Logo UAB
2020/2021

Tractament Digital del Senyal

Codi: 102687 Crèdits: 12
Titulació Tipus Curs Semestre
2500898 Enginyeria de Sistemes de Telecomunicació OB 3 1
La metodologia docent i l'avaluació proposades a la guia poden experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.

Professor/a de contacte

Nom:
José A. López Salcedo
Correu electrònic:
Jose.Salcedo@uab.cat

Utilització d'idiomes a l'assignatura

Llengua vehicular majoritària:
espanyol (spa)
Grup íntegre en anglès:
No
Grup íntegre en català:
No
Grup íntegre en espanyol:

Equip docent

Francisco Jose Fabra Cervellera
Alda Xhafa

Prerequisits

Es recomana haver cursat amb aprofitament les assignatures de Càlcul, Àlgebra, Estadística, Senyals i Sistemes Discrets i Fonaments de Comunicacions.

Objectius

Un cop cursada l'assignatura, l'alumne haurà de ser capaç de:

  • Fer servir amb facilitat l'àlgebra de vectors i matrius.
  • Operar amb sèries numèriques i processos estocàstics.
  • Manipular amb rigor diferents eines probabilístiques.
  • Estimar els paràmetres d'un model a partir de les mostres del senyal observades a la seva sortida.
  • Estimar la densitat espectral de potència d'un procés aleatori.
  • Dissenyar filtres òptims en el sentit MMSE i implementar-los de forma eficient mitjançant algorismes iteratius/adaptatius.
  • Aplicar tècniques de processament del senyal a situacions reals.

Competències

  • Actitud personal
  • Aplicar tècniques de processament de senyal determinista i estocàstic en el disseny de subsistemes de comunicacions i en l'anàlisi de dades.
  • Aprendre nous mètodes i tecnologies a partir dels coneixements bàsics i dels tecnològics, i tenir versatilitat per adaptar-se a noves situacions.
  • Fer mesures, càlculs, valoracions, taxacions, peritatges, estudis, informes, planificació de tasques i altres treballs anàlegs en l'àmbit dels sistemes de telecomunicació.
  • Hàbits de pensament.
  • Hàbits de treball personal

Resultats d'aprenentatge

  1. Adaptar els coneixements i les tècniques del tractament digital de senyal en funció de les característiques dels sistemes i els serveis de comunicació així com dels escenaris de treball, ja siguin fixos o mòbils.
  2. Adaptar-se a situacions imprevistes.
  3. Analitzar els avantatges i els inconvenients de diferents alternatives tecnològiques o d'implementació de sistemes de comunicacions des del punt de vista del tractament digital de senyal.
  4. Analitzar i especificar els paràmetres fonamentals dels subsistemes de comunicacions des del punt de vista de la transmissió, la recepció i el tractament digital de senyals.
  5. Aplicar el filtratge estadístic adaptatiu i la teoria de control en el disseny d'algoritmes dinàmics per a la codificació, el processament i la transmissió d'informació multimèdia. Aplicar el processament de senyal multicanal en el disseny de sistemes de comunicacions fixos i mòbils basats en agrupacions d'antenes.
  6. Aplicar el processament de senyal estadístic per a estimar paràmetres de sincronització en receptors digitals de comunicacions i de radionavegació.
  7. Aplicar la teoria de la detecció i la teoria de l'estimació en el disseny de receptors de comunicacions.
  8. Aprendre de manera autònoma nous coneixements relacionats amb el processament digital de senyal orientats a concebre i desenvolupar sistemes de comunicacions.
  9. Descriure els principis de funcionament dels sistemes de radionavegació, la seva arquitectura i les tècniques per combatre les seves fonts d'error.
  10. Desenvolupar el pensament científic.
  11. Desenvolupar estratègies d'aprenentatge autònom.
  12. Desenvolupar la capacitat d'anàlisi i de síntesi.
  13. Desenvolupar la curiositat i la creativitat.
  14. Desenvolupar models matemàtics per simular el comportament de subsistemes de comunicacions i per avaluar-ne i predir-ne les prestacions.
  15. Desenvolupar un pensament i un raonament crítics.
  16. Generar propostes innovadores i competitives en l'activitat professional.
  17. Gestionar el temps i els recursos disponibles.
  18. Gestionar la informació incorporant de manera crítica les innovacions del propi camp professional, i analitzar les tendències de futur.
  19. Proposar solucions innovadores per a problemes relacionats amb la transmissió, la recepció i el tractament digital de senyals.
  20. Ser capaç d'analitzar, codificar, processar i transmetre informació multimèdia emprant tècniques de processament analògic i digital de senyal.
  21. Treballar en entorns complexos o incerts i amb recursos limitats.

Continguts

1. Introducció

  • Processos aleatoris discrets, representació freqüencial.
  • Fonaments d'àlgebra matricial.
  • La matriu d'autocorrelació.

2. Teoria de l'estimació

  • Fonaments i metodologia orientada a model.
  • Aproximació clàssica vs. bayesiana.
  • Propietats desitjables dels estimadors. Criteri MVU.
  • Estimació de màxima versemblança (criteri ML).
  • Cota de Cramér-Rao.
  • Mètodes subòptims d'estimació.

3. Filtrat de Wiener i filtrat adaptatiu

  • Estimació minimum mean square error (MMSE).
  • Predicció lineal.
  • Mètode d'steepest descent.
  • Condicions de convergència.
  • Mètode de Least Mean Square (LMS).

4. Estimació espectral

  • Mètodes no-paramètrics.
  • Mètode de Capon o mínima variança.
  • Mètodes paramètrics.
  • Mètodes de super-resolució.

Metodologia

La docència de l'assignatura es durà a terme en la seva totalitat de forma online a través de Teams.

Activitats dirigides:

  • Classes de teoria: exposició dels continguts teòrics
  • Classes de problemes: resolució de problemes relacionats amb la teoria, amb participació dels propis alumnes.
  • Pràctiques de laboratori: aplicació de les tècniques presentades a les classes de teoria mitjançant exercicis amb Matlab.
  • Realització de proves d'avaluació.


Activitats autònomes

  • Estudi dels continguts teòrics i pràctics de l'assignatura. Preparació dels problemes. Preparació dels exàmens.
  • Treballs pràctics: realització i aprofundiment de les pràctiques de laboratori. Preparació de la memòria de cada pràctica.

Activitats formatives

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classes de laboratori 25 1 3, 4, 5, 6, 7, 9, 11, 14, 20
Classes de problemes 15 0,6 1, 3, 4, 5, 6, 7, 8, 9, 10, 12, 14, 15, 19, 20
Classes de teoria 60 2,4 3, 4, 5, 6, 7, 9, 10, 12, 13, 14, 20
Tipus: Supervisades      
Tutories 15 0,6 5, 6, 7, 9, 15, 20
Tipus: Autònomes      
Estudi 100 4 1, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 15, 18, 19, 20
Preparació classes laboratori 30 1,2 1, 3, 4, 8, 11, 12, 14, 15, 16, 18, 19
Resolució de problemes 40 1,6 1, 3, 4, 5, 6, 7, 8, 9, 10, 12, 14, 15, 19, 20

Avaluació

Avaluació continuada

Consta d'un examen a meitat de semestre (Examen1) i un altre examen al final de semestre (Examen2). La nota promig d'aquests dos exàmens configura la nota de teoria d'avaluació continuada:

NotaTeoriaAC = (Nota Examen1 + Nota Examen2) / 2

A partir d'aquesta nota de teoria d'avaluació continuada, la nota final de l'assignatura es calcula segons:

Si NotaTeoriaAC >= 4 --> NotaFinal = (0.7 x NotaTeoriaAC) + (0.13 x NotaInformesPràctiques) + (0.13 x NotaInformes "in-situ") + (0.04 x NotaExamenLaboratori)

Si NotaTeoriaAC < 4 --> NotaFinal = NotaTeoriaAC

Per tant, cal que l'estudiant tregui una nota de teoria igual o superior a 4 per a poder fer promig amb les notes de laboratori.

 

Recuperació

Per accedir a la recuperació caldrà que l'estudiant s'hagi presentat als dos exàmens d'avaluació continuada i que la nota mitja de teoria d'avaluació continuada sigui NotaTeoriaAC >= 2.5.

Si es compleix aquesta condició, l'estudiant podrà presentar-se a l'examen de recuperació que es durà a terme dintre del període d'exàmens publicat per l'Escola. A aquest examen, l'estudiant podrà recuperar la part corresponent a l'Examen1, la part corresponent a l'Examen2, o totes dues alhora. La nota que s'obtingui a cada part de l'examen de recuperació (nota ExamenRecup1, nota ExamenRecup2) substituirà la nota que tingués l'estudiant a l'examen d'avaluació continuada corresponent. La nota de teoria recuperada es calcularà doncs segons:

NotaTeoriaRecup = (Nota {Examen1 o ExamenRecup1} + Nota {Examen2 o ExamenRecup2}) / 2

La nota final de l'assignatura es calcularà segons:

Si NotaTeoriaRecup >= 4 --> NotaFinal (0.7 x NotaTeoriaRecup) + (0.13 x NotaInformesPràctiques) + (0.13 x NotaInformes "in-situ") + (0.04 x NotaExamenLaboratori)

Si NotaTeoriaRecup < 4 --> NotaFinal = NotaTeoriaRecup

 

Normativa de pràctiques

  • L'assistència a totes les pràctiques de laboratori és obligatòria.
  • Les pràctiques es duran a terme de forma individual.
  • L'estudi previ té caràcter individual i cada alumne l'haurà de lliurar abans de l'inici de cada pràctica o sessió de pràctica.
  • L'informe de cada pràctica s'haurà d'entregar obligatòriament en el termini d'una setmana des de la finalització de la darrera sessió de la pràctica. Qualsevol retard en l'entrega dels informes es veurà penalitzat en la nota del mateix.
  • Sense perjudici d'aquest informe que s'haurà d'entregar a posteriori, el professor de pràctiques sol·licitarà als alumnes que entreguin una versió preliminar d'aquest informe tot just acabar el laboratori (informe "in situ"), per tal d'avaluar el progrés real i l'aprofitament de la sessió.

 

Alumnes repetidors

Si en cursos passats van aprovar la part de laboratori de l'assignatura, se'ls hi mantindrà la mateixa nota i no caldrà que tornin a repetir el laboratori. Si algun alumne repetidor vol tornar a fer les pràctiques, caldrà que ho informi explícitament al professor responsable. En cas contrari, no cal informar al professor doncs la opció de mantindre la nota es pressuposa per defecte.

 

Consideració de "No Avaluable"

Els alumnes que no es presentin a cap dels exàmens (ni els dos exàmens d'avaluació continuada ni tampoc al de recuperació) tindran la consideració de "No Avaluable".

 

Consideracions addicionals

Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa vigent, es qualificaran amb un zero les irregularitats comeses per l'estudiant que puguin conduir a una variació de la qualificació d'un acte d'avaluació. Per tant, copiar o deixar copiar una pràctica o qualsevol altra activitat d'avaluació implicarà suspendre aquesta pràctica o activitat d'avaluació amb un 0 i no es podrà recuperar en el mateix curs acadèmic. Si aquesta activitat té una nota mínima associada, aleshores l'assignatura quedarà suspesa.

Si l'estudiant reincideix i comet irregularitats a diversos actes d'avaluació de l'assignatura, l'assignatura quedarà suspesa amb una nota final de 0 en virtut del punt 10 de l'article 116 de la Normativa Acadèmica.

Activitats d'avaluació

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen 1 35% 2,5 0,1 1, 3, 4, 5, 6, 7, 8, 9, 12, 14, 18, 19, 20
Examen 2 35% 2,5 0,1 1, 2, 3, 4, 5, 6, 7, 8, 9, 12, 14, 18, 19, 20
Laboratori: examen de coneixements pràctics 4% 1 0,04 1, 3, 4
Laboratori: informes "in-situ" 13% 4 0,16 3, 8, 10, 11, 12, 13, 14, 15, 16, 18, 19, 21
Laboratori: informes pràctiques 13% 5 0,2 1, 3, 4, 5, 7, 8, 10, 11, 12, 13, 15, 17, 19, 20

Bibliografia

Bibliografia bàsica:

  • S. M. Kay, Fundamentals of statistical signal processing. Estimation theory, vol. I, Prentice-Hall, 1993. (temes 1 i 2)
  • S. Haykin, Adaptive filter theory, Pearson, 2014. (tema 3)
  • B. Widrow and S. D. Stearns, Adaptive signal processing, Prentice-Hall, 2985. (tema 3)
  • P. Stoica and R. Moses, Spectral analysis of signals, Prentice-Hall, 2005. (tema 4)


Bibliografia complementària:

  • M. H. Hayes, Statistical digital signal processing and modeling, John Wiley and Sons, 1996.
  • S. Lawrence Marple, Digital spectral analysis, Dover Publications, 2019. (tema 4)
  • D. G. Manolakis, V. K. Ingle, S. M. Kogen, Statistical and adaptive signal processing: spectral estimation, signal modeling, adaptive filtering and array processing, Artech-House, 2005.
  • Fonaments previs:
    • J. G. Proakis and D. G. Manolakis, Digital signal processing: principles, algorithms and applications, Prentice-Hall, 1996.
    • A.V. Oppenheim, R.W. Schafer and J.R. Buck, Discrete-time signal processing, Prentice-Hall, 1999.
  • Àlgebra matricial:
    • J. R. Magnus, H. Neudecker, Matrix differential calculus with applications in statistics and econometrics, John-Wiley and Sons, 1999.
    • R. A. Horn, C. R. Johnson, Matrix analysis, Cambridge University Press, 1985.