SEZİM VE KESTİRİM KURAMI

AMAÇ

Bu derste sezim ve kestirim kuramının temelleri işlenecektir. Ders sistemlerin modellenmesindeki temel anlayışı gürültü ile beraber ela alarak, sezim ve kestirim tekniklerinin bu sistemlere nasıl uygulanacağını gösterecektir. Daha sonra sezim problemini gürültünün bilinmediği ve eldeki sinyalin rastlantısal ya da rastlantısal olmaması durumuna daha geniş bir boyutta ele alacaktır.

İÇERİK

Bu ders; Kestirim Kuramına giriş ve En düşük sapmalı varyans kestirimi,Cramer-Rao Alt Sınırı (CRLB),Doğrusal Modeller,Genel MVU Kestirim Yaklaşımı,Sapmasız en iyi doğrusal kestirim (BLUE),En büyük olabilirlik kestirimi (ML),En küçük kareler (LS) ,En küçük kareler (LS) ,Bayes Felsefesi,Genel Bayes Kestirimleri,Doğrusal Bayes Kestirimleri,Kalman Süzgeçleri,Sezim probleminin matematiği ve İstatistiksel Sezim Kuramı I,İstatistiksel Sezim Kuramı II; konularını içermektedir.

1. 1

   Determines consistency and bias in estimation.

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Rol Oynama ve Drama Tekniği, Tersine Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

2. 2

   Decides which criteria to use to estimate a parameter.

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Rol Oynama ve Drama Tekniği, Tersine Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

3. 3

   Derives the performance bounds for estimation problems.

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Rol Oynama ve Drama Tekniği, Tersine Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

4. 4

   Analyzes the performance of different estimation techniques by comparing the performance of the estimator with the corresponding bounds.

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Rol Oynama ve Drama Tekniği, Tersine Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

5. 5

   Applies the concept of statistical decision theory to the cases of known and unknown noise.

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Rol Oynama ve Drama Tekniği, Tersine Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

6. 6

   Develops classical or Bayesian estimation techniques for a given problem.

   Öğretim yöntemi: Gösterip Yapma Yöntemi, Rol Oynama ve Drama Tekniği, Tersine Beyin Fırtınası Tekniği, Deneyimle Öğrenme Modeli · Değerlendirme: Klasik Yazılı Sınav, Ödev, Proje Görevi

HAFTALIK PLAN

1. HAFTA 1

   Kestirim Kuramına giriş ve En düşük sapmalı varyans kestirimi

2. HAFTA 2

   Cramer-Rao Alt Sınırı (CRLB)

3. HAFTA 3

   Doğrusal Modeller

4. HAFTA 4

   Genel MVU Kestirim Yaklaşımı

5. HAFTA 5

   Sapmasız en iyi doğrusal kestirim (BLUE)

6. HAFTA 6

   En büyük olabilirlik kestirimi (ML)

7. HAFTA 7

   En küçük kareler (LS)

8. HAFTA 8

   En küçük kareler (LS)

9. HAFTA 9

   Bayes Felsefesi

10. HAFTA 10

    Genel Bayes Kestirimleri

11. HAFTA 11

    Doğrusal Bayes Kestirimleri

12. HAFTA 12

    Kalman Süzgeçleri

13. HAFTA 13

    Sezim probleminin matematiği ve İstatistiksel Sezim Kuramı I

14. HAFTA 14

    İstatistiksel Sezim Kuramı II

DEĞERLENDİRME

• Ara Sınavın Başarıya Oranı50%
• Genel Sınavın Başarıya Oranı50%

İŞ YÜKÜ

KAYNAKLAR

• 1. "Fundamentals of Statistical Signal Processing, Volume 1: Estimation Theory” Steven Kay, ISBN: 978-0133457117 2. “Fundamentals of Statistical Signal Processing, Volume 2: Detection Theory” Steven Kay, ISBN-13: 007-6092032243
• 1. "An Introduction to Signal Detection and Estimation” by Vincent Poor, ISBN: 978-0387941738 2. “Detection, Estimation, and Modulation Theory, Part I” by Harry L. Van Trees, ISBN: 978-

ÖĞRETİM ELEMANLARI

• Prof.Dr. Mehmet Kemal ÖZDEMİRKOORDİNATÖR
• Prof.Dr. Mehmet Kemal ÖZDEMİR