DERS TANITIM ve UYGULAMA BİLGİLERİ

Dersin Adı Kodu Yarıyıl T+U+L (saat/hafta) Türü (Z / S) Yerel Kredi AKTS
İstatistiksel İşaret İşleme EE 507 Bahar 03+00+00 Seçmeli 3 8.0
Akademik Birim:
Öğrenim Türü:
Ön Koşullar Olasılık kuramı ve rasgele süreçler
Öğrenim Dili: İngilizce
Dersin Düzeyi: Yüksek Lisans
Dersin Koordinatörü: Atilla ÖZMEN
Dersin Amacı: Bu dersin amacı, öğrencilere istatistiksel sonuç çıkarma kuramıyla tanıştırmak, ve bu kuram kullanılarak nasıl işaret sezim ve kestirimi için yöntemler geliştirilebileceğini göstermektir.
Dersin İçeriği: İstatistiksel karar kuramı. Varsayım (hipotez) sınama, bilinen işaretlerin ve bilinmeyen parametreleri olan işaretlerin gürültülü ortamda sezimi, alıcı başarımı ve hata olasılığı, radar ve iletişim uygulamaları. Karmaşık ve parametrik olmayan karar kuramı. İstatistiksel kestirim kuramı, başarım ölçütleri ve sınırları, etkin kestiriciler. Bilinmeyen işaret parametrelerinin kestirimi, uygulamalar. Doğrusal kestirim, Wiener süzgeci, Kalman süzgeci.
Dersin Öğrenme Çıktıları (ÖÇ):
  • 1- İstatistiksel karar kuramı kavramları, karar kıstasları öğrenme ve geliştirme yeteneğir
  • 2- Gürültülü işaret sezimi öğrenme ve geliştirme yeteneği
  • 3- Nokta parameter kestirimi kavramlari, kestirim kıstasları öğrenme ve tasarlama yeteneği
  • 4- Wiener ve Kalman süzgeçleri tasarlama yeteneği
  • 5- Proje kapsamında kestirimci tasarlama, teknik rapor yazma ve sunma yeteneği
Dersin Öğrenme Yöntem ve Teknikleri


HAFTALIK PROGRAM

HaftaKonularÖn Hazırlık
1 İstatistiksel çıkarsama kavramına giriş, Varsayım (hipotez) sınama, karar kıstasları, vektör ölçümler, çoklu varsayımlar
2 Karmaşık varsayımlar, ardışıl sezim
3 Karar kıstasları (devam), vektör ölçümler, çoklu varsayımlar
4 Raslantı süreçleri tekrarı
5 Beyaz ve renkli gürültülü ortamda işaretlerin sezimi
6 Raslantısal ve bilinmeyen parametrelerin kestirimi
7 ARA SINAV
8 Vektör parametrelerin kestirimi, genel Gauss problemi
9 Doğrusal ortalama karesel, en küçük kareler yöntemi
10 İşaretlerin doğrusal ortalama karesel kestirimi, Wiener süzgeci
11 Ayrık-zaman Wiener süzgeci
12 Kalman süzgeci
13 Parçacık filtre ve SMC yöntemleri
14 Proje Sunumları


ZORUNLU ve ÖNERİLEN OKUMALAR

[1] M.D. Srinath, P.K. Rajasekaran, R. Viswanathan, Introduction to statistical signal processing with applications Englewood Cliffs, N.J. Prentice Hall, c1996
[2] Steven M. Kay, Fundamentals of statistical signal processing, Vol.1 Estimation Theory, Vol.2 Detection Theory, Englewood Cliffs, N.J. : Prentice-Hall PTR, c1993-1998.
[3] H. Vincent Poor, An introduction to signal detection and estimation, 2nd Ed., New York. Springer-Verlag, c1994
[4] Harry L. Van Trees, Detection, estimation, and modulation theory part 1, New York, Wiley 1968, 2001


DİĞER KAYNAKLAR



DEĞERLENDİRME SİSTEMİ

Yarıyıl İçi ÇalışmalarıSayıKatkı Payı (%)
Katılım - -
Laboratuvar - -
Uygulama - -
Arazi Çalışması - -
Proje 1 20
Ödev 5 10
Sunum/Jüri - -
Derse Özgü Staj - -
Diğer Uygulamalar (seminer, stüdyo kritiği, workshop vb.) - -
Dersle İlgili Sınıf Dışı Etkinlikler (okuma, bireysel çalışma vb.) - -
Ara Sınavlar/Sözlü Sınavlar/Kısa Sınavlar 4 30
Final Sınavı 1 40
Total: 11 100


İŞ YÜKÜ HESAPLAMASI

EtkinliklerSayısıSüresi (saat)Toplam İş Yükü (saat)
Ders Saati14342
Laboratuvar000
Uygulama000
Arazi Çalışması000
Proje14040
Ödev5840
Sunum/Jüriye Hazırlık000
Derse Özgü Staj000
Diğer Uygulamalara Hazırlık000
Dersle İlgili Sınıf Dışı Etkinlikler000
Ara Sınavlar/Sözlü Sınavlar/Kısa Sınavlar41040
Final Sınavı14040
Toplam İş Yükü (saat):202


PROGRAM YETERLİLİKLERİ (PY) ve ÖĞRENME ÇIKTILARI (ÖÇ) İLİŞKİSİ

# PY1 PY2 PY3 PY4 PY5 PY6 PY7 PY8 PY9 PY10
OC1                    
OC2                    
OC3                    
OC4                    
OC5