Topic outline

  • General

    Tervetuloa kurssille ELEC-C5211!

    ELEC-C5211 on hyödyllinen kurssi kaikille, jotka haluavat tutusta tilastolliseen signaalinkäsittelyyn ja mallintamiseen.  Kurssi korvaa vanhan kurssin ELEC-C520 Satunnaisprosessit tietoliikenteessä ja kurssia on uudistettu vahvasti käytännönläheisempään suuntaan. 

    Kurssi on valinnainen pääaineen kurssi informaatioteknologian (IT) kandidaattiohjelmassa sekä informaatioteknologian (IT) sivuaineessa.  

    Henkilökunta:

    • Prof. Esa Ollila (luennoitsija)
    • M.Sc. Elias Raninen (assistentti)
    • Eeli Susan (harjoitustyöt 1 ja 2 assistentti)

    Saat meihin yhteyttä e-postitse muodossa etunimi.sukunimi@aalto.fi

    Aikataulu:

    timetable
    Esitiedot

    • MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
    • MS-A0203/4 Differentiaali- ja integraalilaskenta 2
    • MS-A0003/4 Matriisilaskenta
    • MS-C1420 Fourier-analyysi
    • ELEC-A7200 Signaalit ja järjestelmät 

    Lisäksi on eduksi, jos opiskelija on suorittanut kurssit:

    • ELEC-C5230 Digitaalisen signaalinkäsittelyn perusteet
    • ELEC-A5140 Matematiikkaohjelmistot  (suositeltava)

    Oppimistavoitteet:

    Kurssin käytyään opiskelija

    1. Osaa selittää/kuvailla satunnaisvektoreiden ja satunnaisprosessien perusominaisuudet ja käsitteet, kuten symmetrisyys, stationäärisyys, vinous tai huipukkuus, jakauman pitkähäntäisyys.
    2. osaa laskea keskeisimpiä tunnuslukuja (odotusarvo, kovarianssi, autokorrelaatio) erityyppisille satunnaismuuttujille ja -prosesseille (ml. vektoriarvoiset, kompleksiset) ja määrittää niiden riippuvuussuhteita.
    3. Osaa selittää/kuvailla yleisesti käytettyjen jakaumien (kuten Laplace, Gaussian, Rayleigh, Binomi) sekä satunnaisprosessien (ARMA, AR, MA) perusominaisuudet.  
    4. Ymmärtää tehotiheysspektrin käytön signaalien mallinnuksessa ja osaat soveltaa tehotiheysspektriä käytännön sovelluksissa. 
    5. Osaa käyttää ja soveltaa optimisuotimia ja adaptiivisia suotimia esimerkiksi kohinan poistossa ja signaalin ennustamisessa ja ymmärtää niiden perusominaisuudet. 
    6. Osaa käyttää MATLAB:ia satunnaisvektoreiden ja satunnaisprosessien analyysissä.
    7. Tunnistaa useita tilastollisen signaalinkäsittelyn reaalimaailman käytännön sovelluksia. 

    Kurssimateriaali

    • Luentomoniste: Esa Ollila, "Johdatus signaalien tilastolliseen mallintamiseen ja päättelyyn", Kevät 2019.
    • Kurssikirja: Monson Hayes, Statistical digital signal processing and modeling, John Wiley & Sons, 1996 (1ed), 2009 (2nd ed).  Kurssikirjaa ei tarvitse hankkia, sillä tenttiin ja laskareihin opiskeltavat asiat on esitetty kattavasti luentomonisteessa. Kurssikirja toimii hyvänä itseopiskelumateriaalina ja opiskelun tukena. 
    • Lasku- ja MATLAB-harjoitustehtävät (mukaan lukien MATLAB koodit ja data-aineistot). Jotain MATLAB esimerkkejä kerätään kurssin MATLAB sivulle.
    • Luento-aktiviteettitehtävät (helpot tietokilpailut tai presemo-feedbackit) 
    • Harjoitustyöt
    • Miscallanea: mm. Wikipedia/internet, josta löytyy paljon hyödyllistä materiaalia hakusanoilla "Signals and Systems", "Digital Signal Processing", "Digital filters", "signal detection", jne.

    Kurssin webbisivu MATLAB esimerkeille 

    Pyrin laittamaan muutamia MATLAB esimerkkejä myös webbisivulle: http://users.spa.aalto.fi/esollila/ELEC-C5211/

    Sisältö (Kurssimoniste by E.O):

    • DSP basics (filters and linear systems, IIR/FIR filters, Fourier transform and z-transform),
    • Random vectors and important distributions (Gaussian, Laplace, Chi-squared, Rayleigh, multi normal)
    • Random processes (stationarity, autocorrelation, ergodicity)
    • Special random processes (ARMA, AR, MA).
    • Optimum (Wiener FIR and IIR) filters
    • Adaptive filters (Least Mean Squares). 
    • Spectrum estimation (periodogram, Bartlett-Welschmethod, Blackmann-Tukey method)

    Arviointi:

    • A1: Harjoitustyö x 2 (30%)
    • A2: Kotitehtävät x 8 (20%)
    • A3: Tentti (50%)
    • A4: Bonuspisteet luento- ja laskariaktiivisuudesta (+15%)

    Kurssi arvioidaan tentin (50%) sekä kotitehtäväpalautusten (20%) ja kahden harjoitustyön (30%) perusteella. Tentissä on 5 kysymystä, jotka arvostellaan asteikolla 0-6p.  Laskuharjoituksia on 10, joista järjestyksessä 1. (4.3.2018) ja 2. (8.3.2018) ovat laskutupia, joissa on mahdollista saada apua kurssiassistentilta 1. harjoitustyön ratkaisemiseen.  Toinen harjoitustyö tulee kurssin loppupäässä, ja järjestyksessä viimeinen eli 10. laskari (13.5), on laskutupa, jossa on mahdollista saada apua kurssiassistentilta harjoitustyön tekemieen.  Molemmat harjoitustyöt ovat MATLAB painotteisia. Harjoitustyöt tukevat oppimistavoitteiden  5-7 saavuttamista. Kurssin osaamistavoitteiden 5 ja 6 saavuttamista tuetaan myös kurssin aikana mm. MATLAB harjoituksilla sekä kurssimonisteessa ja luennoilla esitettävillä MATLAB demoilla. Tavallisia laskuharjoituksia on siis yhteensä 7, ja jokaisessa laskuharjoituksessa on noin 4-5 tehtävää, joista 1-2 tehtävää ovat kotitehtäviä, jotka on palautettava MyCourses:in kautta. Tehtävät arvostellaan seuraavalla asteikolla:

    • 2p:täysin oikein tai lähes oikein (eli saa olla pieni, mutta ei merkittävä virhe tai puute laskussa/tehtävässä)
    • 1p: melkein oikein tai selvästi väärin laskettu
    • 0p: et ole tehnyt tehtävää tai vastaus on täysin väärin. 

    Lisäksi on mahdollista saada bonuspisteitä osallistumalla laskareihin ja luentoihin aktiivisesti. Jos olet poissa luennoilta kaksi kertaa ja  laskareilta kaksi kertaa, on silti mahdollista saada maksimi bonuspisteet (+15%).