Analiza sygnałów 0800-ANSYG
1. Podstawy algebry macierzowej
2. Rozkłady macierzy na wartości i wektory własne, wartości i wektory
osobliwe
3. Metoda analizy głównych składowych
4. Wstęp do algebry tensorów
5. Rozkłady tensorowe: CANDECOMP/PARAFAC i rozkład Tuckera
6. Zastosowanie rozkładów macierzowych i tensorowych w analizie sygnału
7. Możliwe reprezentacje sygnału: domeny czasowe, częstotliwościowe i
przestrzenne
8 i 9. Transformaty całkowe na przykładzie transformat Fouriera i falkowej
10. Rozkład sygnału za pomocą empirical mode decomposition (EMD)
11. Rozkład sygnału za pomocą analizy składowych niezależnych (ICA)
12 i 13. Zastosowanie transformat całkowych i rozkładów EMD i ICA na
przykładach z neuroinformatyki
14. Metody wyboru rzadkiej (sparse) reprezentacji sygnału
15. Demo: zastosowanie omówionych metod w pełnym potoku analizy sygnałów neuroinformatycznych
Całkowity nakład pracy studenta
Efekty uczenia się - wiedza
Efekty uczenia się - umiejętności
Efekty uczenia się - kompetencje społeczne
Metody dydaktyczne podające
Metody dydaktyczne poszukujące
Rodzaj przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Kryteria oceniania
Metody oceniania:
- laboratorium: projekt na zaliczenie, weryfikacja efektów U01,U06,U07
- wykład: egzamin pisemny złożony z części teoretycznej i implementacyjnej: weryfikacja W01,W02,U01,U06,U07,K01,K02,K04,K05
Kryteria oceniania:
- laboratorium: binarna ocena projektu:
i) projekt niespełniający wymogów lub brak projektu: ndst
ii) projekt spełniający wymogi: bdb
- wykład: ocena ważona egzaminu, część teoretyczna (50%) i implementacyjna (50%). Skala ocen (łącznie część teoretyczna i implementacyjna):
ndst – poniżej 50%
dst – 51%-60%
dst plus- 61%-70%
db- 71%-80%
db plus- 81%-90%
bdb- 91%-100%
Praktyki zawodowe
Nie przewidziano.
Literatura
1. R A Horn, C R Johnson, Matrix Analysis, Cambridge University Press, 2012.
2. A Cichocki, R Zdunek, A H Phan, S-I Amari, Nonnegative Matrix and Tensor Factorizations: Applications to Exploratory Multi-way Data Analysis and Blind Source Separation, Wiley, 2009.
3. N E Huang, Z Shen, S R Long, M C Wu, H H Shih, Q Zheng, N-C Yen, C C Tung, H H. Liu, The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings of the Royal Society A, 454(1971), pp. 903-995, 1998.
4. A Hyvarinen, J Karhunen, E Oja, Independent Component Analysis, Wiley, 2004.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: