Kursplan för Signalbehandling

Signal Processing

Kursplan

  • 10 högskolepoäng
  • Kurskod: 1TE651
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Teknik A1N

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå
    G1N: har endast gymnasiala förkunskapskrav
    G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    GXX: kursens fördjupning kan inte klassificeras.

    Avancerad nivå
    A1N: har endast kurs/er på grundnivå som förkunskapskrav
    A1F: har kurs/er på avancerad nivå som förkunskapskrav
    A1E: innehåller examensarbete för magisterexamen
    A2E: innehåller examensarbete för masterexamen
    AXX: kursens fördjupning kan inte klassificeras.

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2010-03-16
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2019-02-13
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: vecka 27, 2019
  • Behörighet: 120 hp inom teknik/naturvetenskap, inklusive Signaler och system samt Sannolikhet och statistik.
  • Ansvarig institution: Institutionen för teknikvetenskaper

Mål

Efter godkänd kurs ska studenten kunna:

  • utifrån de begränsningar som ges i en praktisk problemformulering, designa frekvensselektiva digitala filter,
  • redogöra för och tolka begrepp som kovariansmatriser, auto- och korskovarians, stationära stokastiska processer och effekttäthetsspektrum,
  • konstruera och implementera optimala linjära filter såsom Kalman- och Wienerfilter, samt värdera deras tillämpbarhet, optimalitetsvillkor och begränsningar för ett givet problem,
  • konstruera och implementera metoder för parameterskattning såsom minsta kvadratmetoden, samt värdera deras begränsningar för ett givet problem,
  • konstruera och implementera adaptiva filter med adaptionsmetoder såsom LMS, RLS, samt utvärdera deras begränsningar för ett givet problem,
  • implementera estimeringsmetoderna som introduceras i kursen på en numerisk plattform såsom MATLAB och med dem utföra realtidsbehandling eller batch-behandling av dataserier.

Innehåll

Design av digitala filter. Grundläggande teori för stationära stokastiska processer. Auto- och korskovarians. Effektspektraltäthet. Optimala linjära filter. Wiener- och Kalman filter.  Least mean square (LMS).  Parameteruppskattningar. Minsta kvadrat (LS). Rekursiv minsta kvadrat (RLS).

Undervisning

Föreläsningar, gästföreläsning, inlämningsuppgifter, lektioner och projekthandledning.

Examination

Skriftlig tentamen vid kursens slut (7 hp), muntlig och skriftlig redovisning av hemuppgifter (1 hp), samt muntlig och skriftlig redovisning av projektuppgift (2 hp).

​Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en student examineras på annat sätt. Särskilda skäl kan t ex vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

Litteratur

Litteraturlista

Gäller från: vecka 01, 2019

  • Haykin, Simon S.; Prabhakar, Telagarapu Adaptive filter theory

    5. ed.: Upper Saddle River, N.J.: Pearson, cop. 2014

    Se bibliotekets söktjänst

  • Kay, Steven M. Fundamentals of statistical signal processing. : Vol. 1 Estimation theory

    Upper Saddle River, N.J.: Prentice Hall PTR, cop. 1993

    Se bibliotekets söktjänst