Estudar conceitos básicos da Teoria da Estimação assim como da sua implementação por meio de filtragem de Kalman, filtragem adaptativa e, mais amplamente, otimização estocástica e machine learning.
1. Fundamentos da Teoria da Estimação 2. Solução recursiva da estimação ótima linear. Filtro de Kalman 3. Filtragem adaptativa 4. Noções de otimização estocástica e de machine learning
1. Fundamentos da Teoria da Estimação • Conceito de estimador • Medidas de desempenho • Estimação clássica e estimação bayesiana 2. Solução recursiva da estimação ótima linear. Filtro de Kalman • Representação em espaço de estados • Estimação contínua com observações discretas • Estimação discreta com observações discretas • Aplicação do Filtro de Kalman: Radar e GPS 3. Filtragem adaptativa • Aplicações, motivação e problema genérico de filtragem adaptativa • Propriedades da matriz de autocorrelação e da superfície de desempenho • Algoritmos do Gradiente Exato, algoritmo Steepest Descent • Algoritmo LMS, relação com o algoritmo Steepest Descent • Aplicações em telecomunicações: equalização adaptativa de canais de comunicação, arranjo adaptativo de antenas (MIMO) 4. Noções de otimização estocástica e de machine learning
1. Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory , S. Kay, Prentice Hall, 1993. 2. Signals, Systems and Inference. A. V. Oppenheim, G. C. Verghese, Prentice Hall; 1a ed., 2015 3. Fundamentals of Stochastic Signals, Systems and Estimation Theory with Worked Examples, Branko Kovacevic, Zeljko Ourovic. Springer, 2008. 4. Introduction to Random Signals and Applied Kalman Filtering with Matlab Exercises, Robert Grover Brown, Patrick Y. C. Hwang. Wiley, 2012. 5. Adaptive Filter Theory, S. Haykin, Prentice Hall; 4 ed., 2013. 6. Adaptive Signal Processing, B. Widrow e S. D. Stearns, Prentice-Hall, 1985.
