Programmi degli insegnamenti

 
Seleziona l'Anno Accademico:    2012/20132013/20142014/20152015/20162016/20172017/2018

IN/0113 - FILTRI ANALOGICI E DIGITALI

Anno Accademico 2017/2018

Docente
AUGUSTO MONTISCI (Tit.)
Periodo
Secondo Semestre 
Modalità d'Erogazione
Convenzionale 
Lingua Insegnamento
 



Informazioni aggiuntive

CorsoPercorsoCFUDurata(h)
[70/82]  INGEGNERIA ELETTRICA [82/00 - Ord. 2010]  PERCORSO COMUNE660
Obiettivi

L'obiettivo del modulo è l'acquisizione da parte dello studente di strumenti per il trattamento dei segnali sia analogici sia digitali, con l'obiettivo di sviluppare procedure per il progetto ottimo o l'identificazione di sistemi di interesse per l'ingegneria. In particolare, al termine del modulo, lo studente, a partire da una base di dati dei segnali che descrivono un sistema e fissato un obiettivo, che riguarda il progetto o l'identificazione parametrica del sistema stesso, sarà in grado di predisporre una catena di blocchi di elaborazione del segnale in grado di produrre il risultato atteso.
Le metodologie trattate nel corso fanno riferimento a problemi ingegneristici dove la base di conoscenza è costituita solo da dati sperimentali o derivanti da simulazioni numeriche, mentre non si dispone in generale di un modello analitico del problema. Il processo di sintesi del sistema consiste quindi nella caratterizzazione della base di dati a disposizione, nella scelta delle tecniche più idonee da combinare per il trattamento dei dati a disposizione, nell’implementazione del catena di elaborazione dei dati e infine nell’interpretazione e generalizzazione dei risultati.
Una particolare attenzione è dedicata al problema della predizione del comportamento di sistemi dinamici, con possibili applicazioni in campo economico, ingegneristico e nella gestione delle risorse naturali. Il fine ultimo del corso è quello di permettere allo studente, attraverso la conoscenza delle tecniche di trattamento dei segnali e grazie all’analisi di un consistente numero di casi studio, di affrontare autonomamente problemi reali.
Infine, lo studente acquisisce la capacità di presentare il proprio lavoro attraverso la redazione di una relazione e la presentazione orale.

Prerequisiti

E' richiesta la conoscenza delle basi di matematica impartite nei corsi del primo anno, in particolare gli argomenti riguardanti l'algebra matriciale, lo studio di funzione, la ricerca dei punti di massimo e di minimo. Si assume inoltre la conoscenza della teoria dei circuiti.

Contenuti

Sistemi Adattativi,Classificazione e regressione,
Reti Neurali Artificiali: MLP e Support Vector Machines, Reti di Kohonen, Reti neurali dinamiche,
La trasformata Z, Funzione di trasferimento e risposta in frequenza di sistemi digitali. Filtri digitali: filtri FIR e IIR. Tecniche di progettazione di filtri digitali.

Metodi Didattici

Le lezioni del corso si articolano in tre lezioni per settimana di due ore ciascuna. Due di dette lezioni sono dedicate alla didattica frontale, mentre una è dedicata alle esercitazioni. Queste ultime vertono inizialmente sull'uso dell'ambiente Matlab e del toolbox sulle Reti Neurali Artificiali, per poi procedere all'analisi di problemi di benchmark tratti dalla letteratura scientifica.

Verifica dell'apprendimento

La prova finale dell'esame prevede due parti. La prima consiste nello svolgimento di un breve lavoro di ricerca proposto dallo studente nel quale si affronta una problematica attraverso le tecniche apprese durante il corso. Lo studente redige una tesina in lingua Inglese nella quale descrive il lavoro svolto che poi viene esposto in sede d'esame mediante una presentazione. Nella valutazione del lavoro si tiene conto dell'autonomia dello studente nel condurre la ricerca, in particolare per quanto riguarda la raccolta dei dati di riferimento, la scelta e l'uso delle tecniche, nonché la chiarezza espositiva. La presentazione può essere effettuata sia in lingua Inglese sia in Italiano.
La seconda parte dell'esame consiste nella sintesi di un semplice filtro digitale partendo dalle specifiche di progetto. Per questa seconda parte si valuta la padronanza della tecnica la chiarezza dell'esposizione.

Testi

Principe, José C.; Euliano, Neil R.; Lefebvre, W. Curt
"Neural and Adaptive Systems: Fundamentals through Simulations" Wiley
Simon Haykin "Neural Networks: A Comprehensive Foundation" Prentice Hall
Simon S. Haykin, "Adaptive filter theory" Prentice Hall

Altre Informazioni

Materiale Didattico a disposizione dello studente:
1) Slides delle lezioni
2) Esercitazioni guidate sull'uso del toolbox di reti neurali nell'ambiente Matlab
3) Raccolta delle tesine e relative presentazioni in formato powerpoint dei lavori finali svolti negli anni precedenti.

credits unica.it | accessibilità Università degli Studi di Cagliari
C.F.: 80019600925 - P.I.: 00443370929
note legali | privacy

Nascondi la toolbar