حسگری فشرده (Compressed Sensing) یکی از آن نظریه‌هایی است که طی دو دهه گذشته تقریباً همه شاخه‌های تحقیقاتی مخابرات و پردازش سیگنال را زیر و رو کرده. جالبه بدونید این ابزار می‌تونه مدل‌سازی خیلی از مسائل این حوزه‌ها رو در یک چارچوب واحد جمع کنه و با یک راه‌حل واحد به جو...
آشنایی با دوره حسگری فشرده
حسگری فشرده (Compressed Sensing) یکی از آن نظریه‌هایی است که طی دو دهه گذشته تقریباً همه شاخه‌های تحقیقاتی مخابرات و پردازش سیگنال را زیر و رو کرده. جالبه بدونید این ابزار می‌تونه مدل‌سازی خیلی از مسائل این حوزه‌ها رو در یک چارچوب واحد جمع کنه و با یک راه‌حل واحد به جواب برسونه.
ایده اصلی چیه؟ اگه سیگنال مورد نظر ساختار و نظم مشخصی داشته باشه، می‌شه اون رو با تعداد اندازه‌گیری خیلی کمتر از حد نایکوئیست بازسازی کرد. همین موضوع باعث می‌شه کارایی خیلی از سیستم‌های مخابراتی و پردازشی به‌شدت بالا بره — البته به شرط اینکه پیچیدگی محاسباتی بیشتری رو بپذیریم.
توی این دوره چی یاد می‌گیریم؟
برای بازسازی سیگنال از تعداد کمی اندازه‌گیری (به‌صورت ترکیب خطی تصادفی)، روش‌های متعددی وجود داره. مهم‌ترینشون روش مینیموم‌سازی نورم ۱ هست. توی این درس، این روش و بقیه روش‌ها معرفی و تحلیل می‌شن.
هدف اصلی درس، محاسبه تعداد اندازه‌گیری مورد نیاز برای بازسازی موفق سیگنال تنک هست. برای رسیدن به این هدف، از ابزارهای ریاضی مثل تحلیل ماتریسی، همدوسی، هم‌ارزی محدود و تمرکز اندازه استفاده می‌شه.
این دوره به چه کارم میاد؟ 🤔
اگه دانشجوی ارشد یا دکتری مخابرات، پردازش سیگنال یا ریاضیات کاربردی هستید، این درس پایه‌های نظری محکمی بهتون می‌ده. فرض کنید روی پروژه‌ای کار می‌کنید که باید سیگنال MRI یا تصویر رادار رو با کمترین نمونه‌برداری بازسازی کنید — دقیقاً همین‌جاست که حسگری فشرده وارد می‌شه. حتی توی مسائل یادگیری ماشین و شبکه‌های عصبی فشرده هم ردپای این نظریه دیده می‌شه.
مشخصات دوره
ویژگی
جزئیات
عنوان دوره
حسگری فشرده
تعداد جلسات
۲۶ جلسه
مدت زمان کل
۳۱ ساعت و ۱۸ دقیقه
مرجع اصلی
S. Foucart and H. Rauhut, A Mathematical Introduction to Compressive Sensing, 2013
وضعیت
🎉 کاملاً رایگان
سرفصل‌ها و ساختار آموزشی
فیلم‌های آموزشی: ۲۶ جلسه با مجموع ۳۱:۱۸ ساعت محتوا
پوشش مباحث پایه تا پیشرفته نظریه حسگری فشرده
تمرکز روی تحلیل ریاضی و اثبات‌های مربوطه
چرا این دوره رو انتخاب کنیم؟
رایگان بودن: بدون هیچ هزینه‌ای به محتوای تخصصی دسترسی پیدا می‌کنید
مرجع معتبر: بر اساس کتاب شناخته‌شده Foucart و Rauhut تدریس می‌شه
کاربردی: مباحث مستقیماً در پروژه‌های مخابراتی و پردازش سیگنال قابل استفاده‌ست
جامع: از مقدمات تا مباحث پیشرفته مثل هم‌ارزی محدود و تمرکز اندازه رو پوشش می‌ده
چند نکته برای دانشجوها 💡
اگه تازه می‌خواید وارد این حوزه بشید، پیشنهاد می‌کنم قبل از شروع، یه مرور سریع روی جبر خطی و آنالیز ماتریسی داشته باشید. مفاهیمی مثل نرم‌ها و فضای برداری اینجا خیلی به کارتون میاد. یه مثال ساده هم بزنم: فرض کنید یه سیگنال صوتی دارید که توی حوزه فرکانس فقط چند تا مؤلفه غیرصفر داره — این یعنی سیگنال تنکه و می‌شه با نمونه‌برداری خیلی کمتر از اون چیزی که قضیه نایکوئیست می‌گه، بازسازیش کرد. همین ایده ساده، پایه کل این نظریه‌ست.
