有大量数据是(或可以看作)由图的顶点索引的。例子包括生物网络、社交网络或互联网等通信网络 [1, 2]。为了将信号处理 (SP) 工具应用于此类图数据,包括移位、滤波器、傅里叶变换和频率响应在内的基本 SP 概念已被推广到图域 [3, 4],并构建了图信号处理 (GSP) 的基础。GSP 有两种基本变体。[4] 中的框架建立在代数信号处理 (ASP) [5] 的基础上,从邻接矩阵给出的移位定义中推导出这些概念。相比之下,[3] 将图拉普拉斯算子的特征基定义为图傅里叶基。用 ASP 术语来说,它选择拉普拉斯矩阵作为移位算子。无向图。这两种方法都为无向图提供了令人满意的 GSP 框架。也就是说,由于移位算子是对称的,因此存在一个酉傅里叶基。因此,移位以及所有滤波器(多项式
EET 3750. 线性系统。(3 小时)涵盖连续和离散系统的基本理论,强调线性时不变系统。考虑信号和系统在时域和频域中的表示。主题包括线性、时不变性、因果关系、稳定性、卷积、系统互连、正弦响应以及用于讨论频域应用的傅里叶和拉普拉斯变换。分析连续波形的采样和量化(A/D 和 D/A 转换),从而讨论离散时间 FIR 和 IIR 系统、递归分析和实现。开发了 Z 变换和离散时间傅里叶变换并将其应用于离散时间信号和系统的分析。
中央情报局、国防部、联邦调查局或国家安全局等安全机构可以使用研究中描述的被动傅里叶分析技术来识别失踪的飞机或监控涉嫌从事非法活动的飞机,而这些活动可能无法通过空中交通管制、雷达和日光摄像机发现。该技术还可用于在冲突地区实施“禁飞区”或对试图将违禁品走私到国内的飞机实施边境安全检查。能源公司还可以使用这种技术来定位地热能源,而气象机构可以利用主动傅里叶分析来确定地震或火山活动的地点。
- 与 Tsoukias 博士和 Jung 博士合作,根据学生反馈重新设计课程的部分内容 - 为每个课程模块制作配套视频,向学生解释 PowerPoint 并与他们一起编写代码 - 创建一系列以 BME 为导向的作业,让学生参与正常课程内容之外的活动 - 创建了一个全新的模块“生物信号处理”,学生可以从中学习信号处理的初始步骤,例如信号的组成、频率分析、傅立叶/逆傅立叶变换和滤波器,所有这些都具有 BME 范围(ECG、EEG 等) - 更新了一些 PowerPoint,以更好地匹配现代风格和 MATLAB 概念
算法。6. 傅里叶变换的计算:快速傅里叶变换(经典)和量子傅里叶变换。7. 相位估计:量子相位估计、经典谱估计、噪声谱估计。评分:核心成绩组成部分为家庭作业 40%、期末项目 30% 和考试 20%。我们将分配 10% 的成绩供学生追求各种量子兴趣。一个“量子兴趣”将是参加/总结/评论与课程相关的主题的研讨会;我们建议在北卡罗来纳州立大学量子中心研讨会 [2023 年 1 月] 或三角量子计算研讨会上进行演讲。另一种“量子兴趣”风格的贡献是让学生录制教育模块并将其放在网上。在 400 和 500 级别共同列出的课程中,我们将通过对研究生的期望有所提高来区分本科生和研究生。例如,本科生的期末项目可能是简要总结一篇论文。相比之下,我们希望研究生展示一些新颖性。