00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

آموزش رایگان مبانی آشکارسازی و تخمین دیجیتالی

دوره‌های رایگان
29 جلسه
86٪ (29 رای)

آموزش رایگان مبانی آشکارسازی و تخمین دیجیتالی

زمینه‌ی مبانی آشکارسازی و تخمین دیجیتال ترکیبی از تکنیک‌های کلاسیک استنباط آماری و توصیف فرایندهای تصادفی در مخابرات، رادار، سونار و سایر سیستم‌های مدرن پردازش داده است. دو زمینه‌ی اصلی در استنباط آماری، تئوری تخمین و تئوری آشکارسازی هستند. در تئوری تخمین، خروجی به مقدار یک یا چند پارامتر موردنظر مرتبط است و ما می‌خواهیم این پارامترها را تخمین بزنیم. تئوری تخمین، قلب بسیاری از سیستم‌های پردازش الکترونیکی سیگنال‌ها برای استخراج اطلاعات است.

این دو زمینه کاربردهای بسیاری در رادار، سونار، گفتار، پردازش تصویر، مهندسی پزشکی، مخابرات، کنترل و لرزه‌نگاری دارند، به‌عنوان مثال در پردازش تصویر، تخمین مکان و جهت‌گیری اشیاء از یک عکس دوربین؛ در مهندسی پزشکی، تخمین ضربان قلب یک جنین؛ در مخابرات، تخمین فرکانس حامل یک سیگنال برای دی‌مدوله کردن آن؛ در لرزه‌نگاری، تخمین فاصله زیرزمینی یک مخزن نفتی بر اساس بازتاب صوت را می‌توان اشاره کرد.

تئوری آشکارسازی نیز در تمامی این زمینه‌ها جهت تصمیم‌گیری و استخراج اطلاعات نقش اساسی دارد. هدف در تمامی این زمینه‌ها، تصمیم‌گیری بر روی آن است که رخداد مورد نظر چه زمانی اتفاق می‌افتد. به‌عنوان مثال در رادار به تعیین حضور یا عدم حضور هواپیما علاقه‌مند هستیم. همچنین در سیستم‌های مخابراتی تشخیص بین ارسال بیت 0 یا بیت 1 در یک سیستم ارسال BPSK بررسی می‌شود. یا در تشخیص گفتار، می‌خواهیم تعیین نماییم از میان کلمات ممکن، چه کلمه‌ای ادا شده‌است. در مهندسی پزشکی، تشخیص حضور یک نارسایی قلبی، در یک سیستم کنترلی، تشخیص رخداد یک تغییر ناگهانی در سیستمی که بایستی کنترل شود.

***این دوره در بهار 99 ضبط شده‌است***

سرفصل‌های دوره آموزش رایگان مبانی آشکارسازی و تخمین دیجیتالی

آشکارسازی و تخمین دیجیتالی
38:20 ساعت
38:20
Combined Shape Created with Sketch. 28 جلسه
جلسه 1: پیش‌درآمد، نمای کلی درس آشکارسازی و تخمین و کاربردهای آن
"77:13
جلسه 2: معرفی انواع روش‌های تخمین
"71:56
جلسه 3: معرفی انواع تابع هزینه، تابع ریسک و محاسبه تخمین ها براساس هر معیار برای توزیع گوسی
"74:59
جلسه 4: تخمین متغیر گوسی با میانگین صفر در نویز گوسی از سه روش RMS ،Absolute Error و MAP
"40:22
جلسه 5: بررسی روش Maximum likelihood، معرفی روش‌های صحت‌سنجی تخمین و CRLB
"88:45
جلسه 6: بررسی مجدد مسئله‌ی تخمین پارامتر توزیع پواسون و بیان هر دو شکل CRLB
"65:33
جلسه 7: بررسی شرط تساوی در CRLB و توضیح موارد کاربرد هر یک از تابع‌های هزینه در موارد مختلف
"82:57
جلسه 8: بررسی روش ممان (Method Of Moments) برای تخمین و محاسبه تابع مولد ممان برای توزیع گوسی با میانگین صفر و توزیع log normal
"81:55
جلسه 9: معرفی Minimum Variance Unbiased Estimator ،Best Linear Unbiased Estimator و Fisher Information Matrix
"103:56
جلسه 10: معرفی Fisher Information Matrix و پیدا کردن FIM برای این مثال و تحلیل مقادیر درایه‌های آن
"73:34
جلسه 11: معرفی روش‌های حل معادلات (Gradient based ،simulated annealing ،Genetic Programming ،Genetic Programming)
"81:28
جلسه 12: تخمین پارامترها و نویز، معرفی آزمون فرض و همچنین معرفی و بررسی آزمون بیز
"88:59
جلسه 13: صحبت درباره‌ی DPSS، معرفی سه رویکرد در آشکارسازی (رویکرد بیزی، رویکرد کمترین احتمال خطا و رویکرد Neyman-Pearson)
"74:32
جلسه 14: معرفی احتمال هشدار کاذب، معرفی احتمال آشکارسازی و احتمال خطا، معرفی آمارگان کافی و معرفی ROC
"85:39
جلسه 15: آشکارسازی سیگنال stochastic در نویز سفید گوسی
"90:23
جلسه 16: تصویر نمودن سیگنال دریافتی روی زیرفضای سیگنال و زیرفضای نویز، معرفی متغیرتصادفی student-T و محاسبه‌ی تابع چگالی احتمال
"116:09
جلسه 18: صحبت کوتاه درباره GLRT، محاسبه باند چرنوف برای توزیع لاپلاس و معرفی روش‌های Kernel
"103:26
جلسه 19: بررسی انواع سیگنال‌های معلوم و نامعلوم نویز با واریانس معلوم و نامعلوم
"85:15
جلسه 20: معرفی (Uniformly Most Powerful Test (UMPT، معرفی (Locally Most Powerful Test (LO
"91:37
جلسه 21: بررسی امکان نمایش LLRT به‌صورت یک random walk و بررسی مسئله‌ی Kernel
"95:35
جلسه 22: بررسی حالات آزمون فرض با پارامترهای معلوم یا نامعلوم، بررسی آزمون فرض چندبعدی
"78:42
جلسه 23: بحثی جامع‌تر درباره LO و LMPUT، صحبت درباره‌ی GLRT، آشکارسازی در نویز غیرسفید
"84:39
جلسه 24: بررسی مسئله‌ی آشکارسازی سیگنال با واریانس متغیر با زمان در نویز سفید گوسی و بررسی مسئله‌ی نویز غیرگوسی (مثال لاپلاس)
"81:26
جلسه 25: بررسی خانواده stable، بررسی آشکارسازی سیگنال نامعلوم در نویز غیرگوسی
"75:56
جلسه 26: معرفی پارامترهای مزاحم Nuisance Parameter، معرفی sub-optimum detector
"82:21
جلسه 27: بررسی کامل Envelope Detector ،Square-Law Detector و همچنین بررسی Order Statistics CFAR
"98:45
جلسه 28: بررسی مسئله‌ی آشکارسازی سیگنال‌های زمان پیوسته
"88:18
جلسه 29: آشکارسازی دوتایی سیگنال با محوشوندگی متغیر با زمان
"35:57
استاد دوره
حمیدرضا امین داور حمیدرضا امین داور

دکتر حمیدرضا امین داور، استاد مهندسی برق مخابرات سیستم دانشگاه امیرکبیر هستند.

مدارک تحصیلی ایشان به شرح زیر است:

کارشناسی ریاضیات کاربردی از دانشگاه واشنگتن سال 1371

دکتری مهندسی برق از دانشگاه واشنگتن سال 1370

کارشناسی ارشد مهندسی برق از دانشگاه واشنگتن سال 1365

کارشناسی مهندسی برق از دانشگاه واشنگتن سال 1363

ایشان از سال 1372 تا 1375 عضو هیئت‌علمی دانشگاه صنعتی شریف بودند و از سال 1372 عضو هیئت‌علمی دانشگاه امیرکبیر هستند.

درباره برگزارکننده
دانشگاه صنعتی امیرکبیر دانشگاه صنعتی امیرکبیر (اطلاعات بیشتر)

نظرات  (1 نظر)

مسلم
07:41 - 1400/04/04
کاربر‌ سایت
من واقعاً از دست اندرکاران ضبط این کلاس ممنونم. کاربردی ترین و سخت ترین درس مهندسی برق با بهترین استاد ضبط کردن دمشون گرم

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

آشکارسازی و تخمین دیجیتالی
38:20 ساعت
38:20
Combined Shape Created with Sketch. 28 جلسه
جلسه 1: پیش‌درآمد، نمای کلی درس آشکارسازی و تخمین و کاربردهای آن
"77:13
جلسه 2: معرفی انواع روش‌های تخمین
"71:56
جلسه 3: معرفی انواع تابع هزینه، تابع ریسک و محاسبه تخمین ها براساس هر معیار برای توزیع گوسی
"74:59
جلسه 4: تخمین متغیر گوسی با میانگین صفر در نویز گوسی از سه روش RMS ،Absolute Error و MAP
"40:22
جلسه 5: بررسی روش Maximum likelihood، معرفی روش‌های صحت‌سنجی تخمین و CRLB
"88:45
جلسه 6: بررسی مجدد مسئله‌ی تخمین پارامتر توزیع پواسون و بیان هر دو شکل CRLB
"65:33
جلسه 7: بررسی شرط تساوی در CRLB و توضیح موارد کاربرد هر یک از تابع‌های هزینه در موارد مختلف
"82:57
جلسه 8: بررسی روش ممان (Method Of Moments) برای تخمین و محاسبه تابع مولد ممان برای توزیع گوسی با میانگین صفر و توزیع log normal
"81:55
جلسه 9: معرفی Minimum Variance Unbiased Estimator ،Best Linear Unbiased Estimator و Fisher Information Matrix
"103:56
جلسه 10: معرفی Fisher Information Matrix و پیدا کردن FIM برای این مثال و تحلیل مقادیر درایه‌های آن
"73:34
جلسه 11: معرفی روش‌های حل معادلات (Gradient based ،simulated annealing ،Genetic Programming ،Genetic Programming)
"81:28
جلسه 12: تخمین پارامترها و نویز، معرفی آزمون فرض و همچنین معرفی و بررسی آزمون بیز
"88:59
جلسه 13: صحبت درباره‌ی DPSS، معرفی سه رویکرد در آشکارسازی (رویکرد بیزی، رویکرد کمترین احتمال خطا و رویکرد Neyman-Pearson)
"74:32
جلسه 14: معرفی احتمال هشدار کاذب، معرفی احتمال آشکارسازی و احتمال خطا، معرفی آمارگان کافی و معرفی ROC
"85:39
جلسه 15: آشکارسازی سیگنال stochastic در نویز سفید گوسی
"90:23
جلسه 16: تصویر نمودن سیگنال دریافتی روی زیرفضای سیگنال و زیرفضای نویز، معرفی متغیرتصادفی student-T و محاسبه‌ی تابع چگالی احتمال
"116:09
جلسه 18: صحبت کوتاه درباره GLRT، محاسبه باند چرنوف برای توزیع لاپلاس و معرفی روش‌های Kernel
"103:26
جلسه 19: بررسی انواع سیگنال‌های معلوم و نامعلوم نویز با واریانس معلوم و نامعلوم
"85:15
جلسه 20: معرفی (Uniformly Most Powerful Test (UMPT، معرفی (Locally Most Powerful Test (LO
"91:37
جلسه 21: بررسی امکان نمایش LLRT به‌صورت یک random walk و بررسی مسئله‌ی Kernel
"95:35
جلسه 22: بررسی حالات آزمون فرض با پارامترهای معلوم یا نامعلوم، بررسی آزمون فرض چندبعدی
"78:42
جلسه 23: بحثی جامع‌تر درباره LO و LMPUT، صحبت درباره‌ی GLRT، آشکارسازی در نویز غیرسفید
"84:39
جلسه 24: بررسی مسئله‌ی آشکارسازی سیگنال با واریانس متغیر با زمان در نویز سفید گوسی و بررسی مسئله‌ی نویز غیرگوسی (مثال لاپلاس)
"81:26
جلسه 25: بررسی خانواده stable، بررسی آشکارسازی سیگنال نامعلوم در نویز غیرگوسی
"75:56
جلسه 26: معرفی پارامترهای مزاحم Nuisance Parameter، معرفی sub-optimum detector
"82:21
جلسه 27: بررسی کامل Envelope Detector ،Square-Law Detector و همچنین بررسی Order Statistics CFAR
"98:45
جلسه 28: بررسی مسئله‌ی آشکارسازی سیگنال‌های زمان پیوسته
"88:18
جلسه 29: آشکارسازی دوتایی سیگنال با محوشوندگی متغیر با زمان
"35:57