Difference between revisions of "LU-DSP-b17"

From DiLab
Jump to: navigation, search
(Prakstiskie uzdevumi)
(Kalendārs)
Line 83: Line 83:
 
| Uzd. "Doti punkti, izrēķināt punktu vērtības starp šiem punktiem", veikt filtrāciju ar dažādām impulsa reakcijām h[n], kad tā ir 1, [-1 1], Gausa funkcija, 1-Gausa funkcija tml.
 
| Uzd. "Doti punkti, izrēķināt punktu vērtības starp šiem punktiem", veikt filtrāciju ar dažādām impulsa reakcijām h[n], kad tā ir 1, [-1 1], Gausa funkcija, 1-Gausa funkcija tml.
 
[http://www.ee.ic.ac.uk/pcheung/teaching/ee2_signals/lecture%2013%20-%20sampling%20&%20discrete%20signals.pdf Diskretizācija (sampling), Imperial College slaidi]  Signālu atjaunošana un filtrācija ar sinc(n) funkciju. Loga funkcijas.
 
[http://www.ee.ic.ac.uk/pcheung/teaching/ee2_signals/lecture%2013%20-%20sampling%20&%20discrete%20signals.pdf Diskretizācija (sampling), Imperial College slaidi]  Signālu atjaunošana un filtrācija ar sinc(n) funkciju. Loga funkcijas.
| ''' '''
+
| ''' MD-2 (Uzd-7) '''
 
|-
 
|-
 
| 20.03.2017. - 26.03.2017.
 
| 20.03.2017. - 26.03.2017.
 
C: 23.03.2017.
 
C: 23.03.2017.
 
|   
 
|   
| ''' '''
+
| ''' MD-2 termiņš '''
 
|-
 
|-
 
| 27.03.2017. - 02.04.2017.
 
| 27.03.2017. - 02.04.2017.

Revision as of 20:23, 16 March 2017

Digitālā (ciparu) signālu apstrāde

LU DF bakalauru kurss.

  • Pasniedzējs Kaspars Sudars [mansuzvārds@edi.lv].

SVARĪGI

Ar šo semestri LU DF nebūs iespējams izlikt kursā atzīmi, ja nebūs aizpildīta kursa vērtējuma aptauja, kas pieejama LUIS sistēmā. Tāpēc visiem studentiem lūdzu to savlaicīgi izdarīt.

Mērķi

  • Iepazīties ar Digitālās Signālu Apstrādes pielietojumiem un principiem

Motivācija

"Think how electronics has changed the world in the last 50 years. DSP will have the same role over the next 50 years. Learn it or be left behind!" - Steve Smith, autors "DSP Guide"

Mājas un citi iesniedzamie darbi

  • Iesniegšanas termiņa laiks ir 30 minūtes pirms nākamās lekcijas sākumam, ja netiek noteikts cits termiņš.
  • Ja darbs tiek iesniegts ar novēlošanos, rezultāts tiek samazināts par 50% pirmo septiņu dienu laikā pēc termiņa, un vēl par 50% plus 10% par katru nokavēto dienu septiņas vai vairāk dienas pēc termiņa.
  • Darbi iesniedzami elektroniski, pa epastu pasniedzējam.
  • E-pasta Subj. ir sekojošs: "DSP MD1 Vards Uzvards" - piemērs pirmajam mājasdarbam. Vārds uzvārds rakstāmi latīņu burtiem - bez garumzīmēm un tml. (failu sistēmu saderībai).
  • Teksts noformējams PDF faila formātā. Piemēram MD2 fails būtu sekojošs: DSP_MD2_Vards_Uzvards.pdf
  • Iesniedzamie projektu faili arhivējami ZIP formātā, sekojoši: DSP_MD2_Vards_Uzvards.zip Atspiežot šo failu tam jārada direktorija ar tādu pašu nosaukumu, kur atrodas visi faili.
  • Lūdzu reģistrēties man ēpastā uz lekciju.

Vērtējums kursā

Kursa galējais vērtējums sastāv no sekojošām komponentēm:

  • 10% - dalība lekcijās un diskusijās
  • 20% - mājas darbi, praktiskie darbi un testi
  • 20+20% - divi kontroldarbi semestra vidū
  • 30% - rakstisks gala eksāmens
  • Obligāta kursa aptaujas anketas aizpildīšana LUIS sistēmā
  • Atzīmes uzlabošanai iespējams papildus rakstīt eseju par tēmu, kas jāsaskaņo ar pasniedzēju.

Kalendārs

Nedēļas datumi Kursa saturs
31.01.2017. - 05.02.2017. Reģistrācijas nedēļa
06.02.2017. - 12.02.2017.

C: 09.02.2016.

Lekcijas slaidi

DSP (Digital Signal Processing) ievadlekcija. DSP definīcija un pielietojumi. DSPGuide grāmatā 1. nodaļa.
M-valoda darbam ar MATLAB un OCTAVE datu apstrādes sistēmām. Matlab programmatūra. Octave programmatūra.
Octave grafiskā redaktora palaišana Ubuntu terminālī: octave --force-gui
Piezīme: man kā pasniedzējam vārdi "Matlab" un "Octave" ir gandrīz kā sinonīmi (ja lekcijās tie tiek jaukti).
Principā: viena no galvenajām rekomendācijām, risinot reālistiskus ar DSP saistītus uzdevumus, ir neaizmirst par OpenCV iespējām.
Principā: mūsdienās signālu atpazīšanas problēmu (objektu atpazīšanu attēlos vai runas/skaņas atpazīšanu) risina ar mākslīgajiem neironu tīkliem (Google keyword: Deep learning)

13.02.2017. - 19.02.2017.

C: 16.02.2016.

Analogais-ciparu pārveidotājs (ADC jeb ACP modelis) jeb signālu mērīšana (ciparu signāls = signālu diskretizācija + kvantēšana).

Signālu klasifikācijas un galvenie parametri (vidējā vērtība, vidējā kvadrātiskā vērtība, SNR, enerģija, jauda, min un max vērtība, dinamiskais diapazons u.c.).
Ievads MATLAB un OCTAVE datu apstrādes sistēmās: M-valodas Slaidi 1 M-valodas Slaidi 2
1. wav fails
2. wav fails
DSP uzdevumi

20.02.2017. - 26.02.2017.

C: 23.02.2016.

Svarīgāko Octave komandu apskats (komandu pilna bāze, ar kurām var konstruēt signālapstrādes algoritmus). Praktiskais darbs ar Octave.

ADC darbības modelis Octave vidē. Slaidi.
Statistika, varbūtība, trokšņi un gadījumsignāli. DSPGuide grāmatā 1-3. nodaļa.

MD-1 (Uzd-1)

27.02.2017. - 05.03.2017.

C: 02.03.2016.

Konvolūcija step-by-step 1, Octave implementācija

Sintēze un dekompozīcija
Pietiekama diskretizācijas frekvence, uzklāšanās.

MD-1 termiņš
06.03.2017. - 12.03.2017.

C: 09.03.2016.

Konvolūcija step-by-step 2, Octave implementācija
13.03.2017. - 19.03.2017.

C: 16.03.2016.

Uzd. "Doti punkti, izrēķināt punktu vērtības starp šiem punktiem", veikt filtrāciju ar dažādām impulsa reakcijām h[n], kad tā ir 1, [-1 1], Gausa funkcija, 1-Gausa funkcija tml.

Diskretizācija (sampling), Imperial College slaidi Signālu atjaunošana un filtrācija ar sinc(n) funkciju. Loga funkcijas.

MD-2 (Uzd-7)
20.03.2017. - 26.03.2017.

C: 23.03.2017.

MD-2 termiņš
27.03.2017. - 02.04.2017.

C: 30.03.2016.

03.04.2017. - 09.04.2017.

C: 06.04.2016.

10.04.2017. - 17.04.2017. Lieldienu brīvdienas
18.04.2017. - 23.04.2017.

C: 20.04.2016.

24.04.2017. - 30.04.2017.

C: 27.04.2016.

01.05.2017. - 07.05.2017.

C: 05.05.2016.

08.05.2017. - 14.05.2017.

C: 11.05.2016.

15.05.2017. - 21.05.2017.

C: 18.05.2016.

22.05.2017. - 28.05.2017.

C: 25.05.2016.

29.05.2017. - 04.06.2017.

C: 01.06.2016.

??? 14:30 alternatīvs eksāmens tiem, kas nerakstīja iepriekš, ar 80% kā maksimālo rezultātu kavējuma dēļ. Kursa rezultātu paziņošana.

Signāli

Prakstiskie uzdevumi

  • Uzd-1: Iepazīties ar Octave funkciju rand() un ģenerēt nejaušus gadījuma skaitļus (vismaz 80000) un izveidot tiem histogrammu (gadījuma procesa empīrisko varbūtību sadalījumu) grafikus gadījumos, kad 1) pastāv viens gadījuma skaitļu avots (to Octave simulē rand funkcija), 2) gadījuma process ir summa no 2 gadījuma skaitļu avotiem, 3) gadījuma process ir summa no 4 gadījuma skaitļu avotiem. Iesūtīt prasītos histogrammu grafikus gadījuma skaitļu avotiem un secinājumus pdf dokumentā. Programmēšanas vide Octave. (Vecā versija: Ģenerēt nejaušus skaitļus (vismaz 80000) un histogrammas sekojošām funkcijām: RND, RND+RND, RND+RND+RND+RND. Izdarīt secinājumus par histogrammām. Iesūtīt grafikus un secinājumus pdf dokumentā. Programmēšanas vide Octave.)
  • Uzd-2: Izveidot simulatorus: (A) Monētas krišanai pa sazarotu celiņu (tas sakrīt ar šādu varbūtību trīsstūri ar 5 pakāpēm), kur varbūtība monētai aiziet pa kreiso zaru un pa labo zaru: 1)0.5, 0.5 un 2) 0.3 un 0.7. Secinājumi. (B) Objekta X diskrētai random walk, kur varbūtība iet vienu diskrēto lielumu uz priekšu vai atpakaļ ir 0.5 un 0.5, varbūtība iet vienu diskrēto lielumu pa kreisi, pa labi ir 0.5 un 0.5, attēlot grafiski šādas random walk realizācijas, kad gājienu skaits N=10, 100, 1000. Secinājumi.
  • Uzd-3: Audio faila konvolūcija ar gausa funkciju, secinājumi.
  • Uzd-4: DFT matricu formā, kods, ilustratīvs piemērs, secinājumi.
  • Uzd-5: Implementēt Kalmana filtru Octave vidē. Ģenerēt testa signālu ar troksni. Filtrēt to ar Kalmana filtru. Mainīt Kalman Gain un veikt secinājumus.
  • Uzd-6: Ģenerēt testa signālu y:
    • N=1000;
    • sigmau=1.8;
    • x=linspace(0,1,N)*.5;
    • y=x+sigmau*randn(1,N);
    • Izmantojot signālu y, atdalīt no tā troksni, izmantojot (a) Moving Average, (b) Gausa un (c) Kalmana filtrus. Salīdzināt visu filtru rezultātus, izmantojot vidējās kvadrātiskās kļūdas kritēriju (ja tiek izmantots cits kritērijs, tad pamatot tā izvēli). Izdarīt secinājumus.
  • Uzd-7: Izveidot ADC (analog-to-digital signālu pārveidotājs) Octave modeli. Ieejas analogais testa signāls šāds. Grafiski attēlot ADC ieejas un izejas signālus vienā attēlā pie parametriem: (a) diskretizācijas frekvence (sampling frequency) Fs = 5 Hz un 4 bitu kvantēšana (ADC kvantēšanas diapazons ir -2 līdz 2 ), (b) Fs = 25 Hz, 10 bitu kvantēšana. Iesūtīt grafikus, aprakstu un secinājumus pdf dokumentā.
  • Uzd-8: 1) Doti punkti x=[1 2 3 4 5 6 7] un y=[0.341627 0.662821 0.534425 0.270544 0.026933 0.937675 0.183618], izrēķināt/interpolēt punktu vērtības starp šiem punktiem, 2) veikt filtrāciju ar dažādām impulsa reakcijām h[n], kad tā ir 1, [-1 1], Gausa funkcija.
  • Uzd-9: Izmantojot Octave, konstruēt algoritmu, kas izgriež pauzes runas signālam.
  • Uzd-10: Izmantojot Octave, konstruēt algoritmu, kas atrod cilvēku sejas attēlā.
  • Uzd-11: Izmantojot Octave: 1) ielasīt audio failu S-1, 2) pārrēķināt signāla nolases tā, lai tas būtu kvantēts visā signāla diapazonā ar 4 bitiem, 3) saglabāt un atskaņot jauniegūto signālu.
  • Uzd-12: Izmantojot Octave: 1) izveidot attēlu, kurā redzams jūsu vārda pirmais burts, 2) no iepriekšējā attēla izveidot jaunu, kam fonā būtu cits attēls S-4.
  • Uzd-13: DSP uzdevumi
  • Uzd-14: Izmantojot Octave, izveidot Short-time DFT jeb spektrogrammu runas signālam.
  • Uzd-15: Signālu S-1 pārdiskretizēt ar 0.8 no esošās diskretizācijas frekvences. Abus signālus attēlot grafiski.
  • Uzd-16: Veikt signālu filtrāciju frekvenču apgabalā. Ar joslas filtru no S-1 izfiltrēt frekvenču apgabalu 0.1 Fs līdz 0.4 Fs (kur Fs ir S-1 diskretizācijas frekvence). Orģinālo signālu un filtrēto signālu attēlot: 1) frekvenču apgabalā, 2) laika apgabalā.
  • Ūzd-17: Implementēt konvolūciju Octave vidē.

Kursa materiāli