Osion kuvaus

  • Yleistä

    Tervetuloa kurssille ELEC-C5213!

    ELEC-C5213 on hyödyllinen kurssi kaikille, jotka haluavat tutusta tilastolliseen signaalinkäsittelyyn ja mallintamiseen. 

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

    Henkilökunta:

    • Prof. Esa Ollila (luennoitsija)
    • Alexander Westergård (assistentti) 
    Aikataulu
    schedule

    Esitiedot

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

    Lisäksi on eduksi, jos opiskelija on suorittanut kurssit:

    • ELEC-C5230 Digitaalisen signaalinkäsittelyn perusteet 
    • ELEC-A7200 Signaalit ja järjestelmät 


    Zulip kurssikanava

    Zulip kurssikanava on https://stm2023.zulip.aalto.fi/ 

    Kanavalla voit esittää kysymyksiä harjoitustöistä ja tehtävävistä. Huom:  sinun pitää liittyä kanavaan!


    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:

    • Kurssimoniste ja kalvot
    • Jupyter notebooks 
    • 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. 
    • Laskuharjoitustehtävät x 3
    • Luento-aktiviteettitehtävät (helpot tietokilpailut tai presemo-feedbackit) 
    • Harjoitustyöt 1-3
    • 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 (linear systems, IIR/FIR filters, Fourier transform and z-transform),
    • Random variables/vectors 
    • Random processes (stationarity, autocorrelation, ergodicity)
    • Special random processes (ARMA, AR, MA).
    • Spectrum estimation (periodogram, Bartlett-Welsch method, Blackmann-Tukey method) 
    • Optimum (Wiener FIR and IIR) filters
    • Adaptive filters (Least Mean Squares, normalised LMS). 
    • Adaptive neural networks (if time permits)


    Arviointi:

    Tulemme noudattamaan seuraavaa arviointiasteikkoa.

    • Harjoitustyöt 80% eli HT1 (20%), HT 2 (30%), HT 3 (30%)
    • Tentti (20%)
    • Bonuspisteet luento- ja laskariaktiivisuudesta (+5%)


    Harjoitustöiden deadllinet:

    • HT1 : deadline Su 19.3 klo 20:00. HT1 julkaistaan 3.3. myCo:ssa.
    • HT2: deadline Su 30.4 klo 20:00. HT2 julkaistaan 24.3 myCo:ssa.
    • HT3: deadline Su 28.5 klo 20:00. HT3 julkaistaan 28.4 myCo:ssa.