Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Stefano SQUARTINI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM11] INGEGNERIA ELETTRONICA (Curriculum: ELETTRONICA) Master Degree (2 years) - [IM11] ELECTRONICS ENGINEERING (Curriculum: ELETTRONICA)
Dipartimento: [040040] Dipartimento Ingegneria dell'InformazioneDepartment: [040040] Dipartimento Ingegneria dell'Informazione
Anno di corsoDegree programme year : 2 - Primo Semestre
Anno offertaAcademic year: 2018-2019
Anno regolamentoAnno regolamento: 2017-2018
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: C - Affine/Integrativa
Settore disciplinareAcademic discipline: ING-IND/31 - ELETTROTECNICA
Italiano e Inglese
Italian and English
Algebra Lineare, Elettrotecnica, Circuiti e Algoritmi per il Digital Signal Processing
Linear Algebra, Electrical Circuit Theory, Digital Signal Processing
Il corso sarà interamente tenuto dal docente di riferimento e si terrà in aula per tutte le ore previste di lezione frontale. Durante le ore di lezione saranno progressivamente affrontati sia gli aspetti teorici (54 ore) del Digital Signal Processing che quelli pratici/implementativi (18 ore).
Il docente utilizzerà delle slide durante le lezioni, slide che saranno messe a disposizione degli studenti per loro convenienza. Tali slide vanno considerate come materiale di supporto didattico e non come unico materiale di studio, per cui il riferimento rimangono i libri suggeriti.
Per quanto concerne la parte pratica del corso, saranno presi come riferimento gli ambiente di programmazione Matlab e Python. Per quanto concerne Matlab, l'Università possiede una licenza campus a disposizione degli studenti. Inoltre, nella settimana conclusiva del corso, agli studenti verrà data la possibilità di implementare algoritmi avanzati di Digital Signal Processing su schede embedded, sotto la guida del docente (6 delle 18 ore menzionate sopra).
All lectures will be taken by the reference teacher and they will take place in the assigned rooms. During the lecture, both theoretical (54 hours) and practical/implementative (18hours) issues related to the Digital Signal Processing will be addressed.
The teacher will make use of slides during the lectures. These slides will be made available to the students for their convenience, but they have to be considered as a didactic support and not as the reference studying material, represented instead by the suggested books.
Moreover, for what concerns the practical part of the course, the Matlab and Python programming environments will be taken as reference. UnivPM has a Matlab campus licence and all students can use it. In the final week of the course, the students will have the chance to implement selected advanced Digital Signal Processing algorithms for audio application on real embedded platforms, under the guidance of the teacher (6 of the 18 hours mentioned above).
Lo studente dovrà conoscere e comprendere le tecniche avanzate di Digital Signal Processing (DSP), con particolare riferimento all'analisi, sintesi ed implementazione di circuiti e algoritmi a tempo discreto adattativi, lineari e non lineari, comprese le reti neurali artificiali.
Capacità di applicare conoscenze e comprensione.
Lo studente dovrà acquisire abilità nell'applicare le tecniche studiate con particolare riferimento al campo dell'Audio Processing. Allo scopo, allo studente verrà richiesto di realizzare un progetto specifico che prevede la realizzazione di un algoritmo attraverso opportuni tool sw (sia su PC che su piattaforme Embedded).
Competenze trasversali.
Lo studente dovrà di essere in grado di progettare algoritmi DSP avanzati e di condurre indagini analitiche, attraverso l'approfondimento teorico, le simulazioni al calcolatore e sperimentazioni in laboratorio. Inoltre allo studente verrà richiesto di saper valutare criticamente i dati ottenuti, trarre conclusioni e prendere decisioni con l'obiettivo di ottimizzare le soluzioni proposte.
Knowledge and Understanding.
The student is expected to know and understand advanced Digital Signal Processing (DSP) techniques, with special focus to the analysis, synthesis and implementation of adaptive discrete-time circuits and algorithms, both linear and nonlinear, including the artificial neural networks.
Capacity to apply Knowledge and Understanding.
The student is expected to acquire the ability of applying the advanced DSP techniques discussed during the lectures in specific audio processing problems. On purpose, the student will be asked to accomplish a project targeted to the implementation of an algorithm by means of suitable SW tools (both on PC and embedded platforms).
Transversal Skills.
The student is expected to design advanced DSP algorithm and to accomplish suitable analytical studies by exploiting theoretical models, computer simulations and laboratory experiments. Moreover, the student is expected to be able to critically evaluate the data obtained from experiments and simulations, to draw conclusions and take decisions with the objective to optimize the performance of proposed solutions.
- Richiami di Teoria dei Circuiti a Tempo Discreto
- Richiami di Teoria della Stima
- Filtri FIR Ottimi e loro proprietà
- Predizione lineare e stima spettrale parametrica
- Applicazione dei Filtri ottimi in ambito Digital Audio
- Filtri FIR Adattattivi, nel dominio del tempo e della frequenza
- Filtri IIR adattativi
- Applicazioni dei Filtri adattativi in ambito Digital Audio
- Beamforming acustico, fisso e adattativo
- Introduzione all'Intelligenza Computazionale ed ai Learning Systems
- Reti Neurali Artificiali, Statiche e Dinamiche: circuiti e algoritmi di apprendimento, Deep Learning
- Applicazioni delle Reti Neurali in ambito Digital Audio
- Implementazione di algoritmi adattativi e reti neurali in ambiente MATLAB e Python
- Implementazione in tempo reale di algoritmi adattativi su Digital Signal Processors
- Review of basic DSP concepts.
- Review of Estimation Theory concepts
- Optimal FIR filters.
- Linear prediction and modern spectral analysis.
- Optimal filter relevant applications for Computational Audio Processing
- Adaptive FIR filter in both time and frequency domains.
- IIR adaptive filters.
- Adaptive filter relevant applications for Computational Audio Processing
- Fixed and Adaptive Acoustic Beamforming
- Introduction to Computational Intelligence and Learning Systems
- Static and Dynamic Neural Networks: architectures and learning algorithms, Deep Learning
- Neural Networks applications for Computational Audio Processing
- Implementation of adaptive algorithms and neural networks in MATLAB and Python
- Real-time implementation of adaptive algorithms on Digital Signal Processors
La valutazione del livello di apprendimento dello studente consiste nella presentazione di una relazione tecnica, con relativa discussione finale, relativa ad un progetto inerente i temi di Digital Signal Processing avanzato e Computational Intelligence trattati nel corso, con particolare riferimento alle applicazioni nel campo dell' Audio Processing, e da espletare per mezzo di opportuni tool SW (su PC e/o piattaforme embedded).
Il progetto viene concordato con lo studente e può anche essere svolto in gruppo, con un numero massimo di studenti pari a 2. Gli studenti possono anche proporre degli argomenti sulla base dei loro interessi: sarà cura del docente verificarne l'attinenza con i contenuti del corso, calibrarne i vari aspetti implementativi e dunque finalizzare la proposta. Dal momento in cui viene assegnato il progetto, lo studente ha sei mesi di tempo per completare il lavoro e discuterlo.
Criteri di valutazione dell'apprendimento.
Per superare l'esame con esito positivo, lo studente deve dimostrare di aver compreso i concetti teorici trattati a lezione e di saperli applicare in maniera autonoma per l'espletamento del progetto assegnato. Allo studente è anche richiesto di saper esporre in maniera chiara e sintetica l'elaborato tecnico relativo al progetto svolto.
Criteri di misurazione dell'apprendimento.
Durante l'espletamento del progetto assegnato e in fase di discussione finale dello stesso, verrà valutata l'abilità dello studente di saper applicare le metodologie e tecniche avanzate di Digital Signal Processing e Computational Intelligence studiate a lezione, in funzione degli obbiettivi realizzativi del progetto. Viene valutata la capacità dello studente di affrontare autonomamente le problematiche inerenti lo sviluppo del progetto, a partire dall' analisi dei requisiti funzionali, passando per l' implementazione sulle piattaforme HW/SW selezionate per arrivare fino alla valutazione critica delle prestazioni. Infine, viene valutata la capacità di saper condurre indagini analitiche opportune, supportate da un adeguato approfondimento teorico, simulazioni al calcolatore e sperimentazioni in laboratorio.
Criteri di attribuzione del voto finale.
La prova viene valutata in 30esimi. Al fine del superamento dell'esame con voto minimo lo studente deve essere in grado di analizzare correttamente il problema, sfruttando le conoscenze tecniche approfondite a lezione, ed elaborare algoritmi adeguati per la sua soluzione.
La valutazione massima viene conseguita quando lo studente riesce in maniera autonoma e costruttiva ad affrontare le difficoltà incontrate nell'espletamento del progetto e a motivare, tramite adeguate prove sperimentali, le caratteristiche funzionali dell'algoritmo realizzato.
La lode viene riservata gli studenti che nel superare con voto pieno la prova abbiano mostrato uno spiccato rigore scientifico nella trattazione dei problemi affrontati ed una particolare brillantezza espositiva nella discussione finale.
Learning Evaluation Methods.
The learning evaluation methodology consists in the presentation and discussion of a technical report related to a project focused on the Advanced Digital Signal Processing and Computational Intelligence presented during the lectures, with special focus on Audio Processing applications, and to be develoepd by means of suitable SW tools (running on PC and/or Embedded Platforms). The project is proposed by the teacher in agreement with the student's preferences and it can be fulfilled also in groups of maximum two people. The student can also propose something on the basis of his/her interests: the teacher will carefully evaluate the suitability of student's suggestion in relationship with the course contents, and will also calibrate the implementation aspects before finalizing the project proposal. The student has 6 months to fulfill the work and present it, starting from the date in which the project proposal is given to him/her.
Learning Evaluation Criteria.
The student is required to show an adequate comprehension of the concepts discussed during the lectures and to be able to apply them in an autonomous way to the fulfillment of the assigned project. The student is also asked to explain in a rigorous and synthetic way the technical report related to the project.
Learning Measurement Criteria.
During the project fulfillment and related final discussion, the learnign measurement criteria will be focused on the ability to apply the advanced Digital Signal Processing and Computational Intelligence methodologies and techniques, studied during the lectures, and in relationship with the project objectives. Moreover, the capability to autonomously face the issues raising during the project development will be evaluated. These issues will be related to the analysis of the technical requirements, the implementation on the selected HW/SW platform and the critical assessment of performance. Finally, the capability to carry out suitable analytical studies by exploiting theoretical models, computer simulations and laboratory experiments, will be also evaluated.
Final Mark Allocation Criteria.
The test is evaluated with a score within the 18-30 range. To pass the exam, the student is required to show his/her ability in analyzing the problems related to the proposed project, by using the technical background acquired during the lectures, and develop suitable algorithms for their solutions. The maximum score is reached when the student show to be able to work in an autonomous and costructive way to face the technical issues experienced during the project fulfilment, and to motivate, by means of adequate experimental tests, the functional properties of the algorithms.
Honours are given to students who show to have a relevant scientific rigour in addressing the project issues and a certain brightness in discussing the final project.
- P. M. Clarkson, Optimal and Adaptive Signal Processing, CRC Press, 2000
- A. Uncini, Fundamentals of Adaptive Signal Processing, Springer Verlag, 2015
- S.Haykin, Neural Networks and Learning Machines, Pearson, 3rd edition, 2008
- I. Goodfellow et al., Deep Learning, MIT PRESS, 2016
- D. Reay, Digital Signal Processing and Applications with the OMAP - L138 eXperimenter, Wiley and Sons, 2012
- Copia delle trasparenze delle lezioni disponibili presso il sito https://learn.univpm.it/course/view.php?id=7822
- P. M. Clarkson, Optimal and Adaptive Signal Processing, CRC Press, 2000
- A. Uncini, Fundamentals of Adaptive Signal Processing, Springer Verlag, 2015
- S.Haykin, Neural Networks and Learning Machines, Pearson, 3rd edition, 2008
- I. Goodfellow et al., Deep Learning, MIT PRESS, 2016
- D. Reay, Digital Signal Processing and Applications with the OMAP - L138 eXperimenter, Wiley and Sons, 2012
- Teacher’s material available at the website https://learn.univpm.it/course/view.php?id=7822
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2018-2019
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427