Nuovo Ordinamento - Ingegneria - Università degli Studi di Trento

FACOLTA’ DI INGEGNERIA
Markov Random Fields.
5. Rivelazione e classificazione di segnali non-supervisionata
Concetti fondamentali. Tecniche di clustering: algoritmo Maximin, algoritmo “K-means”, algoritmo
Isodata, metodo del Minimal Spanning Tree, algoritmo “Fuzzy C-means”. Approcci avanzati per
analisi parzialmente supervisionate di segnali.
6. Reti neurali artificiali nell’analisi di segnali
Concetti di base della teoria dell’apprendimento. Elaborazione dell’informazione mediante sistemi
seriali e paralleli. Problemi di rivelazione/classificazione e problemi di regressione non-lineare.
Addestramento e generalizzazione. Reti neurali supervisionate e non supervisionate. Reti neurali
basate su modelli supervisionati: multilayer percpetron, radial basis function neural networks,
probabilistic neural networks, support vector machines, modelli “ibridi”. Pruning. Reti neurali basate
su modelli non-supervisionati.
7. Metodi avanzati di fusione dati
Concetti di base. Tecniche di fusione dati: multisensore, multisorgente, multitemporali, multiparametrici,
multirisoluzione. Dempster-Shafer theory. Fusione di immagini con differente risoluzione spettrale
e spaziale. Classificazione di immagini multisensore/multisorgente mediante Markov Random
Fields. Classificazione di immagini multitemporali: classificazione congiunta, cascade classification.
8. Applicazioni
Telerilevamento (immagini multispettrali e SAR). Segnali biomedici (elettrocardiografo, TAC, risonanza
magnetica, ecc.). Videosorveglianza (sensori acustici, telecamere e sensori di posizione).
Radar & sonar detection. Ispezione automatica di prodotti industriali (array lineari di sensori,
telecamere, radar, sonar, ecc.). Speech recognition. OCR. Bioinformatica. Biometria (analisi di
impronte digitali, analisi della retina, ecc.).
Modalità d’esame
L’accertamento prevede lo svolgimento di una prova orale.
Testi Consigliati
· Copie del materiale proiettato a lezione.
· R. O. Duda, P. E. Hart e D. G. Stork. Pattern Classification. Seconda Edizione, New
York: John Wiley & Sons Inc, 2001.
· J. T. Tou e R. C. Gonzalez, Pattern Recognition Principles. Ontario: Addison-Wesley
Publishing Company, 1974
· K. Fukunaga. Statistical Pattern Recognition. Seconda Edizione, New York: Academic
Press, 1990.
· R. Rojas. Neural Networks: A Systematic Introduction. Berlin: Sprinter-Verlag, 1996.
Testi per la Consultazione
o S. Theodoridis, K. Koutroumbas, Pattern Recognition. 1 st edition, Academic Press,
276