Il y a un post-doctorant dans mon laboratoire dont la spécialité est le "traitement statistique du signal". Il a un doctorat en génie électrique et il analyse les données neuronales collectées.
Je me demande quels cours / sujets je devrais commencer à étudier pour suivre ses traces. Je ne recherche pas exactement des choses comme les statistiques et le traitement du signal, j'ai eu des cours de base dans les deux mais j'ai toujours du mal à comprendre son travail.
Parfois, il y a des cours intitulés «traitement statistique du signal», c'est un bon point de départ :-) Si votre université ne dispose pas de cela, essayez de rechercher «détection et estimation» ou «traitement avancé du signal». Si vous n'avez pas une université à portée de main, vous pouvez essayer http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-432-stochastic-processes-detection-and-estimation-spring -2004 /
Une grande partie du traitement statistique du signal est linéaire, vous devez donc apprendre autant d'algèbre linéaire que possible. Les processus stocastiques sont un cours fondamental. La théorie du contrôle partage beaucoup avec le SSP et serait très utile.
Cela devrait suffire pour commencer :-)
Ces références classiques sont un bon début:
B. Porat, Traitement numérique des signaux aléatoires, Prentice-Hall, 1994. Numéro de série de la bibliothèque 2144342.
A. Papoulis, Probability, Random Variables and Stochastic Processes, 3e éd. , McGraw-Hill, 1991. Numéro de série de la bibliothèque 21111643.
SM Kay, Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, Prentice-Hall, 1993. Numéro de série de la bibliothèque 2157997.
Vous pouvez également essayer les notes de cours de KT Wong (Université de Waterloo)
Vous trouverez peut - être aussi une partie de cette série de conférences sur le traitement du signal adaptatif par le professeur M.Chakraborty sur YouTube d'utilisation
Salut,
En supposant que vous êtes intéressé à faire de la recherche dans le domaine, je vous conseillerai de suivre une voie construite sur des bases solides en mathématiques.
Je le sais, car je viens de terminer un cours d'estimation et de détection et je peux vous assurer qu'il existe une forte corrélation entre la qualité et la nouveauté du travail et vos connaissances en mathématiques.
Quel genre de mathématiques?
Algèbre linéaire:
Vous devez connaître les espaces vectoriels et l'algèbre matricielle car; comme quelqu'un d'autre l'a déjà signalé, il y a beaucoup de théorie et d'algorithmes qui explorent ce type de modèles. Certains résultats qui sont souvent utilisés sont le lemme matriciel inverse, tout ce qui a à voir avec les décompositions matricielles.
Théorie des probabilités et processus stochastiques
C'est aussi la clé. Le traitement statistique du signal concerne les méthodes de détection et d'estimation des informations (inférence) à l'aide d'observations erronées (bruyantes) de phénomènes qui pourraient également être aléatoires.
Vous devez donc savoir comment gérer ce type d'objet. Un cours de base sur les probabilités peut vous donner un bon point de départ (un cours qui couvre des variables aléatoires et des vecteurs aléatoires et qui, nous l'espérons, parle un peu des séquences et des processus aléatoires), mais il est souhaitable de suivre un deuxième cours, axé sur les processus aléatoires. Vous devez avoir une certaine confiance avec ces idées car elles vous permettront de comprendre de nombreuses applications et implémentations pratiques utilisées dans la recherche et la technologie.
À un deuxième niveau, j'envisagerai également de suivre un cours d'optimisation, car le calcul des estimateurs est principalement basé sur la résolution de problèmes de maximisation et de minimisation (estimateurs de vraisemblance maximale, estimateur d'erreur quadratique moyenne minimale, etc.)
Bien sûr, il y a aussi le point de vue "algorithmique", où vous vous concentrez davantage sur les procédures de traitement statistique du signal pour le calcul rapide, la convergence, la faible complexité, etc., mais au final le développement de nouvelles idées nécessite une bonne base en mathématiques .
Notez que votre connaissance du fonctionnement interne d'un phénomène donné est également essentielle pour produire les modèles que vous prévoyez d'utiliser dans une configuration donnée. En ce sens, l'expérience pratique que vous pouvez obtenir d'un cours en communications numériques, traitement numérique du signal et même circuits électroniques peut être inestimable pour vous donner un avantage en tant que chercheur.
Si vous avez d'autres questions, n'hésitez pas à me contacter.
À la vôtre, Patricio
Comme cela tdca été cité, Papoulis (RIP à l'un des leaders de ce domaine) est l'un des meilleurs livres, mais vous devrez peut-être d'abord y accéder via quelque chose comme http://www.amazon.com/Discrete-Time-Signal -Processing-2nd-Prentice-Hall / dp / 0137549202 si vous n'avez pas eu un bon cours de premier cycle / premier cycle universitaire en traitement du signal (je ne l'ai pas fait, et ça fait un peu mal).
D'un point de vue plus statistique (mais toujours très valable pour les ingénieurs), http://www.amazon.com/Random-Data-Measurement-Procedures-Probability/dp/0470248777/ref=sr_1_1?s=books&ie=UTF8&qid=1323737134&sr= 1-1 . C'est plein à craquer avec des informations, donc c'est une lecture très lente.
j'ai lu
Van Den Bos, Adriaan: "Parameter Estimation for Scientists and Engineers"
Il explique l'estimation des paramètres (vraisemblance maximale, moindres carrés), les propriétés des estimateurs (précision, exactitude) et comment estimer ces propriétés également.
Le livre contient des explications sur certaines méthodes numériques utilisées pour l'estimation.