MSE Master of Science in Engineering

The Swiss engineering master's degree


Chaque module vaut 3 ECTS. Vous sélectionnez 10 modules/30 ECTS parmi les catégories suivantes:

  • 12-15 crédits ECTS en Modules technico-scientifiques (TSM)
    Les modules TSM vous transmettent une compétence technique spécifique à votre orientation et complètent les modules de spécialisation décentralisés.
  • 9-12 crédits ECTS en Bases théoriques élargies (FTP)
    Les modules FTP traitent de bases théoriques telles que les mathématiques élevées, la physique, la théorie de l’information, la chimie, etc., vous permettant d’étendre votre profondeur scientifique abstraite et de contribuer à créer le lien important entre l’abstraction et l’application dans le domaine de l’innovation.
  • 6-9 crédits ECTS en Modules contextuels (CM)
    Les modules CM vous transmettent des compétences supplémentaires dans des domaines tels que la gestion des technologies, la gestion d’entreprise, la communication, la gestion de projets, le droit des brevets et des contrats, etc.

Le descriptif de module (download pdf) contient le détail des langues pour chaque module selon les catégories suivantes:

  • leçons
  • documentation
  • examen 
Traitement statistique du signal et modélisation (TSM_StatDig)

Le but de ce module est de présenter à l’étudiant une introduction au monde puissant du traitement statistique du signal. Alors qu’au niveau bachelor, l’enseignement du traitement numérique du signal se fonde principalement sur des signaux déterministes, dans le monde réel, les principaux signaux sont de nature aléatoire. Donc, dans les applications plus élaborées, comme la prédiction ou la suppression du bruit, les théories présentées dans ce module s’avèrent essentielles. 

Le cours débutera par une remise à niveau des connaissances de bases du traitement numérique du signal, de l'algèbre linéaire et de la théorie des probabilités qui seront nécessaires pour comprendre le contenu de ce module. Ensuite seront introduits les processus stochastiques qui permettront ultérieurement la conception appropriée d’un filtrage optimal et du filtrage  adaptatif.

Après l’approfondissement du problème de filtrage optimal, le cours introduira les filtres adaptatifs souvent utilisés dans la technologie avancée de traitement des signaux numériques. Dans le cadre de  ce  cours une introduction dans le  domaine du Machine Learning par descente de gradient et réseau de neurones  sera  faite.

Compétences préalables

Les principes fondamentaux en :

  • Calcul
  • Algèbre linéaire
  • Probabilités/statistiques
  • Traitement numérique du signal

Objectifs d'apprentissage

  • L’étudiant se familiarise avec les signaux et les systèmes aléatoires
  • L’étudiant comprend et peut appliquer les différentes méthodes pour la modélisation du signal
  • L’étudiant dispose d’une connaissance approfondie du filtrage de Wiener et sait comment utiliser un filtre Kalman pour résoudre un problème de filtrage stochastique
  • L’étudiant comprend et peut appliquer différentes méthodes pour l’estimation spectrale
  • L’étudiant connaît les filtres adaptatifs les plus répandus, il est également capable de sélectionner le plus approprié pour l’application concernée.

Catégorie de module

Le module débute par une révision des bases du traitement numérique du signal, de l’algèbre linéaire et de la théorie de la probabilité. Il se poursuit ensuite par une introduction aux concepts des processus stochastiques, qui sont nécessaires pour comprendre les applications dans le domaine du traitement statistique du signal. Puis le module aborde différentes possibilités de modélisation du signal qui peuvent être utilisées plus tard pour les méthodes paramétriques. Puis vient la présentation d’un des sujets essentiels à savoir : l’estimation optimale de l’erreur quadratique moyenne linéaire d’un signal qui est altérée par du bruit additionnel. Le module présente ensuite un chapitre sur le sujet très important qu’est l’estimation spectrale et se termine finalement par une application de la théorie apprise à la conception de filtres adaptatifs.

Les 14 semaines disponibles sont organisées comme suit:

  • 2 semaines: Les acquis (révision du traitement numérique du signal et de l’algèbre linéaire)
  • 3 semaines. Processus aléatoires à temps discret (y compris une révision des probabilités)
  • 2 semaines: Modélisation du signal
  • 3 semaines: Filtrage de Wiener (y compris le filtre Kalman discret)
  • 2 semaines: Estimation spectrale
  • 2 semaines: Filtrage adaptatif

Méthodes d'enseignement et d'apprentissage

  • deux heures de cours magistral et une heure de pratique
  • Devoirs sur papier et sur Matlab

Bibliographie

“Statistical Digital Signal Processing and Modeling” by Monson H. Hayes (Anglais uniqument)

Télécharger le descriptif complet

Retour