25162: تخمین طیف
نام درس: تخمین طیف (Spectrum Estimation)
شماره درس: 25162
پیش‌نیاز(ها): 25155 (پردازش علائم دیجیتال 1)
هم‌نیاز(ها): 25181 (فرایندهای تصادفی)
تعداد واحد: 3
مقطع: کارشناسی ارشد
آخرین ویرایش: پاییز 1391

توضیحات:
در این درس اصول نظریه تخمین، روش‌های سنتی تخمین طیف، روش‌های مدرن تخمین طیف، مدل AR، MR و ARMA در تخمین طیف، الگوریتم گرادیان، روش Pisarenko، روش Prony، روش Maximum Likelihood، روش‌های مبتنی بر زیرفضا، کاربردهای تخمین طیف و غیره مورد بررسی قرار می‌گیرد.
 
سرفصل‌ها:
  • اصول نظریه تخمین، معیارهای تخمین بهینه
  • تخمین دنباله خودبستگی (Auto correlation Sepuence Estimation)، تخمین بایاس‌دار، تخمین بدون بایاس
  • روش‌های سنتی تخمین طیف بر اساس تبدیل فوریه، پریودوگرام، محدودیت‌های روش‌های سنتی تخمین طیف
  • روش‌های مدرن تخمین طیف: مدل‌کردن و استخراج پارامترهای مدل
  • مدل AR، MR و ARMA در تخمین طیف، روش‌های بهینه و زیربهینه
  • الگوریتم گرادیان و چگونگی تخمین قدم به قدم پارامترها
  • بحث رتبه در مدل‌های فوق و معیارهای انتخاب رتبه
  • روش Pisarenko
  • روش Prony (طیف پیوسته و ناپیوسته)
  • روش Miximum Likelihood
  • روش ترکیبی
  • روش‌های مبتنی بر زیرفضا (Sub-Space) تفکیک زیرفضای سیگنال و زیرفضای نویز (Music و Spirit)، روش پیزارنکو به عنوان حالت خاص زیرفضا
  • کاربردهای تخمین طیف
  • مقایسه روش‌های تخمین طیف

مراجع:
  • S. M. Kay, Modern Spectral Estimation, Prentice Hall, 1988
  • P. Stoica, R. Mouse, Introduction to Spectral Analysis, Prentice Hall, 1997
  • S. M. Kay, S.L. Marple, Spectrum Analysis, A Modern Perspective, Proc. of IEEE, 1981

 
آخرین به‌روزرسانی: 18 / 4 / 1403