EQ2401 Adaptiv signalbehandling 7,5 hp
Kursen lär ut adaptiva signalbehandlingsmetoder för att extrahera information från brusiga signaler. Tyngdpunkten ligger på rekursiva modellbaserade skattningsmetoder för signaler och system vars egenskaper förändras i tiden. Tillämpningar inom exempelvis kommunikation, reglerteknik och medicin diskuteras.
Kursen ger de grundläggande begreppen för adaptiv signalbehandling. Introduktion till adaptiva strukturer, minsta medel-kvadrat-metoden och minsta-kvadrat-metoden. Wiener-filtrering. Tillståndsmodeller och optimal (Kalman-) filtrering. Stokastiska gradientmetoder, LMS (least mean squares) och RLS (recursive least squares) metoderna.
Analys av adaptiva metoder: Inlärningskurvan, konvergensegenskaper, stabilitet, "excess mean square error", missanpassning. Varianter av LMS och RLS.
Välj termin och kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursval
Gäller för kursomgång
VT 2025 Start 2025-01-14 programstuderande
Anmälningskod
60418
Innehåll och lärandemål
Kursinnehåll
Kursen lär ut adaptiva signalbehandlingsmetoder för att extrahera information från brusiga signaler. Tyngdpunkten ligger på rekursiva modellbaserade skattningsmetoder för signaler och system vars egenskaper förändras i tiden. Tillämpningar inom exempelvis kommunikation, reglerteknik och medicin diskuteras.
Kursen ger de grundläggande begreppen för adaptiv signalbehandling. Introduktion till adaptiva strukturer, minsta medel-kvadrat-metoden och minsta-kvadrat-metoden. Wiener-filtrering. Tillståndsmodeller och optimal (Kalman-) filtrering. Stokastiska gradientmetoder, LMS (least mean squares) och RLS (recursive least squares) metoderna.
Analys av adaptiva metoder: Inlärningskurvan, konvergensegenskaper, stabilitet, "excess mean square error", missanpassning. Varianter av LMS och RLS.
Lärandemål
Efter kursen ska studenten kunna:
• Utveckla och applicera optimala minsta-medel-kvadrat (minimum mean square) skattare och speciellt linjära skattare. Att förstå och beräkna deras förväntade prestanda och verifiera detta.
• Designa, implementera och applicera Wiener filter (FIR, icke-kausala, kausala) och utvärdera deras prestanda.
• Designa, implementera och applicera de olika adaptiva filterna på givna tillämpningsproblem.
• Analysera prestanda och avgöra fördelar respektive nackdelar med de olika metoderna.
• Använda den teoretiska förståelsen till att exempelvis göra felsökning då metoderna inte fungerar som förväntat.
• Rapportera lösningsgången och resultaten vid lösandet av givna problem med ovanstående filtreringsmetoder
Kurslitteratur och förberedelser
Särskild behörighet
För fristående kursstuderande: 180hp samt engelska B eller motsvarande.
Rekommenderade förkunskaper
Rekommenderade förkunskaper motsvarande: EQ1220 Signalteori eller EQ1270 Signalbehandling
EQ2300 Digital Signalbehandling
Utrustning
Kurslitteratur
Annonseras på kurshemsidan innan kursstart.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- PRO1 - Projekt 1, 1,5 hp, betygsskala: P, F
- PRO2 - Projekt 2, 1,5 hp, betygsskala: P, F
- TEN1 - Tentamen, 4,5 hp, betygsskala: A, B, C, D, E, FX, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Övriga krav för slutbetyg
2 projektuppgifter (PRO1, 1,5 hp, betyg P/F; PRO2, 1,5 hp, betyg P/F) utförda och rapporterade i grupper av högst 2 studenter på utsatt tid.
En skriftlig tentamen (TENA, 4,5 hp, betyg A-F)
Möjlighet till komplettering
Möjlighet till plussning
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.
Ytterligare information
Kursrum i Canvas
Ges av
Huvudområde
Utbildningsnivå
Påbyggnad
Övrig information
I denna kurs tillämpas EECS hederskodex, se: http://www.kth.se/eecs/utbildning/hederskodex.