آموزش پردازش سیگنال های واقعی در متلب

در این آموزش تلاش شده است تا با استفاده از داده های واقعی کلیه مراحل پردازش سیگنال در متلب از فراخوانی داده ها گرفته تا پیش پردازش، استخراج ویژگی، حذف ویژگی های نامناسب از لحاظ آماری، طبقه بندی و ارزیابی طبقه بندهای مختلف مورد استفاده قرار گیرد تا دانشجویان به طور کامل کلیه مراحل را فرا گیرند.

در طول آموزش تاکید فراوانی بر چند معضل در این زمینه شده است که هرچند ساده و پیش پا افتاده به نظر می رسند ولی در واقع جز اساسی ترین مشکلات دانشجویان در حال حاضر هستند. تمرکز ابتدایی این آموزش بر نحوه فراخوانی داده های واقعی با فرمت های مختلف و همچنین ارائه راهکار برای فراخوانی تعداد فایل های زیاد به یک باره در متلب و به صورت اتوماتیک است. آموزش نحوه صحیح ارائه نتایج و شکل ها در پایان نامه ها و مقالات نیز مورد توجه قرار گرفته است و به چندین شکل مختلف بر نحوه های مختلف نشان دادن نتایج و تست کردن راه حل ها تاکید شده است.

امید آن می رود که با توجه به پایه ای بودن بسیاری از مباحث مطرح شده که با هدف برطرف کردن ضعف برنامه نویسی در دانشجویان پایه ریزی شده است، این آموزش سبب افزایش اعتماد به نفس دانشجویان شود و به آنها در انجام تحقیقات خود یاری رساند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• درس یکم: مروری بر مفاهیم پردازش سیگنال دیجیتال
  • بررسی اجزای مختلف بلوک دیاگرام کلی مربوط به پردازش سیگنال دیجیتال
  • ارائه تعاریف مقدماتی
  • اشاره به برخی کاربردهای پردازش سیگنال در علوم مختلف
• درس دوم: فراخوانی انواع مختلف داده های واقعی در متلب
  • ارائه چند مثال عملی از سیگنال های صوتی، ارتعاشاتی و بیولوژیکی با پسوندهای مختلف نظیر dat, xls, csv, txt, wav, mat
  • چگونگی فراخوانی اتوماتیک داده های جمع آوری شده توسط دانشجو و تبدیل آنها به یک مجموعه واحد
• درس سوم: پیش پردازش سیگنال
  • کاهش فرکانس نمونه برداری
  • بررسی روش های حذف انواع آرتیفکت و نویز از سیگنال ها
  • معرفی فیلتر ساویتزکی گولای
• درس چهارم: استخراج ویژگی از سیگنال های واقعی
  • بررسی روش های مختلف پنجره بندی سیگنال
  • استفاده از دو مثال عملی از سیگنال های بیولوژیک قابل بسط به سایر حوزه ها
  • معرفی و استخراج ویژگی های آماری از سیگنال
  • تبدیل فوریه و کاربرد آن در استخراج ویژگی های فرکانسی
  • استفاده از تبدیل ویولت برای استخراج ویژگی از سیگنال های ناپایا (Non-Stationary)
  • استخراج ویژگی آنتروپی شانون از سیگنال به عنوان یک ویژگی غیرخطی
  • معرفی برخی ویژگی های مورفولوژیک مربوط به انواع سیگنال های حیاتی
• درس پنجم: حذف ویژگی های فاقد سطح معناداری آماری مناسب
  • اشاره به برخی روش های حذف و انتخاب ویژگی
  • معرفی شاخص سطح معناداری آماری
  • به دست آوردن p-value با استفاده از آزمون t و استفاده از آن در حذف برخی ویژگی ها
• درس ششم: طبقه بندی
  • بررسی یک نمونه داده معتبر در زمینه سرطان سینه
  • طراحی یک شبکه عصبی MLP و مروری بر جزئیات آن برای طبقه بندی داده ها
  • معرفی و پیاده سازی عملی روش های ارزیابی کیفیت طبقه بندها نظیر صحت، حساسیت و اختصاصی بودن
  • استفاده از ماشین بردار پشتیبان SVM جهت طبقه بندی داده ها
  • معرفی روشی برای پیاده سازی عملی ماشین بردار پشتیبان SVM برای داده های چند کلاسه در متلب
  • استفاده از طبقه بند k نزدیک ترین همسایه برای طبقه بندی داده های سرطان سینه
  • استفاده از کلیه طبقه بندهای معرفی شده (ANN, SVM, KNN) برای طبقه بندی داده های مربوط به درس های سوم و چهارم

مفید برای رشته های

• مهندسی پزشکی
• مهندسی برق
• مهندسی کامپیوتر هوش مصنوعی
• مهندسی عمران

در ادامه لیست کتب انگلیسی منتشر شده در این زمینه معرفی شده اند: