BME VIK - Információfeldolgozás

3. A tantárgyfelelős személy és tanszék Dr. Dabóczi Tamás,

A tantárgy tanszéki weboldala http://www.mit.bme.hu/oktatas/targyak/VIMIMA10/

4. A tantárgy előadója

Dr. Dabóczi Tamás egyetemi docens, MIT

Dr. Pataki Béla egyetemi docens, MIT

5. A tantárgy az alábbi témakörök ismeretére épít

Jelek és rendszerek

Méréstechnika

Méréselmélet

6. Előtanulmányi rend

Kötelező:

NEM ( TárgyEredmény( "BMEVIMIM237" , "jegy" , _ ) >= 2
VAGY
TárgyEredmény( "BMEVIMIM151" , "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVIMIM237", "FELVETEL", AktualisFelev()) > 0
VAGY
TárgyEredmény("BMEVIMIM151", "FELVETEL", AktualisFelev()) > 0
VAGY
TárgyEredmény( "BMEVIMIMA22", "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVIMIMA22", "FELVETEL", AktualisFelev()) > 0)

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

Ajánlott:
BSc elvégzése

7. A tantárgy célkitűzése A tantárgy a környező anyagi világból származó információ (mérési eredmények, mért jelek stb.) jellemzésével, kinyerésével, és komplex feldolgozásával foglalkozik, alapvetően a beágyazott rendszerekben előforduló alkalmazásokra koncentrálva. Áttekinti a digitális jel- és információfeldolgozás alapvető módszereit, eszközkészletét (mintavételezés, kvantálás, átlagolás, DFT, modellillesztés, szűrés, szenzorfúzióMegismertet a sztochasztikus folyamat alapú leírással. Bemutatja a jelfeldolgozási algoritmusok implementálását, és a limitált erőforrásból, ill. véges szóhosszból eredő problémákat. Bemutatja az információfeldolgozás mesterséges intelligencia módszereit (tanuló rendszerek, fuzzy rendszerek, információfúzió, klaszterezés és osztályozás, mintaillesztés). Valós idejű viselkedés szempontjából elemzi a megvalósításhoz szükséges szoftver architektúrákat, és analízis-módszereket mutat be a futási idő és a válaszidő számítására. Megismertet az elosztott rendszerekben való valós idejű szinkron viselkedés alapvető eszközkészletével.

8. A tantárgy részletes tematikája

Bevezetés: Információfeldolgozás folyamata, lépései, módszerei

Információfeldolgozás hagyományos módszerei

Jelek típusai és jellemzőik. Sztochasztikus folyamatok. Megfigyelés: parametrikus és nem parametrikus modellek. Jelfeldolgozás szokásos lépései: (analóg) jelkondicionálás, szűrés, lényegkiemelés, döntés, beavatkozás. (1 hét)

Digitális jelfeldolgozás torzító hatásai: mintavételezés, kvantálás, véges mintaregisztrátum, véges szóhossz. (1 hét)

Tipikus megfigyelt paraméterek: átlagérték, szórás, Fourier komponens. Átlagolások. DFT tulajdonságai, ablakozás. PWM hatása a spektrumra. Hatékony Fourier analízis, és Adaptív Fourier Analizátor. (1.5 hét)

Tipikus jelfeldolgozási feladatok: (2.5 hét)

lineáris szűrés (FIR és IIR), szűrőtervező programok használata, skálázás, együttható kerekítés hatása az átvitelre, véges szóhossz hatása, implementálás mikrokontrolleren, DSP-n.
nemlineáris szűrések
szűrés transzformált tartományban (cirkuláris konvolúció),
mintavételi frekvencia váltása,
hibák analóg és digitális kompenzálása (inverz szűrés),
szenzorfúzió (komplementer szűrő, Kalman szűrő).

Valós idejű információfeldolgozás

Valós idejű (RT) rendszerek tulajdonságai. SW architektúrák elemzése RT szempontból. (1 hét)

SW-ek futási idő analízise: ütemezhetőségi analízis, Worst Case Execution Time (WCET) becslése. (1 hét)

Elosztott rendszerek valós idejű működése: óraszinkronizáció. Valós idejű kommunikáció elosztott rendszerekben. (1 hét)

Információfeldolgozás mesterséges intelligencia módszerei

Tanuló rendszerek( ellenőrzött tanulás: döntési fák, neurális hálózatok) (1 hét)

Fuzzy rendszerek. (fuzzy bizonytalanságkezelés, tagsági függvények, Mamdani és Takagi- Sugeno következtető rendszer) (0.5 hét)

Információfúzió (Dempster-Shafer fúzió, ismerethiány, illetve konfliktusok modellezése) (1 hét)

Klaszterezés, osztályozás (Generatív és diszkriminatív klaszterezési eljárások, k-átlagképző eljárás, hierarchikus klaszterezés, EM algoritmus) (1.5 hét)

Mintakeresés: (AI módszerek, korreláció, illesztett szűrő, Dynamic Time Warping, legrövidebb hosszúságú leírás) (1 hét)

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

Heti 2 óra előadás, 1 óra gyakorlat (feladatmegoldás, közös számítások)

A tantárgyhoz a következő félévben lesz laboratórium:
BMEVIMIMB03 Információfeldolgozás laboratórium

10. Követelmények

Félév közben az aláíráshoz:

1 nagyzárthelyi

Vizsgához: aláírás

11. Pótlási lehetőségek

Egy pótzárthelyi a TVSZ szerint, a szorgalmi időszakban.

12. Konzultációs lehetőségek Megbeszélés szerint

13. Jegyzet, tankönyv, felhasználható irodalom

Tanszéki munkaközösség: Balogh László, Kollár István, Németh József, Péceli Gábor, Sujbert László, Digitális jelfeldolgozás. Hallgatói segédlet, BME Méréstechnika és Információs Rendszerek Tanszék, 2008. 172 oldal.

Altrichter Márta, Horváth Gábor, Pataki Béla, Strausz György, Takács Gábor, Valyon József, Mesterséges Intelligencia Almanach, Panem Könyvkiadó Kft, 2006. Online tananyag. https://mialmanach.mit.bme.hu/

Elektronikus segédanyag a tantárgy honlapján: http://www.mit.bme.hu/oktatas/targyak/vimima10/jegyzetek

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontaktóra	42
Készülés előadásra	7
Készülés gyakorlatra	7
Önálló tananyag-feldolgozás	16
Zárthelyi dolgozat	16
Vizsgafelkészülés	32
Összesen	120

15. A tantárgy tematikáját kidolgozta

Dr. Dabóczi Tamás egyetemi docens, MI

Dr. Pataki Béla egyetemi docens, MIT