Última actualización: 18/05/2019


Curso Académico: 2019/2020

Tratamiento Avanzado de Señales
(18538)
Máster Universitario en Tecnologías Avanzadas en Comunicaciones (Plan: 436 - Estudio: 278)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: MIGUEZ ARENAS, JOAQUIN

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
MATERIAS QUE SE RECOMIENDA HABER SUPERADO Se suponen conocimientos básicos de - teoría de la probabilidad y estadística - álgebra lineal.
Objetivos
COMPETENCIAS QUE ADQUIERE EL ESTUDIANTE Y RESULTADOS DEL APRENDIZAJE. - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigacion. - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolucio¿n de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su a¿rea de estudio. - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. Comprensión sistemática de un campo de estudio y dominio de las habilidades y me¿todos de investigacio¿n relacionados con dicho campo. (CG 1) Capacidad de realizar un análisis crítico y de evaluacio¿n y si¿ntesis de ideas nuevas y complejas. (CG4) Ser capaces de realizar un análisis crítico de documentos te¿cnicos y científicos del ámbito del Procesado de Señal y Comunicaciones; - Ser capaces de poseer una visión exhaustiva del estado del arte de una tecnología del ámbito del Procesado de Señal y Comunicaciones, así como realizar un análisis de sus perspectivas futuras; - Ser capaces de elaborar un trabajo original de entidad en un campo específico del Procesado de Señal y Comunicaciones, incluyendo la preparación de una presentación del mismo y su exposición y defensa; - Saber aplicar conocimientos de matemáticas, estadística y ciencia a los problemas de Procesado de Señal y Comunicaciones; - Poseer las habilidades para diseñar y llevar a cabo experimentos, así como analizar e interpretar datos - Conocer y dominar técnicas básicas y avanzadas de procesado de señal (filtrado lineal óptimo y adaptativo, filtrado estocástico en sistemas dinámicos, modelos de predicción, análisis espectral, procesado en array) y sus aplicación - Capacidad para resolver problemas de estimación y predicción en sistemas dinámicos, incluyendo la construcción de modelos de espacio de estados y el diseño y análisis de algoritmos numéricos para filtrado estocástico. - Comprensión en profundidad los algoritmos adaptativos de máxima pendiente, mínimos cuadrados y no lineales y capacidad para aplicarlos de forma eficiente en problemas de procesamiento adaptativo de señales.
Descripción de contenidos: Programa
DESCRIPCIÓN DE CONTENIDOS: PROGRAMA · Estimación de parámetros. - Estimadores bayesianos - Estimadores basados en riesgo - Modelos de variables latentes - Estimadores de parámetros deterministas · Estimación de señales - Estimación MMSE - Estimación y predicción lineal - Filtrado adaptativo · Tratamiento de señal basado en modelos - Cadenas de Markov - Modelos ocutos de Markov · Test de hipótesis y clasificación de señales - Test de hipótesis bayesiano, Neyman-Pearson, compuesto - Clasificación de señales - Prestaciones asintóticas
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS, METODOLOGÍA A UTILIZAR Y RÉGIMEN DE TUTORÍAS La asignatura se imparte en aulas y laboratorios específicos para el Programa de Postgrado. Entre otras, se utilizan las siguientes herramientas en la metodología docente: - Clases magistrales para la presentación, desarrollo y análisis de conocimientos sobre los cuales el estudiante es evaluado. - Realización de ejercicios prácticos (problemas, prácticas en laboratorio) de manera individual. - Realización de un trabajo por cada parte de la asignatura. - Tutorías en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Bibliografía básica
  • Murphy, K.P.. Machine Leaning. A probabilistic perspective. MIT Press. 2012
  • C. P. Robert, G. Casella. Monte Carlo Statistical Methods. Springer. 2004
  • H. Stark, J. W. Woods. Probability and Random Processes with Applications to Signal Processing. Prentice Hall. 2002
  • Poor, V. An Introduction to Signal Detection and Estimation. Springer. 1994
Bibliografía complementaria
  • Barber, D. Bayesian Reasoning and Machine Learning. Cambridge University Press. 2012
  • Bishop, C.M.. Pattern Recognition and Machine Learning. Springer. 2006

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.