×
Универзитет у Новом Саду

Предмет: Дистрибуирана обрада сигнала (17.EK555)

Основне информације:
 
Категорија Теоријско-методолошки
Ужа научна област Телекомуникације и обрада сигнала
ЕСПБ 6

Циљ предмета је да се студенти упознају са основним принципима, врстама и методама дистрибуиране обраде података.

По успешно завршеном курсу, студент ће умети самостално да: 1) постави и реши проблем дизајна система за дистрибуирану обраду сигнала за задате спецификације система; и 2) да конципира и имплементира применом одговарајућег софтверског алата алгоритам за решавање задатог проблема дистрибуиране обраде сигнала.

- мотивација и примери примене дистрибуиране обраде података: обрада великих количина података у (big data analytics), обрада података близу извора (vehicle-to-vehicle мреже) - врсте архитектуре за дистрибуирану обраду сигнала и њихове примене: fusion центар системи, обрада путем разапињућег стабла, кластеризовање мреже, потпуно дистрибуиране методе (consensus, message passing) - принципске методе адресирања trade-off-а између перформансе и количине ресурса (комуникација, меморија, рачунарска снага) - дистрибуирано усредњавање (gossip, consensus) са применама: координација аутономних агената (роботи, беспилотне летелице), агрегација података у ad-hoc мрежама, естимација, подрутина у дистрибуираној оптимизацији - дистрибуирано закључивање и дизајн заснован на опонашању биолошких система са применама у детекцији и естимацији - дистрибуирана оптимизација: градијентни методи, дуални методи, дуална декомпозиција, alternating direction method of multipliers, primal dual method of multipliers, са применама. Курс ће поменути и неке актуелне трендове блиске теми курса, као што су graph signal processing и обрада података са очувањем приватности.

Предавања су у форми ПоwерПоинт презентација, доступних студентима за самостално учење. Свако предавање је праћено тестом који ће се групно решавати и дискутовати на самом предавању, са изузетком два теста које ће студенти самостално израђивати на часу и који представљају предиспитну обавезу. Тестови су у форми кратких питања која имају за циљ да разјасне концепте обрађиване на датом часу, илуструје примере примене, итд. Вежбе (већином аудиторног типа) синхроно прате предавања током целог курса. На вежбама ће се решавати одговарајући теоријски проблеми (задаци) и демонстрирати решења у одговарајућим софтверским алатима. Одређен број термина вежби је посвећен и практичном раду студената са софтверским алатима, што уједно представља и предиспитну обавезу.

Аутори Назив Година Издавач Језик
Dimitri P. Bertsekas Nonlinear Programming 2016 Athena Scientific; 3rd edition Енглески
Драгана Бајовић PowerPoint презентације са предавања 2017 Интерни материјал Српски језик
S. Boyd, N. Parikh, E. Chu, B. Peleato, and J. Eckstein Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers 2011 Foundations and Trends in Machine Learning, 3(1):1–122 Енглески
Dimitri P. Bertsekas, John. N. Tsitsiklis<\eng> Parallel and Distributed Computation: Numerical Methods<\eng> 1989 Prentice Hall<\eng> Енглески
Предметна активност Предиспитна Обавезна Број поена
Предметна активност
Тест
Предиспитна
Да
Обавезна
Да
Број поена
20.00
Предметна активност
Предметни пројекат
Предиспитна
Да
Обавезна
Да
Број поена
40.00
Предметна активност
Сложени облици вежби
Предиспитна
Да
Обавезна
Да
Број поена
10.00
Предметна активност
Писмени део испита - комбиновани задаци и теорија
Предиспитна
Не
Обавезна
Да
Број поена
30.00

Предавања

Предавања

Аудиторне вежбе

Аудиторне вежбе

Лабораторијске вежбе

Лабораторијске вежбе