Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
Στόχος του μαθήματος είναι οι φοιτητές να αφομοιώσουν και να είναι σε θέση να αντιμετωπίζουν με ευχέρεια τα παρακάτω:
1. Το πρόβλημα και τις εφαρμογές της εκτίμησης.
2. Τις δομές και τις ιδιότητες των εκτιμητριών
3. Το πρόβλημα και τις εφαρμογές της ανίχνευσης.
4. Τον έλεγχος υποθέσεων
5. Τις μεθόδους ανίχνευσης ντετερμινιστικών και τυχαίων σημάτων
Περιεχόμενο Μαθήματος
Θεωρία Εκτίμησης:
Γενικευμένη αμερόληπτη εκτίμηση ελάχιστης διασποράς
Το κάτω φράγμα Cramer-Rao
Μη πολωμένη εκτίμηση ελάχιστης μεταβλητότητας για τις παραμέτρους γραμμικών μοντέλων.
Ο βέλτιστος γραμμικός αμερόληπτος εκτιμητής
Εκτίμηση μέγιστης πιθανοφάνειας.
Εκτίμηση ελαχίστων τετραγώνων
Εκτιμητές κατά Bayes
Το φίλτρο Wiener
Το φίλτρο Kalman
Θεωρία ανίχνευσης:
Θεωρία Στατιστικής Απόφασης.
Έλεγχος υποθέσεων και το θεώρημα Neyman – Pearson
Έλεγχος υποθέσεων με την ελαχιστοποίηση του ρίσκου κατά Bayes
ROCs
Ανίχνευση ντετερμινιστικών σημάτων παρουσία θορύβου, το matched filter.
Ανίχνευση τυχαίων σημάτων σε θόρυβο.
Βιβλιογραφία μαθήματος (Εύδοξος)
- Στατιστική Επεξεργασία Σημάτων και Μάθηση. Δημήτρης Αμπελιώτης, Χρήστος Μαυροκεφαλίδης, Κώστας Μπερμπερίδης, ΕΛΛΗΝΙΚΑ ΑΚΑΔΗΜΑΪΚΑ ΗΛΕΚΤΡΟΝΙΚΑ ΣΥΓΓΡΑΜΜΑΤΑ ΚΑΙ ΒΟΗΘΗΜΑΤΑ, 2015
Επιπρόσθετη βιβλιογραφία για μελέτη
1α. Fundamentals of Statistical Signal Processing, Volume 1: Estimation Theory, by Steven M. Kay, Prentice Hall, 1993
1β. Fundamentals of Statistical Signal Processing, Volume 2: Detection Theory, by Steven M. Kay, Prentice Hall 1998.
2. Statistical Inference for Engineers and Data Scientists, by Pierre Moulin and Venugopal V. Veeravalli, Cambridge University Press, 2019