The course is taught in English.
Nella prima parte dell'insegnamento si introducono le nozioni principali dell'elaborazione e analisi di segnali casuali. Si considerano in particolare i tipi di rumore che si incontrano più frequentemente nei sistemi fisici, e si discutono le principali tecniche per caratterizzarli, rimuoverli e predirli, tra le quali la stima spettrale, l'analisi tempo-frequenza, ed il filtro di Kalman.
Nella seconda parte si trattano le tematiche principali relative alla codifica video: i principi di base della codifica a motocompensazione, i formati video, i principali standard di codifica delle classi MPEG e H.26x, principi di error resilience, esempi di sistemi di streaming video anche su reti peer-to-peer.

• Conoscenza delle principali classi di processi casuali, sia stazionari che non stazionari
• Conoscenza delle principali tecniche per caratterizzare e stimare le proprietà di processi casuali stazionari e non stazionari, tra cui media, varianza, autocorrelazione, e spettro di potenza.
• Conoscenza del concetto di predittore lineare ottimo e ricorsivo
• Capacità di classificare i processi casuali in funzione delle loro proprietà
• Capacità di applicare algoritmi per la stima delle proprietà di processi casuali stazionari e non stazionari
• Capacità di progettare un predittore lineare ottimo e ricorsivo
• Conoscenza dei principi di base della codifica video motocompensata
• Conoscenza dei principali standard di codifica video
• Conoscenza dei concetti di codifica scalabile, multi-vista, 3D
• Conoscenza delle principali tecniche di error resilience
• Conoscenza dei sistemi di streaming video

La capacità di applicare le conoscenze acquisite sarà verificata mediante esercitazioni in laboratorio.

Nella prima parte dell'insegnamento sono previsti laboratori di programmazione software dove i metodi insegnati a lezione vengono implementati e validati in ambiente Matlab. Il tempo dedicato ai laboratori è all'incirca pari a quello destinato alle lezioni in aula.
Nella seconda parte sono previsti alcuni laboratori didattici per validare le prestazioni dei principali algoritmi visti a lezione (circa un terzo delle ore).

1. A. Papoulis and S. U. Pillai, Probability, Random Variables and Stochastic Processes McGraw Hill, 2002.
2. D. G. Manolakis, V. K. Ingle, and S. M. Kogon, Statistical and Adaptive Signal Processing: Spectral Estimation, Signal Modeling, Adaptive Filtering and Array Processing, Artech House, 2005.
3. A. Gelb, Applied Optimal Estimation, MIT Press, 1974.

Per quanto riguarda la seconda parte dell'insegnamento, non esistono libri di testo ma sarà necessario basarsi sugli appunti e sul materiale didattico che sarà messo a disposizione dal docente sul portale della didattica.

L'esame, sia per la prima che per la seconda parte dell'insegnamento, è basato su di un test a risposta multipla. Ad ogni risposta corretta viene assegnato un punteggio, ed il voto finale è la somma dei punteggi acquisiti.