Nuovo Ordinamento - Ingegneria - Università degli Studi di Trento
Nuovo Ordinamento - Ingegneria - Università degli Studi di Trento
Nuovo Ordinamento - Ingegneria - Università degli Studi di Trento
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
TECNICHE AVANZATE DI RICONOSCIMENTO SEGNALI<br />
Docente prof. Lorenzo Bruzzone<br />
2° anno - 2° semestre - 6 cre<strong>di</strong>ti<br />
Laurea specialistica in <strong>Ingegneria</strong> delle Telecomunicazioni<br />
PROGRAMMI DI INSEGNAMENTO a.a. 2002/2003<br />
Il corso fornisce competenze avanzate <strong>di</strong> analisi e riconoscimento segnali mono<strong>di</strong>mensionali e<br />
multi<strong>di</strong>mensionali (con particolare enfasi verso l’analisi <strong>di</strong> immagini). Il programma è articolato in 8<br />
parti. La prima parte richiama i concetti <strong>di</strong> base in<strong>di</strong>spensabili per l’analisi/riconoscimento segnali.<br />
La seconda parte affronta il complesso problema della stima dei parametri che caratterizzano un<br />
segnale stocastico in presenza <strong>di</strong> rumore, analizzando sia modelli parametrici sia modelli nonparametrici.<br />
Il problema della rappresentazione ottimale <strong>di</strong> segnali multi<strong>di</strong>mensionali viene affrontato<br />
nella terza parte del corso, che approfon<strong>di</strong>sce il tema della selezione <strong>di</strong> misure in grado <strong>di</strong> rappresentare<br />
il fenomeno fisico investigato in maniera completa e ottimale. La quarta parte del corso<br />
propone le principali tecniche <strong>di</strong> rivelazione e <strong>di</strong> classificazione supervisionata <strong>di</strong> segnali in presenza<br />
<strong>di</strong> rumore e in <strong>di</strong>fferenti con<strong>di</strong>zioni applicative. Il problema dell’analisi <strong>di</strong> segnali in completa<br />
mancanza <strong>di</strong> informazioni a priori (rivelazione/classificazione non supervisionata) viene analizzato<br />
nella quinta parte. La sesta parte è rivolta allo stu<strong>di</strong>o <strong>di</strong> tecniche avanzate <strong>di</strong> analisi segnali basate<br />
sull’impiego <strong>di</strong> reti neurali artificiali. La settima parte affronta il complesso problema dell’analisi<br />
congiunta <strong>di</strong> segnali provenienti da sorgenti informative <strong>di</strong>fferenti. Infine, nell’ottava ed ultima parte,<br />
vengono presentati vari esempi <strong>di</strong> applicazioni reali in cui le tecniche automatiche <strong>di</strong> analisi/<br />
riconoscimento segnali giocano un ruolo fondamentale.<br />
Programma<br />
1. Introduzione all’analisi e al riconoscimento <strong>di</strong> segnali<br />
Richiami concetti <strong>di</strong> base. Sistema <strong>di</strong> riconoscimento: definizioni, schema a blocchi, ciclo <strong>di</strong> progettazione.<br />
Esempio introduttivo <strong>di</strong> progettazione <strong>di</strong> un sistema <strong>di</strong> riconoscimento. Esempi <strong>di</strong> applicazioni<br />
dei sistemi <strong>di</strong> riconoscimento.<br />
2. Stima <strong>di</strong> parametri e <strong>di</strong>stribuzioni <strong>di</strong> segnali stocastici<br />
Osservazioni (misure) e stima.Tecniche <strong>di</strong> stima <strong>di</strong> <strong>di</strong>stribuzioni statistiche: approcci parametrici e<br />
non-parametrici. Approcci parametrici: <strong>di</strong>stribuzione gaussiana, <strong>di</strong>stribuzione gamma, <strong>di</strong>stribuzione<br />
<strong>di</strong> rayleight. Approcci non-parametrici: metodo dei k-punti vicini, finestre <strong>di</strong> Parzen, approssimazione<br />
funzionale ortogonale. Stima in presenza <strong>di</strong> dati incompleti: algoritmo expectation-maximization.<br />
3. Estrazione e selezione <strong>di</strong> parametri in segnali multi<strong>di</strong>mensionali<br />
Obiettivi e concetti <strong>di</strong> base. Misure <strong>di</strong> separabilità statistica supervisionate: <strong>di</strong>stanza <strong>di</strong> Bhattacharyya,<br />
Divergenza, <strong>di</strong>stanza <strong>di</strong> Jeffries-Matusita. Tecniche <strong>di</strong> esplorazione dello spazio delle soluzioni:<br />
tecniche ottime (ricerca esaustiva, branch & bound); tecniche sub-ottime (SFS, SFFS, SBS,<br />
SBFS, simulated annealing). Estrazione <strong>di</strong> parametri da segnali multi<strong>di</strong>mensionali: analisi delle<br />
componenti principali.<br />
4. Rivelazione e classificazione <strong>di</strong> segnali supervisionata<br />
Rivelazione e classificazione <strong>di</strong> segnali immersi in rumore. Richiami alla teoria della decisione <strong>di</strong><br />
Bayes. Teoria del minimo rischio. Strategie <strong>di</strong> decisione in con<strong>di</strong>zioni applicative critiche: criterio<br />
minimax, criterio <strong>di</strong> Neyman-Pearson. Receiving Operating Curves (curve ROC). Architetture <strong>di</strong><br />
rivelatori/classificatori multipli. Meto<strong>di</strong> avanzati <strong>di</strong> classificazione <strong>di</strong> immagini: relaxation labelling,<br />
275