Sviluppare una solida conoscenza pratica degli algoritmi di elaborazione del segnale per la modellazione di segnali a tempo discreto, la progettazione di filtri digitali ottimali, la stima dello spettro di potenza di un segnale casuale e la progettazione e implementazione di filtri adattativi lineari e non lineari.
Capacità di implementare gli algoritmi studiati in applicazioni Matlab standalone e orientate all'hardware.
Prerequisiti
Fondamenti di elaborazione di segnali analogici, analisi spettrale e filtraggio.
Metodi didattici
Il corso si basa su lezioni, casi di studio ed esempi di progetti, con l'obiettivo di descrivere applicazioni dell'elaborazione statistica dei segnali a progetti di utilità pratica.
Lezioni (ore/anno in aula): 45
Verifica Apprendimento
L'esame finale è una prova orale volta a valutare la conoscenza dello studente attraverso quattro/cinque domande, partendo da un argomento scelto dal candidato e coprendo la maggior parte del programma del corso.
In alternativa all'esame orale, può essere presentato un progetto, il cui argomento deve essere definito insieme al docente del corso, che può includere: analisi e comprensione dei riferimenti bibliografici, descrizione delle architetture del sistema in esame, parti del progetto possibilmente implementate in Matlab o tramite altri strumenti utilizzati in classe.
In entrambi i casi, si valuterà l'abilità di comprendere i principi fondamentali della materia e di applicare le tecniche acquisite a casi di studio concreti.
Il punteggio minimo per superare l'esame è 18, il punteggio massimo è 30 e lode.
Testi
Monson H. Hayes: Statistical Digital Signal Processing and Modeling. John Wiley & Sons Inc.
Simon Haykin: Adaptive Filter Theory, Pearson.
Simon Haykin: Neural Networks and Learning Machines, Pearson.
Contenuti
Introduzione alla teoria dei segnali a tempo discreto.
Segnali a tempo discreto, teorema di campionamento, sistemi digitali lineari tempo-invarianti.
Analisi dei sistemi digitali nei domini della trasformata di Fourier e Z.
Processi casuali a tempo discreto.
Filtraggio digitale di segnali deterministici e stocastici.
Modellazione di segnali deterministici e stocastici, stima dello spettro.
Filtro di Wiener: predizione lineare, filtraggio del rumore bianco, cancellazione di segnali indesiderati.
Filtraggio adattativo lineare e non lineare: algoritmi LMS, RLS e di Kalman, reti neurali.
Esempi applicativi in Matlab e piattaforme hardware programmabili: la maggior parte degli argomenti del corso saranno applicati all'esempio di un ricetrasmettitore wireless digitale completo.
