Código: | M4062 | Sigla: | M4062 | Nível: | 400 |
Áreas Científicas | |
---|---|
Classificação | Área Científica |
OFICIAL | Matemática |
Ativa? | Sim |
Página Web: | https://moodle.up.pt/course/view.php?id=2477 |
Unidade Responsável: | Departamento de Matemática |
Curso/CE Responsável: | Mestrado em Engenharia Matemática |
Sigla | Nº de Estudantes | Plano de Estudos | Anos Curriculares | Créditos UCN | Créditos ECTS | Horas de Contacto | Horas Totais |
---|---|---|---|---|---|---|---|
M:AST | 0 | Plano de Estudos oficial desde_2013/14 | 1 | - | 6 | 56 | 162 |
2 | |||||||
M:CC | 1 | PE a partir do ano letivo de 2014 | 1 | - | 6 | 56 | 162 |
M:EG | 4 | Plano de Estudos do M: ENG.GEO_2013-2014 | 1 | - | 6 | 56 | 162 |
M:ENM | 4 | Plano de Estudos do M:Engenharia Matemática_2013-2014 | 1 | - | 6 | 56 | 162 |
M:M | 0 | Plano de Estudos do M:Matemática | 1 | - | 6 | 56 | 162 |
Proporcionar conhecimentos para a análise e processamento digital de sinais estocásticos, abordando de uma forma global a modelação, a estimação espectral e a filtragem óptima e adaptativa.
O estudante deverá ser capaz de:
-rever tópicos essenciais de processamento digital de sinal, incluindo a amostragem e a utilização de transformadas.
-caracterizar sinais aleatórios discretos nos domínios do tempo, frequência e tempo-frequência/escala, formular modelos adequados, estimar os parâmetros e avaliar a qualidade das estimativas.
-usar a teoria de estimação linear ótima, filtragem de Kalman e de Wiener, na resolução de problemas em áreas técnicas, como telecomunicações e processamento de sinal, mas também noutras disciplinas como finanças e estatística.
- usar os algoritmos de processamento de sinal adaptativo para extrair informação relevante de sinais em ruído: ênfase em algoritmos recursivos para sinais e sistemas variantes no tempo, aplicação em casos de estudo variados como finanças e aplicações biomédicas.
- selecionar de forma crítica os métodos a aplicar em casos de estudo concretos e interpretar os resultados obtidos.
Processos estocásticos em tempo discreto. Caracterização e análise nos domínios do tempo e frequência. Estacionariedade e ergodicidade. Modelos lineares. Análise espectral paramétrica e não paramétrica. Introdução à análise em tempo-frequência/escala e wavelets. Fundamentos de processamento de sinal ótimo e adaptativo. Algoritmos de mínimos quadrados e recursivos. Introdução a novos paradigmas na análise estatística de sinais.
Aplicação e ilustração dos métodos e algoritmos estudados a casos de estudo.
Other bibliography: Being of interest, in particular for some of the case studies, complementary specific references or papers may be included in the bibliography list.
Aulas TP para apresentação da matéria ilustrada com exemplos variados e orientadas para a resolução de problemas /projeto, com uma forte componente de computação laboratorial em Matlab (ou R).
A orientação da disciplina previlegia a compreensão dos conceitos e métodos e a sua utilização efectiva na análise de dados simulados e de dados experimentais. Será feita uma utilização intensiva de meios computacionais avançados. Privilegia-se o aperfeiçoamento das competências de comunicação oral e escrita.
Designação | Peso (%) |
---|---|
Prova oral | 50,00 |
Trabalho escrito | 50,00 |
Total: | 100,00 |
Classificação não inferior a 8 valores nos Trabalhos
Classificação não inferior a 8 valores no Projecto
Trabalhos (T-50%) e Projecto individual (P-50%). A avaliação da componente de Projecto, inclui a discussão (30%), a apresentação final (20%) e o relatório escrito (50%).
Não aplicável. Idêntica para todos os alunos.
Não aplicável. Idêntica para todos os alunos.
A componente T não é susceptível de melhoria.
A melhoria da componente P é feita segundo as normas e prazos do ano letivo corrente.
Integram o Juri da unidade curricular,
Ana Paula Rocha
Rute Almeida.