Hay un postdoc en mi laboratorio cuya especialidad es el "procesamiento de señales estadísticas". Tiene un doctorado en ingeniería eléctrica y analiza los datos neuronales recopilados.
Me pregunto qué cursos / temas debería comenzar a estudiar para seguir sus pasos. No busco exactamente cosas como estadísticas y procesamiento de señales, he tenido clases básicas en ambos, pero aún me cuesta entender su trabajo.
A veces hay cursos titulados 'procesamiento de señal estadística', ese es un buen lugar para comenzar :-) Si su universidad no tiene esto, intente buscar 'detección y estimación' o 'procesamiento de señal avanzado'. Si no tienes una universidad a mano, puedes probar http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-432-stochastic-processes-detection-and-estimation-spring -2004 /
Gran parte del procesamiento estadístico de señales es lineal, por lo que debe aprender tanto álgebra lineal como pueda. Los procesos estocásticos es un curso fundamental. La teoría de control comparte mucho con SSP, y sería muy útil.
Esto debería ser suficiente para empezar :-)
Estas referencias clásicas son un buen comienzo:
B. Porat, Procesamiento digital de señales aleatorias, Prentice-Hall, 1994. Número de serie de la biblioteca 2144342.
A. Papoulis, probabilidad, variables aleatorias y procesos estocásticos, 3ª ed. , McGraw-Hill, 1991. Número de serie de la biblioteca 21111643.
SM Kay, Fundamentos del procesamiento estadístico de señales, Volumen I: Teoría de la estimación, Prentice-Hall, 1993. Número de serie de la biblioteca 2157997.
También puedes probar las notas de clase de KT Wong (Universidad de Waterloo)
También puede encontrar algunas de estas series de conferencias sobre Procesamiento adaptativo de señales del Prof. M. Chakraborty en YouTube para su uso
Hola,
Suponiendo que esté interesado en investigar en el campo, le aconsejaré que siga un camino construido sobre una base sólida en matemáticas.
Sé esto, porque acabo de terminar de impartir un curso de Estimación y Detección y puedo asegurarle que existe una fuerte correlación entre la calidad y la novedad del trabajo y su conocimiento de las matemáticas.
¿Qué tipo de matemática?
Álgebra lineal:
Necesita saber sobre espacios vectoriales y álgebra matricial porque; Como alguien más publicó antes, hay una gran cantidad de teoría y algoritmos que profundizan con este tipo de modelos. Algunos resultados que se usan con frecuencia son el Lema de matriz inversa, todo lo que tiene que ver con las descomposiciones de matriz.
Teoría de la probabilidad y procesos estocásticos
Esto también es clave. El procesamiento estadístico de la señal se trata de métodos para detectar y estimar información (inferencia) utilizando observaciones defectuosas (ruidosas) de fenómenos que también podrían ser aleatorios.
Entonces necesita saber cómo manejar este tipo de objeto. Un curso básico de probabilidad puede darle un buen punto de partida (uno que cubra variables aleatorias y vectores aleatorios, y esperemos que hable un poco sobre secuencias y procesos aleatorios), pero es deseable tomar un segundo curso, enfocado en procesos aleatorios. Debe tener cierta confianza con estas ideas, ya que le permitirá comprender muchas aplicaciones e implementaciones prácticas utilizadas en investigación y tecnología.
En un segundo nivel, también consideraré tomar un curso de Optimización, ya que el cálculo de los estimadores se basa principalmente en resolver problemas de maximización y minimización (estimadores de máxima verosimilitud, estimador de error cuadrático medio mínimo, etc.)
Por supuesto, también existe el punto de vista "algorítmico", donde se concentra más en los procedimientos de procesamiento de señales estadísticas para el cálculo rápido, la convergencia, la baja complejidad, etc., pero al final el desarrollo de nuevas ideas requiere una buena base en matemáticas .
Tenga en cuenta que su conocimiento del funcionamiento interno de un fenómeno determinado también es clave para producir los modelos que planea utilizar en una configuración determinada. En ese sentido, la experiencia práctica que puede obtener de un curso de comunicaciones digitales, procesamiento de señales digitales e incluso circuitos electrónicos puede ser invaluable para darle una ventaja como investigador.
Si tiene más preguntas, no dude en ponerse en contacto conmigo.
Saludos, Patricio
Como se tdcha mencionado, Papoulis (RIP a uno de los líderes de este campo) es uno de los mejores libros, pero es posible que deba ingresar primero a través de algo como http://www.amazon.com/Discrete-Time-Signal -Processing-2nd-Prentice-Hall / dp / 0137549202 si no ha tenido un buen curso de pregrado / posgrado en procesamiento de señales (no lo hice, y me dolió un poco).
Desde una perspectiva más estadística (pero aún muy válida para ingenieros) es http://www.amazon.com/Random-Data-Measurement-Procedures-Probability/dp/0470248777/ref=sr_1_1?s=books&ie=UTF8&qid=1323737134&sr= 1-1 . Esto está repleto de información, por lo que es una lectura muy lenta.
he leído
Van Den Bos, Adriaan: "Parameter Estimation for Scientists and Engineers"
Explica la estimación de parámetros (máxima verosimilitud, mínimos cuadrados), las propiedades de los estimadores (precisión, exactitud) y también cómo estimar estas propiedades.
El libro contiene explicaciones de algunos métodos numéricos utilizados para la estimación.