EQ2400 Adaptiv signalbehandling 6,0 hp

Adaptive Signal Processing

OBS!

Detta är en nedlagd kurs.

This course treats adaptive signal processing algorithms for extracting relevant information from noisy signals. The emphasis is on recursive, model based estimation methods for time-varying systems. Applications in, for example, communications, control and medicine are treated.

Fundamentals for adaptive systems; mean-square estimation, Wiener filters. Introduction to adaptive structures and the least squares method. State space models. Kalman filters. Search techniques: Gradient and Newton methods. LMS (least mean squares), RLS (recursive least squares). Analysis of adaptive algorithms: Learning curve, convergence, stability, excess mean square error, mis-adjustment. Generalizations of LMS and RLS. 

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Elektroteknik
  • Betygsskala

    A, B, C, D, E, FX, F

Sista planerade examination: HT20.

Det finns inget planerat kurstillfälle.

Lärandemål

Kursen behandlar adaptiva signalbehandlingsalgoritmer för att extrahera relevant 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.

Kursens mål:

Efter kursen förväntas 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.
  • Använda en kombination av teori och mjukvara för att lösa adaptiva signalbehandlingsproblem. Speciellt:
  • Identifiera tillämpningar där man med fördel kan använda de olika (adaptiva) filterteknikerna.
  • Designa, implementera och applicera LMS, RLS och Kalman-filter 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.

Kursens huvudsakliga innehåll

Grundläggande begrepp för adaptiva system. Introduktion till adaptiva strukturer, minsta medel-kvadrat-metoden och minsta-kvadrat-metoden. Wiener-filtrering. Tillståndsmodeller. Kalman-filtret. Sökmetoder: Gradient- och Newton-metoder. LMS (least mean squares) och RLS (recursive least squares).

Analys av adaptiva metoder: Inlärningskurvan, konvergensegenskaper, stabilitet, "excess mean square error", missanpassning. Generaliseringar av LMS och RLS.

Behörighet

För fristående kursstuderande: 180hp  samt engelska B eller motsvarande

Rekommenderade förkunskaper

EQ1220 Signal Theory or  EQ1270 Stochastic Signals and Systems 
EQ2300 Digital Signalbehandling

Litteratur

Kompendium: Adaptive Signal Processing, Hjalmarsson & Ottersten, KTH-EE

Examination

  • PRO1 - Projekt, 1,0, betygsskala: P, F
  • PRO2 - Projekt, 1,0, betygsskala: P, F
  • TENA - Skriftlig tentamen, 4,0, betygsskala: A, B, C, D, E, FX, F

Krav för slutbetyg

2 projektuppgifter (PRO1, 1 hp, betyg P/F; PRO2, 1 hp, betyg P/F) utförda och rapporterade i grupper av högst 2 studenter på utsatt tid.
En skriftlig tentamen (TENA, 4 hp, betyg A-F)

Ges av

EES/Teknisk informationsvetenskap

Kontaktperson

Magnus Jansson

Examinator

Magnus Jansson <janssonm@kth.se>

Påbyggnad

EQ2430/EQ2440 Project course in signal processing and digital communications

EQ2450/2460 Seminars in Signals and Systems/Wireless Systems

Versionsinformation

Kursplan gäller från och med HT2007.
Examinationsinformation gäller från och med HT2007.