Métodos de Estimación y Detección
Código: 45640Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Ingeniería de Telecomunicación | OB | 1 |
Profesor/a de contacto
- Nombre :
- José A. Lopez Salcedo
- Correo electrónico :
- jose.salcedo@uab.cat
Equipo docente
- Gonzalo Seco Granados
Equipo docente (externo a la UAB)
- Xing Liu
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Se recomienda tener conocimientos básicos de procesamiento estadístico de señal.
Objetivos
Este curso ofrece una visión general de la teoría de detección y estimación, incluyendo marcos de aprendizaje basados en datos tanto clásicos como modernos. El curso introduce primero el tema de la teoría de la detección mediante métodos secuenciales y basados en clasificación, así como la evaluación de sus prestaciones. A continuación, el curso cubre métodos de estimación clásicos, incluyendo el método de mínimos cuadrados recursivos (RLS), antes de pasar a técnicas de estimación bayesianas como el filtro de Kalman. A partir de esta base, el curso introduce la estimación "sparse" y la detección comprimida, seguida de técnicas de aprendizaje bayesiano y modelos gráficos probabilísticos. En conjunto, estos temas aportan a los estudiantes las herramientas teóricas y técnicas algorítmicas necesarias para diseñar y analizar sistemas de estimación y detección para aplicaciones modernas de procesamiento de señales.
Resultados de aprendizaje
- (CA04) Implementar receptores digitales para su uso en aplicaciones de telecomunicación, tanto fijas como móviles
- (CA05) Aplicar técnicas de procesado de señal en contextos interdisciplinarios, como bioingeniería, finanzas o procesos industriales
- (KA04) Comparar los métodos de estimación clásica y métodos de estimación Bayesiana, identificando sus características diferenciales
- (KA05) Enumerar las principales técnicas de detección de señal y su aplicación a problemas con conocimiento total o parcial de los parámetros implicados
- (SA07) Aplicar métodos de estimación clásica y Bayesiana, así como métodos de detección, para resolver problemas que impliquen el procesado de señales en receptores digitales
- (SA08) Diseñar técnicas de procesado de señal en sistemas de radionavegación, posicionamiento y radar
- (SA09) Evaluar las prestaciones de los métodos de estimación y detección mediante análisis teórico y simulación
Contenidos
1. Métodos de detección
- Principios de la teoría de la detección
- Prestaciones de los métodos de detección.
- Criterios de detección para distribuciones estadísticas completamente conocidas.
- Criterios de detección en presencia de parámetros desconocidos.
- Detección secuencial.
- Clasificación
2. Métodos de estimación clásicos
- Principios de la teoría de la estimación.
- Estimación en presencia de parámetros no deseados.
- Mínimos cuadrados recursivos (RLS).
- Cotas teóricas de prestaciones.
3. Métodos de estimación bayesiana
- Estimadores bayesianos (generales y lineales).
- Filtro de Kalman.
- Cotas teóricas bayesianas.
4. Estimación y aprendizaje "sparse"
- Representación de señales "sparse"
- Caracterización de las normas l0, l1 y l2
- Algoritmos: LASSO, algoritmos "greedy", algoritmos iterativos de umbralización/reducción
- Detección comprimida
5. Aprendizaje bayesiano
- Algoritmo EM
- Aprendizaje bayesiano "sparse" (SBL)
- Modelos de mezcla gaussiana
- Filtrado de partículas
6. Modelos gráficos probabilísticos
- Modelos gráficos
- Redes bayesianas
- Grafos factoriales
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Autónoma | |||
| Trabajo individual del alumno: estudio y resolución de problemas | 70 | 2,8 | CA04, CA05, KA04, KA05, SA07, SA08 |
| Trabajo individual del alumno: preparación de prácticas | 20 | 0,8 | CA04, CA05, KA04, SA07, SA08, SA09 |
| Tipo: Dirigida | |||
| Clases de teoría | 30 | 1,2 | CA05, KA04, KA05, SA07, SA08, SA09 |
| Sesiones de laboratorio | 15 | 0,6 | CA04, KA04, SA07, SA08, SA09 |
| Tipo: Supervisada | |||
| Tutorías | 9 | 0,36 | CA05, KA05, SA07, SA08 |
Actividades presenciales
- Clases de teoría: exposición de los contenidos teóricos
- Prácticas de laboratorio: aplicación de las técnicas presentadas en las clases de teoría a diferentes sistemas reales y puesta en práctica con distintos softwares de simulación.
- Exámenes parciales y final.
Actividades autónomas
- Estudio de los contenidos teóricos y prácticos de la asignatura.
- Resolución de problemas y elaboración de entregas con soluciones de algunos conjuntos de problemas.
- Preparación de exámenes.
- Trabajos prácticos: realización y profundización de las prácticas de laboratorio.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen 1 | 35% | 2 | 0,08 | CA05, KA04, KA05, SA07, SA08, SA09 |
| Examen 2 | 35% | 2 | 0,08 | CA05, KA04, SA08, SA09 |
| Laboratorio | 30% | 2 | 0,08 | CA04, CA05, KA04, SA07, SA08, SA09 |
La nota final de la asignatura se obtiene como el promedio ponderado de las notas obtenidas en las actividades de evaluación continua.
Recuperación
El estudiante tiene la opción de realizar un examen de recuperación, el cual se llevará a cabo una vez finalizadas las clases presenciales, durante el período de exámenes de recuperación fijado por la escuela. En el examen de recuperación, el estudiante podrá recuperar la parte correspondiente al examen 1, la parte correspondiente al examen 2, oa ambas a la vez. En cualquier caso, la nota del examen de recuperación, sea correspondiente a la recuperación del examen 1 o del examen 2, sustituirá a la nota que haya sacado el estudiante al examen que está recuperando.
Una vez sustituida la nota del examen recuperado, la nota final de la asignatura se obtiene igualmente como el promedio de las notas de los exámenes (recuperados, en su caso) y de la nota de laboratorio.
Integridad académica y verificación de la autoría
El profesorado se reserva el derecho de convocar una entrevista o prueba oral individual de contraste cuando existan indicios de copia o falta de autoría en una actividad evaluable. La imposibilidad de acreditar satisfactoriamente la autoría podrá tener efectos sobre su calificación, de acuerdo con la normativa académica vigente.
Consideración de "No Evaluable"
La nota final será "No Evaluable" sólo cuando el estudiante no se presente a ningún examen, ni los de la evaluación continua ni el de recuperación.
Consideración en caso de copia o plagio
Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, se calificarán con un cero las pruebas o informes donde el estudiante haya cometido las irregularidades, como plagio, engaño, copia, dejar copiar, etc., que podrían conducir a una variación de la calificación.
Bibliografía
- S. M. Kay, Fundamentals of statistical signal processing. Estimation theory, vol. I, Prentice-Hall, 1993.
- S. M. Kay, Fundamentals of statistical signal processing. Detection theory, vol. II, Prentice-Hall, 1998.
- S. M. Kay, Fundamentals of statistical signal processing. Practical algorithm development, vol. III, Pearson, 2013.
- H. L. Van Trees, K. L. Bell, Bayesian bounds for parameter estimation of nonlinear filtering/tracking, IEEE Press, 2007.
- M. S. Grewal, A. P. Andrews, Kalman filtering: theory and practice using Matlab, John Wiley & Sons, 2001.
- S. Theodoridis, Machine Learning. From the Classics to Deep Networks, Transformers, and Diffusion Models, 3rd Ed., Academic Press, 2024.
Software
Las sesiones de laboratorio harán uso del software Matlab.
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TEmRD) Teoria (màster RD) | 1 | Inglés | primer cuatrimestre | tarde |
| (PLABmRD) Pràctiques de laboratori (màster RD) | 1 | Inglés | primer cuatrimestre | tarde |