پردازش سیگنال های دیجیتال

پردازش سیگنال های دیجیتال

-
تهیه بلیت برای این رویداد از روز دوشنبه ۲ اسفند ساعت ۰۰:۰۰ تا روز سه‌شنبه ۱۵ فروردین ساعت ۲۳:۰۰ امکان‌پذیر است.

توضیحات بیشتر

 خلاصه:

امروزه پردازش سیگنال دیجیتال (DSP) یکی از مهمترین و پرکاربردترین شاخه ­های علوم مهندسی بوده و شامل زیردامنه‌های متنوعی از جمله صوت و پردازش سیگنال صحبت، پردازش سیگنال سونار و رادار، پردازش آرایه‌های حسگر، پردازش سیگنال آماری، پردازش تصویر دیجیتال، پردازش سیگنال برای مخابرات، کنترل سیستم‌ها، پردازش سیگنالهای پزشکی نظیر MRI و سیگنالهای مغزی می­باشد. در این دوره، سعی بر آن است که پس از یک مرور جامع بر مبانی تئوری سیگنال ها و سیستم ها (با تاکید بیشتر بر سیگنال های دیجیتال)، پردازش مهمترین انواع سیگنال های دیجیتال شامل صوت، تصویر و ویدئو، سیگنال های پزشکی و مغزی (EEG) مورد بررسی کامل قرار گیرد. در طول این بخش، ضمن معرفی و بررسی تئوریک مهمترین ویژگی های انواع سیگنال های مد نظر، ابزارها و توابع مفید و پرکاربرد نرم ­افزار Matlab به همراه مثال هایی در هر مورد تشریح می­شوند. در بخش دیگر، جعبه­ ابزارهای مورد نیاز برای پردازش سیگنال در Matlab معرفی و به همراه مثال هایی شرح داده می­شوند و در بخش بعدی، یک دوره کارگاه عملی برنامه­ نویسی Matlab شامل مسائلی پایه در پردازش سیگنال دیجیتال انجام خواهد شد. همچنین در بخش دیگر، نرم ­افزار برنامه ­نویسی Python معرفی شده و قابلیت ها و امکانات مختلف آن در زمینه پردازش سیگنال دیجیتال به همراه مثال هایی مورد بررسی قرار می­گیرد. این دوره همراه با یک آزمایشگاه عملی جهت آموزش جمع­ آوری، ذخیره و کار با نوعی بسیار مهم از سیگنالهای مغزی تحت عنوان ERP پایان می ­پذیرد.


مدت دوره:

۶۴ساعت

پيش نياز:

ریاضیات پایه دانشگاهی، جبر ماتریسی و علاقه­ مندی به یادگیری پردازش سیگنال ها و برنامه­ نویسی، مناسب برای علاقه­ مندان رشته­ های مهندسی برق، مخابرات، کامپیوتر و ریاضی

اهداف دوره:

آشنایی مقدماتی و متوسط با مبانی سیگنال ها و سیستم ها، پردازش کاربردی مهمترین انواع سیگنال های دیجیتال نظیر سیگنال های صوت، تصویر و پزشکی و آشنایی عمیق با قابلیت های Matlab و Python در این زمینه

در انتهای اين دوره دانشجويان قادر خواهند بود:

به شناسایی و تحلیل انواع سیستم ها و سیگنال های دیجیتال در حوزه ­های زمان و فرکانس پرداخته و از قابلیت ها، توابع و امکانات فراوان دو زبان برنامه­ نویسی Matlab و Python به منظور تحلیل و استخراج ویژگی های مهم سیگنال های پرکاربرد نظیر صوت، تصویر و پزشکی استفاده نمایند.

:سرفصل دوره

 “Digital Signal Processing, From Theory to Applications”



(A)   Introduction to Signals and Systems

      A.1   Signals and Systems
      A.2   Linear Time-Invariant Systems
      A.3   Fourier Analysis for Continuous-Time Signals and Systems
      A.4   Fourier Analysis for Discrete-Time Signals and Systems
      A.5   Filtering
      A.6   Modulation
      A.7   The Laplace Transform
      A.8   The Z-Transform
      A.9   Linear Feedback Systems

 

(B)   Introduction to Digital Signal Processing

      B.1   Discrete-Time Signals and Systems
      B.2   Sampling of Continuous-Time Signals
      B.3   Transform Analysis of Linear Time-Invariant Systems
      B.4   Filter Design Techniques
      B.5   The Discrete Fourier Transform (DFT)
      B.6   Fast Fourier Transform (FFT)
      B.7   More Advanced Topics: Adaptive and Stochastic Signal Processing
 

(C)   Applications of Discrete-Time Signal Processing

      C.1   Speech Signal Processing
            C.1.1 Intro to Digital Speech Processing
            C.1.2 Speech Signal
            C.1.3 Hearing and Auditory Perception
            C.1.4 Short-Time Analysis of Speech
            C.1.5 Linear Predictive Analysis
            C.1.6 Automatic Speech Recognition (ASR)
            C.1.7 Digital Speech Processing Laboratory (Matlab)

      C.2   Image and Video Signal Processing

            C.2.1 Fundamentals
            C.2.2 Intensity Transformations and Spatial Filtering
            C.2.3 Filtering in the Frequency Domain
            C.2.4 Image Restoration and Reconstruction
            C.2.5 Color Image Processing
            C.2.6 Wavelets
            C.2.7 Image Compression
            C.2.6 Video Signal Processing
            C.2.7 Digital Image Processing Laboratory (Matlab)

      C.3   Biomedical Signal Processing
            C.3.1 Foundations of Medical Imaging and Signal Recording
            C.3.2 Spectral Transformations
            C.3.3 Information Theory and Principal Component Analysis
            C.3.4 Independent Component Analysis and Blind Source Separation
            C.3.5 Dependent Component Analysis
            C.3.6 Pattern Recognition Techniques
            C.3.7 Fuzzy Clustering and Genetic Algorithms
            C.3.8 Biomedical Signal Processing Laboratory (Matlab)

      C.4   EEG (Electroencephalographic) Signal Processing
            C.4.1 Introduction to EEG Signals
            C.4.2 Fundamentals of EEG Signal Processing
            C.4.3 Event-Related Potentials
            C.4.4 Seizure Signal Analysis
            C.4.5 EEG Source Localization
            C.4.6 Sleep EEG
            C.4.7 Brain Computer Interfacing

      C.5   From EEG to ERP (Even Related Potentials)
            C.5.1 Conventional ERP Data Processing
            C.5.2 Brain Computer Interface (BCI) Based on ERP
            C.5.3 ERP Laboratory (To be completed)


(D)   MATLAB Tools for Digital Signal Processing

      D.1   An Introduction to MATLAB
      D.2   Representation of Discrete-Time Signals in MATLAB
      D.3   Audio System Toolbox
      D.4   DSP System Toolbox
      D.5   Image Acquisition Toolbox
      D.6   Image Processing Toolbox
      D.7   Signal Processing Toolbox
      D.8   Filter Design and Analysis (FDA)
      D.9   SIMULINK Tools for DSP

 

(E)   Digital Signal Processing Laboratory (Workshop)

      E.1    Linear Constant Coefficient Difference Equations
      E.2    The Z-Transform
      E.3    The DFT and the Sampling Theorem
      E.4    Multi-rate Digital Signal Processing
      E.5    FDA Toolbox for Filter Design and Analysis



(F)   Using Python for Digital Signal Processing

      D.1   Introduction to Programming with Python

      D.2   Sampling Theorem
      D.3   Sounds and Non-Periodic Signals
      D.4   Noise
      D.5   Autocorrelation
      D.6   Discrete-Time Fourier Transform
      D.7   Spectral Analysis
      D.8   Filtering and Convolution
      D.9   LTI Systems

 

References

      [1] “Signals and Systems”, Alan v. Oppenheim

      [2] “Discrete-Time Signal Processing”, Alan V. Oppenheim

      [3] “Digital Signal Processing Applications”, Sanjit K. Mitra

      [4] “Introduction to Digital Speech Processing”, Lawrence R. Rabiner

      [5] “Digital Image Processing”, Rafael C. Gonzalez

      [6]http://www.imageprocessingplace.com”, Rafael C. Gonzalez

      [7] “Fundamentals of Image Processing”, Ian T. Young

      [8] “Biomedical Signal Analysis: Contemporary Methods and Applications”, Fabian J. Theis

      [9] “Biomedical Signal and Image Processing”, MIT Open Course-Ware

      [10] “Biomedical Signal Processing Lab”, https://www.pdx.edu/biomedical-signal-processing-lab/

      [11] “EEG Signal Processing”, Saeid Sanei

      [12] “A Tutorial on EEG Signal Processing Techniques for Mental State Recognition in Brain-Computer Interfaces”, Fabien Lotte

      [13] “The Python Tutorial”, https://docs.python.org/3/tutorial/

      [14] “Python for Signal Processing”, Jose Unpingco

      [15] “Digital Signal Processing with Python Programming”, Maurice Charbit

      [16] “Digital Signal Processing Lab. Manual”, Mahdi Parchami

زمان های برگزاری

پنجشنبه 1396/1/17 الی 1396/4/29
عنوانشروعپایان
ساعت برگزاری دوره۱۴:۳۰۱۸:۳۰

گروه علمی داج

دکتر مهدی پرچمی

دکتر مهدی پرچمی

دکتر مهدی پرچمی

(دکترای مهندسی برق (مخابرات "پردازش سیگنال") - دانشگاه کنکوردیا - مونترال - کانادا)

گروه علمی داج

شماره دبیرخانه:
۰۲۱۴۴۰۹۹۴۰۰

زمان: -

آدرس: تهران تهران - بلوار اشرفي اصفهاني شمال به جنوب - جنب مسجد جامع (امام سجاد) خیابان اسکندر زاده نبش گلستان ۸ پلاک ۸ واحد ۱۰

موقعیت جغرافیایی رویداد برای مشاهده کامل نقشه کلیک کنید