У моїй лабораторії є постдокт, спеціальність якого "статистична обробка сигналів". Має науковий ступінь кандидата електротехніки і аналізує зібрані нейронні дані.
Мені цікаво, які курси / теми я повинен почати вивчати, щоб слідувати його слідам. Я не зовсім шукаю такі речі, як статистика та обробка сигналів, я мав базові класи в обох, але все ще важко зрозуміти його роботу.
Відповіді:
Іноді є курси під назвою "статистична обробка сигналів", це добре місце для початку :-) Якщо у вашому університеті цього немає, спробуйте пошукати "виявлення та оцінку" або "розширену обробку сигналів". Якщо у вас немає університету, ви можете спробувати http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-432-stochastic-process-detection-and-estimation-spring -2004 /
Велика статистична обробка сигналів лінійна, тому ви повинні вивчити стільки лінійних алгебр, скільки зможете. Стокастичні процеси - це фундаментальний курс. Теорія управління багато в чому поділяється з SSP, і це буде дуже корисно.
Цього має бути достатньо для початку :-)
Ці класичні посилання - хороший початок:
Б. Порат, Цифрова обробка випадкових сигналів, Prentice-Hall, 1994. Серійний номер бібліотеки 2144342.
А. Папуліс, Ймовірність, випадкові змінні та стохастичні процеси, 3-е вид. , McGraw-Hill, 1991. Серійний номер бібліотеки 21111643.
С. М. Кей, Основи статистичної обробки сигналів, Том I: Теорія оцінки, Прентіс-Холл, 1993. Послідовний номер бібліотеки 2157997.
Ви також можете спробувати конспекти лекцій К.Т. Вонга (Університет Ватерлоо)
Ви також можете знайти деякі з цих серій лекцій про адаптивну обробку сигналів проф. М.Чакраборті на YouTube, які використовуються
Привіт,
Якщо припустити, що ви зацікавлені в проведенні досліджень у цій галузі, то я порадитиму шлях, побудований на міцних основах математики.
Я знаю це, бо я тільки що закінчив викладати курс з оцінки та виявлення, і я можу запевнити вас, що між якістю та новизною роботи та вашими знаннями з математики існує сильна кореляція.
Що за математика?
Лінійна алгебра:
Вам потрібно знати про векторні простори та матричну алгебру, оскільки; як хтось раніше публікував, існує багато теорії та алгоритмів, які заглиблюються в цей тип моделей. Деякі результати, які часто використовуються, є леммою зворотної матриці, що стосується матричних декомпозицій.
Теорія ймовірностей та стохастичні процеси
Це також є ключовим. Статистична обробка сигналів - це методи виявлення та оцінки інформації (умовиводу) з використанням несправних спостережень (галасливих) явищ, які також можуть бути випадковими.
Тому потрібно знати, як поводитися з таким видом об’єкта. Базовий курс у ймовірності може дати вам хороший вихідний пункт (той, який охоплює випадкові величини та випадкові вектори, і, сподіваємось, трохи розповідає про випадкові послідовності та процеси), але бажано пройти другий курс, орієнтований на випадкові процеси. Ви повинні мати певну впевненість у цих ідеях, оскільки це дозволить зрозуміти багато застосувань та практичних реалізацій, що використовуються в наукових дослідженнях та технологіях.
На другому ярусі я також розглядаю можливість курсу з оптимізації, оскільки обчислення оцінювачів здебільшого базується на вирішенні задач максимізації та мінімізації (максимальна оцінка ймовірності, мінімальний середній квадратичний показник помилок тощо).
Звичайно, існує також "алгоритмічна" точка зору, коли ви зосереджуєтеся більше на процедурах статистичної обробки сигналів для швидких обчислень, конвергенції, низької складності тощо, але врешті-решт розробка нових ідей потребує хорошої основи в математиці .
Зауважте, що ваші знання про внутрішню дію тих чи інших явищ є також ключовими для створення моделей, які ви плануєте використовувати в заданій установці. У цьому сенсі практичний досвід, який ви можете отримати на курсах цифрових комунікацій, цифрової обробки сигналів і навіть електронних схем, може бути неоціненним, щоб дати вам перевагу досліднику.
Якщо у вас виникли додаткові запитання, не соромтеся зв’язатися зі мною.
Ура, Патрісіо
Як tdcвже зазначалося, Папуліс (RIP до одного з лідерів у цій галузі) - одна з найкращих книг, але, можливо, вам доведеться спочатку вступити в неї через щось на кшталт http://www.amazon.com/Discrete-Time-Signal -Processing-2nd-Prentice-Hall / dp / 0137549202, якщо ви не мали хорошого бакалаврату / раннього аспіранта з обробки сигналів (я цього не зробив, і це трохи зачепило).
З більш статистичної точки зору (але все-таки дуже важливо для інженерів) це http://www.amazon.com/Random-Data-Measurement-Procedures-Probability/dp/0470248777/ref=sr_1_1?s=books&ie=UTF8&qid=1323737134&sr= 1-1 . Це упаковано на зябра з інформацією, тому читати це дуже повільно.
Я читав
Van Den Bos, Adriaan: "Parameter Estimation for Scientists and Engineers"
Він пояснює оцінку параметрів (максимальна ймовірність, найменші квадрати), властивості оцінювачів (точність, точність) та спосіб оцінювання цих властивостей.
Книга містить пояснення деяких чисельних методів, що використовуються для оцінки.