Обработка сигналов и вычисления

Магистерская программа по обработке и обработке сигналов в Ольборгском университете сосредоточена на теориях, методах и алгоритмах для расширенной обработки сигналов, применяемых в различных областях применения, таких как беспроводная связь, распознавание речи, слуховые аппараты, позиционирование, игры, аудио и видео и здравоохранение.

ПОЧЕМУ

• Потому что вы хотите стать хорошо обученным инженером и иметь возможность разрабатывать современные системы обработки сигналов
• Потому что способ обучения дружественный, интуитивно понятный, легко понятный, но при этом он не теряет научной точности.

ЧТО

Все курсы, преподаваемые в ходе программы, предоставляют вам инструменты и знания, необходимые для разработки и реализации современных приложений и платформ обработки сигналов.

Вы научитесь

• проектировать, моделировать , тестировать, оценивать и документировать системы обработки сигналов
• Оптимизировать производительность алгоритмов и платформ реализации
• Использовать модели датчиков в симуляции системы
• Интегрировать алгоритмы DSP в аппаратные / программные архитектуры реального времени.

HOW

< li> Объединяя теоретические знания, полученные на курсах, с практическим практическим опытом
• Семестровые проекты, сосредоточенные на общих темах
• Семестровые курсы (как обязательные, так и факультативные)
• мини-проекты на 1-2 недели по конкретным предметам
• хорошо оборудованные лаборатории со всеми необходимыми инструментами для создания вашего проекта
• полезные и непредубежденные учителя, готовые помочь вас со своими вопросами и идеями, и поможет вам в сложных концепциях.

1-й семестр

 

Стохастические процессы

 

Курс знакомит вас со случайными процессами, начиная с определений случайного процесса, стационарных процессов (WSS), процессов авторегрессивного скользящего среднего (ARMA), моделей Маркова и пуассоновских точечных процессов.

 

Курс будет сопровождаться мини-проектами для правильного сочетания полученных теоретических знаний с практическим практическим опытом. Вы узнаете, как моделировать стохастические процессы с помощью курсов и минимальных проектов, и вы получите соответствующую техническую интуицию основных концепций и результатов, связанных со случайными процессами, что позволит вам разработать подходящую модель для конкретной инженерной задачи, связанной со случайностью, найти решения , оцените производительность этих решений и измените модель.

 

Методы оптимизации

 

Предварительными условиями для этого курса являются базовая линейная алгебра и численные методы. Цель курса - дать обзор различных классов задач оптимизации и связанных с ними методов их решения. Вы узнаете о целевой функции, глобальных / локальных минимумах, ограниченных / неограниченных, выпуклых / невыпуклых функциях и множествах. Вы будете изучать: задачи линейного и квадратичного программирования; Симплекс-метод; Методы внутренних точек с градиентом, оптимальный градиент, методы Ньютона, поиск линии и критерии остановки; как аппроксимировать нелинейную выпуклую задачу линейной и как решить задачи комбинаторной оптимизации с помощью таких методов, как симуляция отжига (SA) и генетические алгоритмы (GA).

 

Пройдя этот курс, вы поймете, как формулировать задачи оптимизации при обработке сигналов, и сможете разрабатывать алгоритмы оптимизации и оценивать их производительность.

 

2-й семестр Научные вычисления и моделирование датчиков

 

Этот курс охватывает различные темы в области научных вычислений и моделирования поведенческих датчиков. Курс состоит из трех частей: 1) вычисления и программирование; 2) математический фон; и 3) моделирование и симуляция. Первая часть курса включает в себя введение в современные современные компьютерные и программные платформы (процессоры, графические процессоры, многоядерные и т. Д.), Введение в язык программирования Python (типы данных, стиль программирования, пакеты и библиотеки, модульное тестирование, профилирование и т. д.), аспекты научных вычислений (представление с плавающей запятой, алгоритмическая сложность, числа условий и т. д.), методологии параллельных вычислений (классификация, модели памяти, балансировка нагрузки, законы Амдаля / Густафсона-Барсиса) и т. д.) и многопроцессорное программирование на Python (пулы и процессы, асинхронные вычисления, общие данные и т. д.). Вторая часть курса посвящена, главным образом, математическому представлению сигналов различных типов (ширины полосы сигналов, описания рядов Фурье, представления полосы пропускания и комплексного представления основной полосы, преобразования сигналов, мощность сигнала, повторная дискретизация и т. Д.). Третья и последняя часть курса включает методы поведенческого моделирования (процесс моделирования, поведенческие модели, вычислительные модели, программные платформы и т. Д.), Структуру системного моделирования (типы сигналов, представление функциональных блоков, разложение сигналов и т. Д.), Генераторы (синусоидальные случайные, полосы пропускания и т. д.), линейные функциональные блоки (фильтры, усилители и т. д.) и нелинейные функциональные блоки (усилители мощности и т. д.).
После этого курса вы сможете сопоставлять алгоритмы последовательным и параллельные архитектуры ЦП, разработка высококачественного научного программного обеспечения на Python и выполнение поведенческого моделирования различных функциональных блоков. В ходе курса вы приобретете хорошие навыки кодирования программного обеспечения, включая правильное структурирование, хорошие процедуры разработки кода с акцентом на удобочитаемость, обслуживание и производительность, а также знание использования профилирования, отладки и т. Д. Для тестирования и валидации программного обеспечения.  

Реконфигурируемые и низкоэнергетические системы

Для различных типов приложений программно-программируемый процессор цифровых сигналов является подходящей платформой для выполнения алгоритма цифровой обработки сигналов (DSP) в режиме реального времени. Однако во многих случаях гораздо более гибкой аппаратной платформой, где разработчик может экспериментировать с компромиссами между физическим размером схемы, общим временем выполнения, потреблением энергии и памяти и числовыми свойствами фактической реализации в реальном времени, является крайне необходимо. Поэтому в этом курсе мы представляем теории и практические методы для разработки и реализации алгоритмов DSP на реконфигурируемых платформах, которые дают возможность оптимизировать комбинированное решение алгоритма / архитектуры с точки зрения конкретных показателей проектирования. В частности, мы обсудим, как представлять и анализировать алгоритмы DSP с точки зрения вычислительных свойств и как использовать эту информацию для определения и разработки аппаратно-оптимальной аппаратной архитектуры реального времени для конкретного алгоритма. В этом контексте акцент на дизайн для низкого энергопотребления будет решаться с точки зрения аппаратного обеспечения, а также с точки зрения встроенного программного обеспечения. Пройдя курс, вы получите четкое представление об общей траектории проектирования DSP-систем реального времени для конкретных алгоритмов и сможете применять набор структурированных методов, которые необходимы для улучшения взаимодействия между алгоритмами и архитектуры для выбранных показателей проектирования.

 

3-й семестр

 

Машинное обучение (по выбору)

 

Курс представляет собой всеобъемлющее введение в машинное обучение, которое связано с обучением на примерах и имеет корни в информатике, статистике и распознавании образов. Цель достигается путем представления проверенных методов и инструментов и решения конкретных проблем приложений.

 

Проекты в рамках курса позволят вам применять обученные методы для решения конкретных инженерных задач и дадут вам навыки анализа конкретной проблемы и определения подходящих методов машинного обучения для ее решения.

 

Обработка сигналов массивов и датчиков . Курс обработки сигналов массивов и датчиков дает обзор алгоритмов и методов центральной обработки сигналов, которые можно применять к стационарным или нестационарным сигналам, таким как речь, музыка, радиолокационные, сонарные, электрокардиографические и радиосигналы. Эти сигналы часто передают информацию о физическом процессе, из которого они происходят, и поэтому их анализ полезен в широком спектре приложений. Например, анализ сигнала, генерируемого формой волны, падающей на антенную или микрофонную решетку, позволяет отслеживать спутник, человека или солнце. Другое применение, которое изучается на курсе, - это применение эхоподавления, при котором акустическое эхо говорящего человека удаляется из замкнутой системы, такой как телефон или VoIP-система.

 

В ходе курса изучается широкий спектр алгоритмов и методов в основных областях статистической обработки сигналов. Эти области включают спектральную оценку, адаптивную фильтрацию, оптимальную оценку, обработку сигналов массива и многоскоростную обработку сигналов. Поэтому важными предпосылками для следования этому курсу являются стохастическая обработка, выпуклая оптимизация и обработка сигналов в дискретном времени.

 

4-й семестр Магистерская диссертация . В настоящее время мы отбираем несколько новых и интересных магистерских диссертаций для публикации здесь.

Студенты со степенью бакалавра в области электроники, электротехники, вычислительной техники, математики или аналогичной степени могут подать заявку. Знание английского языка является обязательным условием. Обязательно отправьте форму заявки и дополнительную документацию по почте в Международный офис в установленный срок. Кроме того, обратите внимание, что требования к официальному языку для иностранных студентов, подающих заявление в Ольборгский университет, следующие: IELTS (академический тест) : 6.5TOEFL (на бумажной основе): 550TOEFL (на компьютерной основе): 230TOEFL (на интернет-основе): 80Cambridge ESOL: C1 Требования к английскому языку IELTS band: 6.5 Оценка по TOEFL на бумажной основе: 550 TOEFL iBT® test: 80