34242 Maskinlæringstekniker til design og optimering af kommunikationssystemer

2024/2025

Kursusinformation
Machine learning techniques for design and optimization of communication systems
Engelsk
5
Kandidat
Generel retningskompetence (MSc), Communication Technologies and System Design
Retningsspecifikt kursus (MSc), Communication Technologies and System Design
Teknologisk specialisering (MSc), Communication Technologies and System Design
Januar og Juni
Campus Lyngby
3 uger med forelæsninger og øvelser, hvor studerende anvender forskellige maskinlæringsmetoder til at løse et relevante problemer inden for kommunikationssystemer, såsom design af equalizer for undertrykkelse af støj, optiske forstærker, puls-shaper og tilpassede filtre.
3-uger
Aftales med underviser, Evalueringen er baseret på de rapporter, som afleveres og bestås i løbet af kurset.
Bedømmelse af øvelser og rapport(er)
bestået/ikke bestået , intern bedømmelse
34231 Digital Kommunikation 1, Matematik 1, Grundlæggende programmeringsfærdigheder i Python, MATLAB/Octave/C, lineær algebra, introduktion til statistik og sandsynlighedsteori.
Minimum 5 Maksimum: 30
Darko Zibar , Lyngby Campus, Bygning 343, Tlf. (+45) 4525 3840 , dazi@dtu.dk
34 Institut for Elektroteknologi og Fotonik
I studieplanlæggeren
Dette kursus giver den studerende en mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
Overordnede kursusmål
Maskinlæring er ved at blive en uundværlig værktøj for kommunikationsingeniører. Det der kan være udfordrende at identificere en række relevante maskinlæringstekniker til at løse en specifik problemstilling indenfor kommunikationssystemer, da maskinlæringsfeltet er bredt. Formålet med dette kursus er at introducere grundlæggende maskinlæringsteknikker, der kan anvendes til at designe både fiber-optiske og trådløse kommunikationssystemer. Kurset vil give deltagerne kendskab til, hvordan de kan: 1) opbygge datadrevne modeller ud fra input-/outputdata. Dette vil omfatte modeller af forstærkere, transmissionskanaler og transmitter-modtagere, 2) designe for- og efterforstærknings-lineære equalizere baseret på multilags neurale netværk, 3) udføre optimal filtrering og genskabe nyttige oplysninger fra støjende observationer, samt 4) udføre systempræstationsforudsigelse og -optimering af kommunikationssystemer og netværk.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Udfør de nødvendige trin ved anvendelse af maskinlæringsteknikker til at designe og optimere kommunikationssystemer. Dette inkluderer data generering og forberedelse, dataanalyse, modelopbygning og evaluering.
  • Identificer begrænsningerne ved maskinlæringsteknikker til at opbygge data drevne modeller af kommunikationssystemer ud fra input-output data
  • Diskutér og fortolke begreber som feature extraction, cross-validation, generalisering og overfitting,
  • Implementer optimeringsalgoritmer til træning af adaptive equalizere baseret på flerlags neurale netværk
  • Implementer kommunikationssystemer og maskinlæringsalgoritmer i Python/PyTorch/Matlab.
  • Implementer forskellige versioner af Kalman-filtre i Python/PyTorch/Matlab til estimering af information ud fra støjefulde signaler
  • Anvend tilegnede maskinlæringsteknikker til at løse et mindre problem inden for kommunikationssystemer
  • Skriv og fremlægge en teknisk rapport inklusiv problemformulering, beskrivelse af metoder, eksperimenter, evaluering og konklusion
Kursusindhold
- Lineære modeller til regression og klassifikation
- Ikke-lineære modeller baseret på flerlags neurale netværk til regression og klassifikation
- Automatisk differentiering og optimeringsalgoritmer til træning af neurale netværk
- Maskinlæring baseret lineær og ikke-lineær equalizers
- Modellering og design af optiske forstærker ved hjælp af maskinlæring
-Anvendelse af maskinlæring tilløsning af et mindre problem inden for kommunikationsingeniørarbejde
Sidst opdateret
23. oktober, 2024