Programma |
Il corso è integrato a Reti di Monitoraggio ambientale (prof. Mario Versaci)
Introduzione al trattamento dei Segnali (Crediti 2)
Generalità sul trattamento dei segnali, segnali analogici, campionamento e conversione AD e DA, segnali a tempo discreto (numerici), equazioni alle differenze lineari a coefficienti costanti, rappresentazione nel dominio del tempo e della frequenza, segnali aleatori multi-dimensionali, statistiche di ordine superiore al secondo, processi stocastici, concetti di teoria della stima, metodo della massima verosimiglianza, stima del minimo errore quadratico medio, metodo della massima probabilità a posteriori, elementi di teoria dell’informazione, entropia informazionale, informazione mutua, negentropia, correntropia, metodo di stima a massima entropia, metodi di ottimizzazione. Rappresentazione di sistemi digitali mediante grafi e schemi a blocchi, strutture di rete fondamentali per sistemi FIR e IIR.
Algoritmi di Soft Computing (Crediti 1)
Algoritmi Genetici ed Evolutivi: generalità e metodologie d’impiego, operatori di riproduzione cross-over e mutazione, spazio di ricerca e Fitness Landscape, Teorema dello Schema, Building block hypothesis, diagramma di flusso di AG. Sistemi adattivi, stima del gradiente, metodi iterativi, apprendimento Hebbiano, reti di Kohonen ed auto-organizzanti, reti dinamiche ricorrenti, reti di Hopfield. Pattern recognition: formulazioni, classificatori lineari e non lineari, trattamento dell’incertezza, problemi rappresentativi in diversi ambiti di ricerca.
Analisi Multirisoluzione e Multidimensionale (Crediti 2)
Algoritmi avanzati per l’elaborazione dei segnali, studio serie temporali, Analisi nel dominio della frequenza, Trasformata di Fourier, Short-Time Fourier Transform, analisi di segnali nel dominio tempo-frequenza, elaborazione di segnali non stazionari, segnali e sistemi non lineari, trasformata Wavelet Continua e Discreta, decomposizione Wavelet, applicazioni pratiche della trasformata Wavelet, Principal Component Analysis (PCA), Independent Component Analysis (ICA), applicazioni pratiche PCA e ICA, serie temporali e dinamiche caotiche, circuiti elementari caotici.
Implementazione numerica degli algoritmi (Crediti 1)
Introduzione al MATLAB, nozioni preliminari, potenzialità e limiti del software, programmare con l’editor di MATLAB; introduzione all’uso dei Toolboxes: Genetic Algorithm, Neural Networks, Fuzzy Logic, Signal Processing, Wavelet, Algoritmi PCA e ICA, EEGLAB, ICA-lab, FAST-ICA.
Introduzione ai segnali ambientali (Crediti 1)
Nozione di segnale ambientale; tecniche di rilievo di segnali e dati ambientali; manipolazione di database di natura ambientale; elementi di data mining; gestione delle informazioni e dati ambientali.
Tecniche di registrazione dei segnali ambientali (Crediti 1)
Sistemi di acquisizione e conversione A/D; interfacce di acquisizione; sensori per la registrazione di segnali ambientali; raccolta e selezione di campioni; sistemi statistici per il trattamento di dati ambientali; trattamento outliers; Teoria della decisione statistica.
Tecniche di elaborazione dei segnali ambientali (Crediti 1)
Implementazione di algoritmi per l’analisi multi-risoluzione e multidimensionale di segnali ambientali; modelli per la simulazione di sistemi ambientali; elaborazione numerica di segnali ambientali; rumore; progettazione ed implementazione di circuiti e sistemi per il trattamento di segnali ambientali esempi di dati meteorologici e satellitari; esercitazioni di laboratorio.
|
Testi docente |
Uncini A., “ Elaborazione Adattiva dei Segnali”, Aracne Editore.
Principe, N. R. Euliano, W. C. Lefebvre, “Neural and Adaptive Systems: Fundamental through Simulations”, J. Wiley & Sons.
Bishop C.M., “Pattern Recognition and Machine Learning”, Oxford University Press.
Hyvarinen A., J. Karhunen, E. Oja, “Independent Component Analysis”, J. Wiley & Sons.
M. Akay, “Time Frequency and Wavelets in Biomedical Signal Processing”, Wiley-IEEE Press.
Materiale scaricabile dal web su indicazione del docente
|