Topic outline

  • Yleistä

    Huom:  Luennot ja laskarit järjestetään lähiopetuksena.  Kurssin aloitus on 4.3.

    --------

    Tervetuloa kurssille ELEC-C5212!

    ELEC-C5212 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 pääaineessa sekä informaatioteknologian (IT) sivuaineessa.  

    Henkilökunta:

    • Prof. Esa Ollila (luennoitsija)
    • Elias Raninen (Harjoitustöiden assistentti) . 
    • Saat meihin yhteyttä e-postitse muodossa etunimi.sukunimi@aalto.fi

    Aikataulu:

    lukkari

    Esitiedot

    • MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
    • MS-A0003/4 Matriisilaskenta
    • MS-C1420 Fourier-analyysi
    • CS-A1111 Ohjelmoinnin peruskurssi Y1 tai muu vastaa Pythonin peruskurssi

    Lisäksi on eduksi, jos opiskelija on suorittanut kurssit:

    • ELEC-C5230 Digitaalisen signaalinkäsittelyn perusteet 
    • ELEC-A7200 Signaalit ja järjestelmät 
    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 Pythonia satunnaisvektoreiden ja satunnaisprosessien analyysissä.
    7. Tunnistaa useita tilastollisen signaalinkäsittelyn reaalimaailman käytännön sovelluksia. 

    Kurssimateriaali

    • Luentomoniste: Esa Ollila, "Johdatus signaalien tilastolliseen mallintamiseen", Kevät 2023.
    • Python notebooks ja data-aineistot. 
    • 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 Python-harjoitustehtävät 
    • 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.

    Sisältö (Kurssimoniste by E.O):

    • DSP basics (filters and linear systems, IIR/FIR filters, Fourier transform and z-transform),
    • Random variables/vectors 
    • Random processes (stationarity, autocorrelation, ergodicity)
    • Special random processes (ARMA, AR, MA).
    • Optimum (Wiener FIR and IIR) filters
    • Spectrum estimation (periodogram, Bartlett-Welsch method, Blackmann-Tukey method) and Wavelet analysis
    • Adaptive filters (Least Mean Squares, normalised LMS). 
    • Adaptive neural networks (if time permits)

    Arviointi:

    Tulemme noudattamaan seuraavaa arviointiasteikkoa (pieniä muutoksia voi olla luvassa 2022):

    • A1: Harjoitustyö x 2 (45%)
    • A2: Palautettavat kotitehtävät x 5 (20%)
    • A3: Tentti (35%)
    • A4: Bonuspisteet luento- ja laskariaktiivisuudesta (+5%)

    Kurssi arvioidaan tentin (40%) sekä kotitehtäväpalautusten (20%) ja kahden harjoitustyön (45%) perusteella. Tentissä on 5 kysymystä, jotka arvostellaan asteikolla 0-6p. Toinen harjoitustyö tulee kurssin loppupäässä ja ensimmäinen alkupäässä. Molemmat harjoitustyöt tehdään python:illa. Harjoitustyöt tukevat oppimistavoitteiden  5-7 saavuttamista. Kurssin osaamistavoitteiden 5 ja 6 saavuttamista tuetaan myös kurssin aikana mm. python harjoituksilla sekä kurssimonisteessa ja luennoilla esitettävillä python notebookeilla.  Jokaisessa laskuharjoituksessa on noin 4-5 tehtävää, joista 1 tehtävä on kotitehtävä, joka on palautettava MyCourses:in kautta. 

    Laskuharjoituksia on 5. Palautettavat kotitehtävät arvostellaan seuraavantyyppisellä 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 (+5%).