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
02. maj, 2025
