DV2656 - Mönsterigenkänning i hybridsystem med radar och kamera

1. Beslut

Denna kurs är inrättad av dekan 2023-12-21. Kursplanen är fastställd av prefekten vid institutionen för teknik och estetik 2024-04-23 och gäller från 2024-04-23.

2. Förkunskapskrav

För tillträde till kursen krävs avklarad kurs Introduktion till hybridsystem med radar och kamera, 6 hp samt 6 avklarad hp i Matematisk statistisk.

3. Syfte och innehåll

3.1 Syfte

Kursen behandlar grundläggande och avancerade mönsterigenkänningsmetoder för klassificeringsuppgifter av signaler och data. Ett Bayesianskt angreppssätt används i kursen. Enkla tillämpningar kan vara igenkänning av anomali i rörelse. En komplex tillämpning kan till exempel vara i sjukvården, såsom att diagnosticera en sjukdom utifrån patientensbeteendedata.

3.2 Innehåll

• Diskreta och kontinuerliga stokastiska variabler i en eller flera dimensioner

• Orientering om oberoende flerdimensionella stokastiska variabler

• Olika fördelningar, speciellt Poisson-, binomial- ,exponential- och normalfördelningarna samt approximationer

• Markovprocesser och Markovkedjor

• Markovmodeller

• Dolda Markovmodeller

• Anomali igenkänning med hjälp av dolda Markovmodeller

• Implementering av dolda Markovmodeller på data från hybrida system

4. Lärandemål

Följande lärandemål examineras i kursen:

4.1. Kunskap och förståelse

Efter genomförd kurs ska studenten kunna:

beskriva matematiken bakom Markovkedjor
beskriva hur Markovmodeller och dolda Markovmodeller fungerar
beskriva och räkna upp de olika tillämpningarna av Markovmodeller och dolda Markovmodeller
känna igen en situation, där de grundläggande HMM:erna kan betraktas som lovande modellkandidater
känna igen en situation, där utvidgningarna av HMM kan betraktas som lovande modellkandidater.
placera HMM i den allmänna bilden av statistisk inlärningsteori

4.2. Färdighet och förmåga

Efter genomförd kurs ska studenten kunna:

tillämpa Markovmodeller på valfri sekvens av data, först och främst fusionsdata från hybridsensorer
skriva Markovmodeller i kod
skriva dolda Markovmodeller i kod
implementera de grundläggande algoritmerna med lämpliga modifieringar för de data som finns tillgängliga, först och främst fusionsdata från hybridsensorer

4.3. Värderingsförmåga och förhållningssätt

Efter genomförd kurs ska studenten kunna:

självständigt och kritiskt utvärdera och analysera sina lösningar
skriva en teknisk rapport som på en kortfattad teknisk prosa beskriver det arbete som gjorts för att analysera, validera och testa en HMM för ett relaterad problem av ett hybridsystem

5. Läraktiviteter

Kursen ges som campuskurs. Undervisningen består av föreläsningar, övningar, laborationer och projekt.

Föreläsningarna presenterar teorier och bidrar till den teoretiska förståelsen som krävs för att genomföra kursen. Övningar, laborationer och projekt tillämpar teorin i praktiska moment. Projekt och laborativa momenten genomförs i grupp.

I kursen förutsätts att studenten har, eller skaffar sig, förmågan att självständigt söka information för att lösa problem och svårigheter som dyker upp.

6. Bedömning och examination

Examinationsmoment för kursen

Kod	Benämning	Omf.	Betyg
2505	Salstentamen	2,0 hp	AF
2515	Laboration	1,0 hp	GU
2525	Projekt	3,0 hp	AF

Kursen bedöms med betygen A Utmärkt, B Mycket bra, C Bra, D Tillfredställande, E Tillräckligt, FX Underkänd, något mer arbete krävs, F Underkänd.

I kurstillfällets information inför kursstart framgår i vilka examinationsmoment som kursens lärandemål examineras samt gällande bedömningsgrunder.

Examinator kan, efter samråd med högskolans FUNKA-samordnare, fatta beslut om anpassad examinationsform för att en student med varaktig funktionsvariation ska ges en likvärdig examination jämfört med en student utan funktionsvariation.

7. Kursvärdering

Kursvärdering ska göras i enlighet med BTH:s beslut om frågeställning i kursvärderingar och beslut om process för hantering och uppföljning av kursvärderingar.

8. Begränsningar i examen

Kursen kan ingå i examen men inte tillsammans med annan kurs vars innehåll, helt eller delvis, överensstämmer med innehållet i denna kurs.

9. Kurslitteratur och övriga lärresurser

Jurafsky, D., & Martin, J. H. (2022). Speech and language processing: An introduction to natural language processing, computational linguistics, and speech recognition. Pearson.
Koski, Timo. Hidden Markov models for bioinformatics. Vol. 2. Kluwer Academic Pub, 2001,
Bishop, Christopher M. (2006). Pattern recognition and machine learning. New York :Springer,
selected journal papers

Detta är inte ett juridiskt dokument. Vill du ha en kopia av det juridiska beslutet kring denna kursplan kontakta registrator vid Blekinge Tekniska Högskola.