BME VIK - Korszerű mobil vevőalgoritmusok

3. A tantárgyfelelős személy és tanszék Dr. Jeney Gábor,

4. A tantárgy előadója

Név:	Beosztás:	Tanszék, Int.:
Balázs Ferenc	III. doktorandusz	Hálózati Rendszerek és Szolgáltatások Tanszék
Jeney Gábor	Tanársegéd	Hálózati Rendszerek és Szolgáltatások Tanszék
Dr. Pap László	Egyetemi tanár	Hálózati Rendszerek és Szolgáltatások Tanszék
Dr. Imre Sándor	Adjunktus	Hálózati Rendszerek és Szolgáltatások Tanszék

5. A tantárgy az alábbi témakörök ismeretére épít

Híradástechnika, Valószínűségszámítás

6. Előtanulmányi rend

Ajánlott:

Tematikaütközés miatt a tárgyat csak azok vehetik fel, akik korábban nem hallgatták a következő tárgyakat:

BMEVIHI9145 Korszerű mobil vevőalgoritmusok

A tárgyat azok vehetik fel, akik korábban hallgatták az alábbi három tárgy egyikét:

BMEVIMH4033, Mikrohullámú és optikai átvitel, vagy

BMEVIMH4051, Optikai és rádióhírközlés, vagy

BMEVIHI4128, Mobil hírközlés alapjai

7. A tantárgy célkitűzése

A tárgy célja a harmadik és negyedik generációs mobil eszközökben alkalmazni kívánt vevőmegoldások és algoritmusok , ezen belül a csatornakiegyenlítés, többfelhasználós detekció és jel-szeparáció problémakörének oktatása. A kurzus végére a hallgatók megismerkednek az alapvető vevőstruktúrákkal. Azoknak ajánljuk a tárgyat, akik mobil R&D területen kívánnak elhelyezkedni.

8. A tantárgy részletes tematikája

Digitális kommunikációs modell (Ismétlés)

Hagyományos vevőalgoritmusok (RAKE)

többfelhasználós csatornák problémája

Többfelhasználós vevők

Optimális vevő, közel-optimális vevők
Lineáris többfelhasználós detektor (Dekorrelátor, MMSE)
Nemlineáris többfelhasználós detektor (többszintű detektor, soros és párhuzamos interferencia törlő, ezek analógiája, rácspontos keresővevő, EM vevő)
Neurális hálózatok (Hopfield-hálózat, előrecsatolt neurális hálózat, Self Organizing Map)

Becslőalgoritmusok (Bayes, Least Square, Maximum Likelihood)

Gradiens módszerek (sztochasztikus gradiens, természetes gradiens)

Lineáris és nemlineáris ellenőrzötten tanított kiegyenlítő algoritmusok

Vak kiegyenlítő algoritmusok

Főkomponens analízis

Független komponens analízis (kontraszt függvények, algoritmusok)

Alkalmazások (CDMA vevő)

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

(előadás, gyakorlat, laboratórium):

Heti két óra előadás, és heti kettő óra gyakorlat szemléletes feladatokkal

10. Követelmények

a. A szorgalmi időszakban: 1 ZH és 1 házi feladat

b. A vizsgaidőszakban: írásbeli és szóbeli vizsga

Elővizsga: nincs

11. Pótlási lehetőségek

A ZH pótolható, egy előre egyeztetett időpontban.

A házi feladat másként nem teljesíthető.

12. Konzultációs lehetőségek

Hetente egyszer, egy előre egyeztetett időpontban.

13. Jegyzet, tankönyv, felhasználható irodalom

J. G. Proakis, Digital Communication, McGraw-Hill, 1995

S. Verdu, Multiuser detection, Cambridge university press, 1998

G.B. Giannakis, Signal Processing Advances in Wireless & Mobil Communication I, Prentice Hall, 2000

M. Girolami, Self-organizing Neural Networks, Springer, 2000

A. Hyvarinen, J. Karhunen, E. Oja, Independent Component Analysis, Wiley & Sons, 2001

http://www.mcl.hu/~jeneyg/jegyzet.pdf

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

(a tantárgyhoz tartozó tanulmányi idő körülbelüli felosztása a tanórák, továbbá a házi feladatok és a zárthelyik között (a felkészülésre, ill. a kidolgozásra átlagosan fordítandó/elvárható idők félévi munkaórában, kredit x 30 óra, pl. 5 kredit esetén 150 óra)):

Kontakt óra	60
Félévközi készülés órákra	10
Felkészülés zárthelyire	10
Házi feladat elkészítése	10
Kijelölt írásos tananyag elsajátítása	20
..
Vizsgafelkészülés	40
Összesen	150

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Balázs Ferenc	III. doktorandusz	Hálózati Rendszerek és Szolgáltatások Tanszék
Jeney Gábor	Tanársegéd	Hálózati Rendszerek és Szolgáltatások Tanszék
Dr. Pap László	Egyetemi tanár	Hálózati Rendszerek és Szolgáltatások Tanszék
Dr. Imre Sándor	Adjunktus	Hálózati Rendszerek és Szolgáltatások Tanszék