.
Εκτιμητές Τυχαίων Σημάτων, Γραμμικοί Εκτιμητές Τυχαίων Σημάτων, Φίλτρα Wiener, Αλγόριθμος Levinson. Προσαρμοστικά Φίλτρα, Αναδρομικοί Αλγόριθμοι, Εφαρμογές Προσαρμοστικών Αλγορίθμων, Φίλτρο Kalman.
Τεχνικές εκτίμησης συχνοτήτων με ιδιο-ανάλυση του μητρώου αυτοσυσχέτισης
Τεχνικές αναγνώρισης προσώπων βασισμένες σε Μοντελοποίηση Χαμηλής Τάξης
Αραιές αναπαραστάσεις και τεχνικές επεξεργασίας σημάτων
Τεχνικές κατηγοριοποίησης εικόνων βασισμένες σε αναγεννητικά Δίκτυα Β. Εργαστηριακές Ασκήσεις
Στο πλαίσιο του μαθήματος υλοποιούνται έξι (6) ασκήσεις με τεχνικές αιχμής που αναφέρονται σε εφαρμογές που ανήκουν στις παραπάνω θεματικές ενότητες και αναλύονται στις διαλέξεις.

Αξιολόγηση¶

Η αξιολόγηση γίνεται στην Ελληνική γλώσσα και γίνεται μέσω τελικής προφορικής εξέτασης. Συγκεκριμένα Η προφορική εξέταση περιλαμβάνει ερωτήσεις σύντομης απάντησης και σε βάθος κατανόησης των βασικών αντικειμένων του μαθήματος. Μετά το πέρας της εξέτασης ανακοινώνονται και αναρτώνται τα αποτελέσματα. Μετά την ανάρτηση των αποτελεσμάτων οι φοιτητές μπορούν να ερωτήσουν για οποιαδήποτε σχετικά απορία έχουν για την βαθμολογία τους και μπορούν ακόμα και να αμφισβητήσουν το βαθμό τους. Η αξιολόγηση της εργαστηριακής ενότητας βασίζεται στη δια ζώσης διαπιστούμενη λειτουργικότητα των αλγορίθμων που αναπτύσσουν και υλοποιούν στο περιβάλλον ΜΑΤLAB και Python Tensorflow οι φοιτητές κατά την εκπόνηση των ασκήσεων.

Βιβλιογραφία¶

J. McLellan, R. Schafer, M. Yoder "Θεμελιώδεις Έννοιες της Επεξεργασίας Σημάτων". Ελληνική Μετάφραση, Επιστημονική Επιμέλεια Εμμανουήλ Ζ. Ψαράκης, Εκδόσεις Φιλομάθεια, 2006.
Παπούλης Αθ, "Πιθανότητες, Τυχαίες Μεταβλητές και Στοχαστικές Διαδικασιές", Εκδόσεις Τζιόλα, Θεσσαλονίκη, 1994
S. Theodoridis. Machine Learning: A Signal and Information Processing Perspective. Academic Press, 2015.
Computer Vision: Models Learning and Inference, S. J. D. Prince, Cambridge Edition 2012 -Συναφή επιστημονικά περιοδικά και συνέδρια :
IEEE Transactions on Signal Processing
IEEE Transactions on Image Processing
IEEE Transactions on Pattern Analysis and Machine Intelligence
Elsevier Pattern Recognition Letters
ICASP, Eusipco, CVPR, ΙCCV, ECCV, ACCV, NIPS