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