EP2700 Principer för trådlösa sensornätverk 7,5 hp
Trådlösa sensornätverk (WSN) är den väsentliga infrastrukturen för Internet of Things. WSNs är nätverk av trådlösa noder utrustade med olika sensorer för en mängd applikationer, såsom kroppsövervakning, autonoma fordon, hälsovård, industriell automation eller smarta nät. Kursens fokus ligger på kommunikations- och dataanalysprotokoll och algoritmer för nätverk, signalbehandling och maskininlärning i WSN. Kursen presenterar de grundläggande design- och prestandaanalysmetoderna för nätverk och maskininlärning av WSN:er.
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
HT 2024 Start 2024-08-26 programstuderande
Anmälningskod
50487
Innehåll och lärandemål
Kursinnehåll
Kursen fokuserar på trådlösa nätverk och maskininlärningsmetoder för trådlösa Internet of Things (IoT). Kursen börjar med en introduktion av tillämpningar av trådlösa IoT. Därefter behandlas metoder för trådlösa kommunikationsprotokoll, med tonvikt på analytisk prestandaanalys. I kursen analyseras maskininlärningsalgoritmer som kan köras på trådlösa IoT-system, där data och beräkningar distribueras. Samspelet mellan trådlöst nätverk och maskininlärning analyseras utifrån teoretiska metoder.
Lärandemål
Efter godkänd kurs ska studenten kunna
- redogöra för de centrala trådlösa nätverksprotokollen för IoT-systemdesign
- redogöra för centrala maskininlärningsmetoder för trådlösa IoT-system
- designa maskininlärningsmetoder för trådlösa IoT-system
- teoretiskt karakterisera prestanda för trådlösa kommunikationsprotokoll och maskininlärningsmetoder med distribuerade datamängder
i syfte att
- förstå och förklara vilka designmöjligheter som finns för ett specifikt trådlöst kommunikationssystem
- förstå och förklara vilka designalternativ som finns för en specifik maskininlärningsalgoritm med distribuerade datamängder
- kunna ge argument för vilken typ av prestanda som bör prioriteras vid design av trådlösa IoT-system och maskininlärningsmetoder
- förstå och förklara designalternativ för maskininlärning för specifika datamängder distribuerade över ett trådlösa IoT-system.
Kurslitteratur och förberedelser
Särskild behörighet
- Kunskaper i envariabelanalys, 6 hp, motsvarande slutförd kurs SF1625/SF1673/SF1685.
- Kunskaper i datorkommunikation, 6 hp, motsvarande slutförd kurs IK1203/EP1100.
- Kunskaper i sannolikhetsteori, 6 hp, motsvarande slutförd kurs SF1900-SF1935.
- Kunskaper i signaler och system, 6 hp, motsvarande slutförd kurs EQ1110/EQ1120.
- Gymnasiekursen Engelska B/6.
Rekommenderade förkunskaper
Utrustning
Kurslitteratur
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- INL1 - Inlämningsuppgift, 1,0 hp, betygsskala: P, F
- INL2 - Inlämningsuppgift, 1,0 hp, betygsskala: P, F
- INL3 - Inlämningsuppgift, 1,0 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.
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
Kontaktperson
Övrig information
I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex.