Dokuz Eylül Üniversitesi Ders Katoloğu / Bilgi Paketi

Ders Bilgileri

Ders Kodu	Ders Adı	Ders Türü	D	U	L	AKTS
EEE 5087	Sinyal İşlemede İstatiksel Kestirim Teorisi	SEÇMELİ	3	0	0	8

Dersi Veren Birim

Fen Bilimleri Enstitüsü

Dersin Düzeyi

Yüksek Lisans

Ders Koordinatörü

PROF. DR. OLCAY AKAY

Dersi Alan Birimler

Elektrik ve Elektronik Mühendisliği Bütünleşik Doktora (İngilizce)
Elektrik ve Elektronik Mühendisliği Yüksek Lisans (İngilizce)
Elektrik ve Elektronik Mühendisliği Doktora (İngilizce)

Dersin Amacı

Bu dersin ana amacı, farklı matematiksel modeller altında kestirim problemini tanımlamak ve işaret işlemedeki kestirim teorisinin araçları olarak kullanılan temel yöntemleri verebilmektir.

Dersin Öğrenme Kazanımları

1	İşaret işlemedeki tahmin problemini ve tahmin işleminin temel gereksinimlerini tanımlayabilmeli.
2	Kestiricinin tarafsızlığı, minimum varyans ve onun sınırı olan Cramer Rao alt sınırı nı içeren önemli parametreleri algılayabilmeli.
3	En İyi Doğrusal Tarafsız Kestirim ve En Düşük Kareler yöntemi gibi yöntemleri kullanarak olasılık yoğunluğu nu kullanmaksızın kestirim problemlerini çözebilmeli.
4	Kestirim teorisindeki en sık kullanılan yöntem olan En Yüksek Olasılık Kestirim yöntemini kullanarak kestirim problemini formülize edebilmeli.
5	Belirlenen yönteme göre işaret veya parametre kestirimi problemlerini analitik olarak veya sayısal olarak çözebilmeli.

Dersin Öğretim Türü

Örgün Öğretim

Dersin Önkoşulu/Önkoşulları

EEE 5129 - Rastgele Değişkenler ve Olasılıksal Süreçler

Ders İçin Önerilen Diğer Hususlar

Yok

Ders İçeriği

Hafta	Konular	Açıklama
1	Matematiksel Kestirim Problemi, İşaret İşlemede Kestirim.
2	Tarafsız Kestiriciler, Minimum Varyans Kriteri, Minimum Varyans Tarafsız Kestiriciyi (İng. MVU) Bulmak
3	Kestiricinin Doğruluğunu Tespit Etmek. Cramer Rao Alt Sınırı (İng. CRLB). Beyaz Gauss Gürültü İçerisindeki İşaretler için CRLB
4	Parametrelerin Dönüşümü. Vektör Parametrelere Genişletme. Genel Gauss Durum için CRLB. İşaret İşleme Örnekleri.
5	Doğrusal Modeller. Doğrusal Modellerin Özellikleri ve Örnekler. Doğrusal Modele Genişletme.
6	Genel Minimum Varyans Tarafsız Kestirim. Yeterli İstatistikleri Bulma. (İng MVU) Kestiriciyi Bulmak için İstatistik Yeterliliğini Kullanma.
7	En İyi Doğrusal Tarafsız Kestirici (İng. BLUE). BLUE'nın Tanımı. BLUE'yı Bulma. Vektör Parametreye Genişletme. İşaret İşleme Örneği.
8	BLUE'yu Vektör Parametreye Genişletme. İşaret İşleme Örneği.
9	Maksimum Olasılık Kestirimi (İng. MLE). MLE'nin Bulunması. MLE'nin Özellikleri. Dönüştürülmüş Parametreler için MLE.
10	MLE'ye Sayısal Olarak Karar Verme.Vektör Parametreye Genişletme. Asimptotik MLE. İşaret İşleme Örneği
11	En Düşük Kareler Yaklaşımı. Doğrusal En Düşük Kareler. Derece Tekrarlamalı En Düşük Kareler.
12	Dizisel En Düşük Kareler. Doğrusal Olmayan En Düşük Kareler. İşaret İşleme Örnekleri.
13	Momentler Metodu. Vektör Parametreye Genişletme. Kestiricilerin İstatistiksel Değerlendirilmesi.
14	Bayes Felsefesi. Ön Bilgi ve Kestirim. Ön PDF Seçimi. Bayes Doğrusal Modeli. Deterministik Parametreler için Bayes Kestirimi.

Ders İçin Önerilen Kaynaklar

S. Kay. "Fundamentals of Statistical Signal Processing - Estimation Theory", Prentice Hall, 1993,

Öğrenme ve Öğretme Yöntemleri

Dersler, ödevler, dönem projesi, ara sınav.

Değerlendirme Yöntemleri

İLAN EDİLECEKTİR

Değerlendirme Yöntemlerine İliskin Aciklamalar

Yok

Değerlendirme Kriteri

Ödevler, Dönem Projesi, Arasınav.

Dersin Öğretim Dili

İngilizce

Derse İlişkin Politika ve Kurallar

İlan Edilecektir.

Dersin Öğretim Üyesi İletişim Bilgileri

0 232 301 7196
olcay.akay@deu.edu.tr

Ders Öğretim Üyesi Görüşme Gün ve Saatleri