Dsp Programming and Architectures
A.Y. 2018/2019
Learning objectives
L'obiettivo del corso è offrire allo studente un quadro completo delle conoscenze relative alle metodologie e alle tecnologie necessarie e sufficienti per affrontare e realizzare sistemi di natura dedicata (embedded), con un un approccio sistemistico. Tramite il metodo dell'elaborazione del segnale (signal processing) lo studente potrà conoscere i tre livelli di rappresentazione dell'informazione nei sistemi dedicati, il livello analogico (fisico sensoriale), il livello a segnali misti (analogico/digitale) e il livello digitale (digital signal processing, DSP). Oltre al metodo di elaborazione algoritmico (hardcomputing) lo studente potrà conoscere e applicare i metodi dell'elaborazione sfumata delle informazioni di segnale (softcomputing) per l'interazione con informazioni di natura imprecisa e non lineare. L'inferenza basata sulla logica fuzzy e sui paradigmi del neural computing faranno parte delle conoscenze teoriche e metodologiche che lo studente acquisirà durante il corso.
Obiettivo del corso è anche consentire allo studente di consolidare le conoscenze acquisite tramite la pratica applicativa basata sui metodi della simulazione e della prototipazione rapida basata su piattaforme di sviluppo a standard industriale e allo stato dell'arte.
Obiettivo del corso è anche consentire allo studente di consolidare le conoscenze acquisite tramite la pratica applicativa basata sui metodi della simulazione e della prototipazione rapida basata su piattaforme di sviluppo a standard industriale e allo stato dell'arte.
Expected learning outcomes
Undefined
Lesson period: First semester
Assessment methods: Esame
Assessment result: voto verbalizzato in trentesimi
Single course
This course cannot be attended as a single course. Please check our list of single courses to find the ones available for enrolment.
Course syllabus and organization
Milan
Lesson period
First semester
Course syllabus
· Introduction
o Analog electronics fundamentals
o Digital signal processing methods, application fields, application issues in industrial applications.
· Analog and digital information
o Signal information: analog processing, amplify, filtering, modulation (frequency amplitute phase).
· Digital signal processing fondamentals
o Signal, sampling, quantization, frequency domain analysis , signal synthesis, filtering.
· DSP coding and modeling
· Numeric information, binary coding of numeric information (fixed and Floating-point) linguaggi di programmazione numerica (fixed e floating-point), efficent C language coding of DSP , Matlab coding and simulation of DSP algorithms
· DSP Architectures
o Digital Sognal Processor computational Architecture, harvard vs Von Neumann computational architecture, Pipelining, Analog to Digital and Digital To Analog subsystem, RISC architecture, Application Specific Processor (ASP), Field Programmable Gate Array (FPGA), System-on-Chip (SoC)
o
· Softcomputing Methods
o Fuzzy logic
o Artificial Neural Networks (ANN): leaning from sampled signals and test.
o Evolving Artificial Neural networks trained to model a fuzzy logic engine knoledge (EFuNN).
· Design methods
o Matlab/Simulink coding of DSP algorithms and deploing of executable binary code on a target processor for fast prototyping and real-time test.
o Analog electronics fundamentals
o Digital signal processing methods, application fields, application issues in industrial applications.
· Analog and digital information
o Signal information: analog processing, amplify, filtering, modulation (frequency amplitute phase).
· Digital signal processing fondamentals
o Signal, sampling, quantization, frequency domain analysis , signal synthesis, filtering.
· DSP coding and modeling
· Numeric information, binary coding of numeric information (fixed and Floating-point) linguaggi di programmazione numerica (fixed e floating-point), efficent C language coding of DSP , Matlab coding and simulation of DSP algorithms
· DSP Architectures
o Digital Sognal Processor computational Architecture, harvard vs Von Neumann computational architecture, Pipelining, Analog to Digital and Digital To Analog subsystem, RISC architecture, Application Specific Processor (ASP), Field Programmable Gate Array (FPGA), System-on-Chip (SoC)
o
· Softcomputing Methods
o Fuzzy logic
o Artificial Neural Networks (ANN): leaning from sampled signals and test.
o Evolving Artificial Neural networks trained to model a fuzzy logic engine knoledge (EFuNN).
· Design methods
o Matlab/Simulink coding of DSP algorithms and deploing of executable binary code on a target processor for fast prototyping and real-time test.
INF/01 - INFORMATICS - University credits: 6
Lessons: 48 hours
Professor:
Malcangi Mario Natalino