Bi0440 Lineární a adaptivní zpracování dat

Přírodovědecká fakulta
podzim 2011
Rozsah
2/1. 3 kr. (příf plus uk plus > 4). Ukončení: zk.
Vyučující
doc. Ing. Daniel Schwarz, Ph.D. (přednášející)
Garance
prof. RNDr. Ladislav Dušek, Ph.D.
RECETOX – Přírodovědecká fakulta
Kontaktní osoba: doc. Ing. Daniel Schwarz, Ph.D.
Rozvrh
Út 13:00–14:50 F01B1/709
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Množství dat, která reprezentují procesy, projevy a činnosti živých systémů, narůstá spolu s rapidním vývojem digitálních technologií, jež nám tato data umožňují pořizovat, přenášet a ukládat. Zvyšuje se tak i význam metod z oblasti digitálního zpracování a analýzy signálů, jejichž cílem je zvýrazňování signálů v šumu nebo transformace naměřených dat tak, aby mohly být objeveny jejich skryté vlastnosti. V dané oblasti tento předmět vysvětluje lineární a adaptivní techniky zpracování dat. Na konci tohoto kurzu bude student schopen porozumět a vysvětlit metody pro lineární a adpativní zpracování a analýzu signálů. Student bude schopen navrhnout a použít vlastní lineární systém pro potlačování šumu a zkreslení v naměřených datech;
Osnova
  • P1. Úvod: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY. Signály, časové řady, posloupnosti, data. Klasifikace signálů, vlastnosti. Vzorkovací věta, aliasing – zatím jako dogma. Kvantování. Definice, struktura systému. Příklady systémů vlastnosti: kauzalita, časová invariantnost, linearita. Princip superpozice. Cvičení: 1) poměr signálu ke kvantizačnímu šumu v závislosti na počtu kvantovacích hladin 2) demonstrace aliasingu – 1-D (zvuk), 2-D (obraz).

  • P2: SYSTÉMY A JEJICH POPIS V ČASOVÉ A FREKVENČNÍ DOMÉNĚ. LTI systémy. Popis LTI systému v časové oblasti. Odvození konvoluce a impulsní charakteristiky. Fourierovy řady v komplexním tvaru. Eulerovy vztahy. Vlastnosti FŘ: Parcevalův teorém, Konvoluční teorém. Fourierova řada diskrétního signálu = Fourierova transformace s diskrétním časem (DTFT). Odezva systému na harmonický signál, frekvenční charakteristika. Cvičení: Cvičení: 1) realizace vlastní funkce pro konvoluci. 2) Hranový detektor pro detekci bodů zlomu v časové řadě. 3) výpočet frekvenční charakteristiky systému z jeho diferenční rovnice (Eulerovy vztahy). 4) demonstrace aliasingu.

  • P3. LINEÁRNÍ FILTRACE I: Princip filtrování, idealizované filtry. Normovaný kmitočet, normovaná frekvence. Vazby mezi systémy – komutativita, asociativita, distributivita operátoru konvoluce. Vztahy mezi FŘ, DTFT, DFT, FT. Vzorkování, překrývání spekter. Popis diskrétní soustavy se Z transformací, přenosová funkce systému. Vztah přenosové funkce a frekvenční charakteristiky. Nuly, póly. Odhad tvaru frekvenční charakteristiky z rozložení nul a pólů přenosové funkce sytému. Dvě kritéria stability systému. Diferenční rovnice obecného LTI systému a její realizace (přímá, kaskádní atd.). Cvičení: 1) vyjádření přenosové funkce systému z jeho diferenční rovnice. Rozložení nulových bodů a pólů, určení stability a vykreslení frekvenční charakteristiky z přenosové funkce systému.

  • P4. LINEÁRNÍ FILTRACE II:. FIR systémy s konečnou impulsní charakteristikou, IIR systémy s nekonečnou impulsní charakteristikou. Skupinové zpoždění. Terminologie: IIR, FIR, AR, MA, ARMA. Cvičení: 1) Návrh FIR filtru metodou vzorkování frekvenční charakteristiky na odstranění rušivých složek v časové řadě reprezentující sběr údajů o koncentraci toxické látky v říčním toku. 2) Návrh IIR filtru na základě podobnosti s analogovým filtrem.

  • P5. KUMULAČNÍ ZVÝRAZŇOVÁNÍ SIGNÁLŮ V ŠUMU I. Repetiční signál, podmínky vymizení šumu, princip kumulačních technik, odvození zlepšení SNR pro kumulační techniky obecně, vliv korelace mezi realizacemi šumu v jednotlivých repeticích. Kumulační technika s pevným oknem. Cvičení: výpočet zlepšení SNR, grafické znázornění dynamických vlastností kumulace s pevným oknem. Doplnit příklad: Najděte v předloženém signálu začátky repetic a repetice zprůměrujte.

  • P6. KUMULAČNÍ ZVÝRAZŇOVÁNÍ SIGNÁLŮ V ŠUMU II. Kumulace s klouzavým oknem, exponenciální kumulace. Cvičení: Odhalení tvar repetice pomocí kumulace - různé metody. Grafické srovnání dynamických vlastností exponenciální kumulace a rovnoměrné kumulace s klouzavým oknem.

  • P7. NÁHODNÉ PROCESY A MODELY ČASOVÝ ŘAD I. Aditivní model vzniku časové řady. Stacionarita - odstranění trendu odečtením proloženého polynomu nebo diferencováním. Sezónnost – autokorelační funkce časové řady, spektrum signálu. Exponenciální vyhlazování a predikce. Cvičení: generátor časové řady se sezónní složkou a náhodnou složku. Exponenciální predikce s horizontem 1.

  • P8. NÁHODNÉ PROCESY A MODELY ČASOVÝ ŘAD II. Modely časových řad: AR, MA, ARMA, ARIMA, bílý šum. Posouzení kvality předpovídání. Analýza residuí – validace modelu. Cvičení: modelování trendu, sezónnosti a náhodné složky časové řady z měření koncentrace CO2 v ovzduší.

  • P9. ADAPTIVNÍ FILTRACE A PREDIKCE I. Pojmy identifikace systémů a predikce. Predikční filtr, minimalizace střední kvadratické odchylky. Odvození normálních rovnic, řešení lineární algebrou, a tedy optimální filtrace. Cvičení: predikce signálu s lineárním trendem, sezónní složkou a barevným šumem generovaným stacionárním AR(2) procesem, posouzení kvality předpovídání (System Identification Toolbox).

  • P10. ADAPTIVNÍ FILTRACE A PREDIKCE II. Řešení normálních rovnic metodou nejstrmějšího sestupu, LMS algoritmus – predikční filtr se stochastickým gradientem. Cvičení: 1) predikce signálu generovaného AR(2) procesem - ilustrace konvergenčních vlastností LMS algoritmu. 2) - ilustrace schopnosti LMS filtru predikovat nestacionární signály.

  • P11. ADAPTIVNÍ FILTRACE A PREDIKCE III. Aplikace adaptivní filtrace pospolu: lineární predikce, identifikace systémů, odstranění šumu z pozorované časové řady. RLS algoritmus. Cvičení: ilustrace schopností RLS algoritmu predikovat časové řady generované stacionárním a nestacionárním náhodným procesem, srovnání s LMS

  • P12. METODY NELINEÁRNÍ FILTRACE PRO VYHLAZOVÁNÍ ČASOVÝCH ŘAD. Mediánový filtr. Savitzky-Golay filtrace. Cvičení: odstranění impulsního rušení ze signálů z měření perfuze krve. Výpočet derivace časové řady – analytické řešení místo diferencí.

Literatura
  • DEVASAHAYAM, Suresh R. Signals and systems in biomedical engineering : signal processing and physiological systems modeling. 1st ed. New York: Kluwer Academic/Plenum Publishers, 2000, xvi, 337. ISBN 0306463911. info
  • DRONGELEN, Wim van. Signal processing for neuroscientists : introduction to the analysis of physiological signals. Amsterdam: Academic Press, 2007, ix, 308. ISBN 9780123708670. info
  • SAYED, Ali H. Fundamentals of adaptive filtering. New York: Wiley-IEEE Press, 2003, wwwvii, 11. ISBN 0471461261. info
Výukové metody
teoretická příprava kombinována s počítačovým procvičováním s využitím matematického prostředí Matlab.
Metody hodnocení
ústní zkouška
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Předmět je zařazen také v obdobích jaro 2008 - akreditace, podzim 2010 - akreditace, jaro 2006, jaro 2007, jaro 2008, jaro 2009, podzim 2009, podzim 2010, podzim 2011 - akreditace, podzim 2012, podzim 2013, podzim 2014, podzim 2015, podzim 2016, podzim 2017, podzim 2018, podzim 2019, podzim 2020, podzim 2021.