Nuovo Ordinamento - Ingegneria - Università degli Studi di Trento

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