Trasmissione ed Elaborazione Numerica di Segnali Teoria Completa + esercizi (tutto ciò che serve per superare l'esame con 30)

Teoria completa del corso di "Trasmissione ed Elaborazione Numerica di Segnali" di Ingegneria informatica presso l'Università degli Studi della Campania Luigi Vanvitelli. Il corso è tenuto dal professore Francesco Palmieri. Questo pdf contiene un personale riassunto dettagliato del corso, il tutto ben commentato e munito degli opportuni schemi. gli appunti sono autosufficienti al completamento dell'esame con risultati ottimali.

Sulla piattaforma è possibile trovare anche una versione "ridotta" per gli elettronici cotenente soltanto i primi 3 moduli (Modulazione Analogica, Modulazione Numerica, Teoria dell’Informazione e Codici) al link: https://www.skuola.net/universita/appunti/trasmissione-ed-elaborazione-numerica-palmieri-versione-ridotta-solo-elettronici-modulazione-analogica-modulazione-numerica-teoria-dellinformazione-e-codici


L'indice degli argomenti è mostrato di seguito:


Modulazione Analogica: Cenni sul segnale analitico e sulla rappresentazione dei segnali passabanda; Modulazione lineare su portante sinusoidale; DSB, AM, SSB, VSB, QAM; Modulazione lineare in presenza di
rumore; Modulazione angolare: FM e PM; Omodina ed Eterodina, Modulatori per la modulazione Lineare (bastati
sui moltiplicatori, bastati su non linearità, a chopper, bilanciati, SSB a più stadi, SSB che usano la trasformata di
Hilbert), Demodulatori per la Modulazione Lineare. Modulazione Lineare in presenza di rumore, Demodulatori di
inviluppo, Modulazione Angolare a banda stretta e larga con e senza presenza di rumore, Demodulatori Angolari
(discriminante di frequenza, schema basato sullo zero crossing, schema PLL). Esercizi.


Modulazione Numerica: Descrizione del canale nella Mod. Numerica, Approccio intuitivo alla
ricezione, Rappresentazione nello spazio dei segnali; Procedura di Gram Schmidt per l’ortogonalizzazione con
esempi, rappresentazione di un processo aleatorio nello spazio dei segnali. Ricezione ottima su canale AWGN,
ricevitore ottimo MAP, realizzazione dei correlatori mediante filtro adattato, modulazione PAM, PSK, QAM su
canale AWGN, Modulazione ortogonale su canali AWGN, Modulazione FSK ortogonale, Modulazione BI-ortogonale, OFDM, Errori di bit nella trasmissione di stringhe. Esercizi.


Teoria dell’Informazione e Codici: Sorgenti di Informazione, La proprietà di equiripartizione
asintotica (AEP); Sequenze tipiche; Sorgenti discrete con memoria; Stazionarietà; Tasso entropico; Catene di
Markov con esempi; Caratterizzazione delle catene di Markov; Risoluzione di alcuni esempi per la probabilità dello
stato stazionario; Entropia delle catene di Markov; Cenni sulle catene di Markov nascoste; BBC; Codifica
Aritmetica; Codifica Lempel-Ziv; Esempi di codifica; Studio di un Canale senza codifica; Ambiguità, Mutua
informazione e Capacità di Canale; il Teorema del Trattamento dei Dati; il Ricevitore MAP; il Ricevitore MV; La
disuguaglianza di Fano; Ricezione a Massima Verosimiglianza (ML); Schema generale di codifica di canale; Il
teorema inverso della codifica di canale; Introduzione intuitiva al teorema della codifica di canale; Il teorema
della codifica per il caso binario (Secondo Teorema di Shannon). Esercizi.


Elaborazione Numerica dei Segnali: Richiami ai segnali tempo discreto e Z trasformata,
progetto di filtri FIR ed IIR, Simulazione di sistemi continui mediante filtri numerici (metodo invarianza all’impulso,
al gradino e alla rampa), progetto di filtri numerici mediante approssimazione delle derivate e dell’integrale.
Progetto di un filtro passa basso con i filtri di Butterworth. Trasformazioni Analogico-Analogico e NumericoNumerico. Approssimazione della risposta impulsiva (metodo di Patè, Metodo solo poli e Approssimazione zeropoli). Filtri a minimo errore quadratico (Wiener) con formulazione basata su insiemi di apprendimento, matriciale
e stocastica. Proprietà de correlanti della trasformata di Fourier, Formulazione matriciale della DFT, Trasformate
Decorrelanti discrete, fattorizzazione di Cholesky, fattorizzazione spettrale, Altre trasformate (trasformata di
Hartley, short time Fourier transform, coseno, seno, DCT, DST, Hadamard), proprietà de correlanti della DCT.
Percezione delle immagini, elaborazione delle immagini, trasformate discrete applicate alle immagini,
compressione immagini JPEG. Esercizi.


Machine Learning: introduzione al Machine Learning e alle Reti Neurali; il Modello del Neuroene di
McCulloch -Pitts (Percettone); Processi di Apprendimento; Algoritmo di Apprendimento di Rosenblatt;
Classificatore Bayesiano; Modelli di Apprendimento basati sulla Regressione Lineare; algoritmi di apprendimento
(algoritmo del gradiente, algoritmo di Newton, algoritmo di Gauss Newton); Generalizzazione; algoritmo di Back
Propagation per le Reti Neurali;