摘要：凭借良好的就业记录和国际声誉，爱丁堡大学是学生发展工程职业的可靠选择。爱丁堡大学通信专业为毕业生和在职专业人员提供信号处理和通信方面的广泛培训，重点强调机器学习技术和数据科学。
The University of Edinburgh+
信号处理和通信硕士
Signal Processing and Communications MSc
凭借良好的就业记录和国际声誉，爱丁堡大学是学生发展工程职业的可靠选择。爱丁堡大学电子与电气工程专业全英排名第6。爱丁堡大学独立出的微电子公司是世界知名的半导体涉及企业，在数字信号转化声信号方面具有优势。苏格兰微电子中心就在爱丁堡SMC，人工智能世界闻名，也是欧洲人工智能中心。爱丁堡EE以SASG（signal&system）group最为有名。
2021-2022学年，爱丁堡大学共收到1056份中国学生申请，最终发出207份录取，录取发放率约为19.6%。2019-2020学年，该专业共收到676份申请，最终发出316份录取，录取发放率约为47%。
课程目标
信号处理和通信专业为毕业生和在职专业人员提供信号处理和通信方面的广泛培训，重点强调机器学习技术和数据科学。
学生将深入了解信号处理和通信研究前沿的主题，包括：压缩传感、机器学习和深度神经网络、无线通信理论、数值贝叶斯方法。
信号处理和通信课程为任何生成、处理、传输或存储任何类型信号的应用程序提供了理论基础。
实际示例：电脑、电话和互联网；视频流；自动驾驶汽车；可穿戴传感器；雷达和无线系统；传感器网络；医学影像和生理监测；理财产品；音频和语音识别与制作。
信号处理和通信是支撑我们今天正在经历的物联网和机器学习革命的关键领域。
未来就业
毕业生从事以下职业：机器学习、数据科学、自动驾驶汽车、通讯、雷达、医学影像、任何其他应用信号处理的地方。
课程结构
该课程持续12个月，包括两个学期的授课课程和一个研究项目，最终完成硕士学位论文。
第一学期课程：
图像处理是指使用算法对数字图像进行分析、修改、操作和提取信息。图像处理是一个日益相关且迅速发展的领域，它支撑着我们日常生活中的众多应用，从更传统的图像增强方法到最 先进的计算机视觉开发。
本课程通过将信号处理技术扩展到图像来介绍图像处理的基本原理。它将为学生打下坚实的基础，使他们能够构建图像处理问题的解决方案。本课程以基本单变量时间序列分析的先验知识为基础，介绍了视觉、图像和运算符以及各种图像变换的基本概念。然后，本课程将考虑如何应用先前提出的概念来解决图像处理中的一些关键挑战，包括图像增强、图像恢复和图像分割方面的问题。然后，课程最终会考虑上述技术的扩展，包括它们在多光谱图像中的应用。
数字通信基础
本课程的目的是让学生全面了解信息论与数字通信系统设计的关系，并提供在这些系统上执行设计计算的知识和技能。学生将使用标准数学方法对数字通信系统进行建模和分析，并预测性能指标，例如接收到的 SNR 和预期误码率。
离散时间信号分析
学生将学习对随机过程描述的信号和系统进行统计分析的理论和实际应用。该主题将从时域和频域两个方面进行探讨，重点是研究分析工具对结果分析的影响。本课程深入介绍了离散傅立叶变换及其在频谱估计中的作用，以及有限脉冲响应滤波器的设计及其在信号识别中的作用。特别是处理分析系统的分辨率和动态范围等问题，让学生了解如何将理论应用于工程问题。
概率、估计理论和随机信号（PETARS）
概率、估计理论和随机信号课程介绍了在 MSc 信号处理和通信计划中分析和描述高级信号处理算法所需的基本统计工具。它提供了一个统一的数学框架，作为描述随机事件和信号的基础，以及如何描述随机过程的关键特征。
该课程涵盖概率论，考虑随机变量和向量的概念，如何操纵它们，并介绍估计理论。事实证明，许多估计问题以及信号处理问题都可以简化为优化或集成中的练习。虽然这些问题可以使用确定性数值方法来解决，但本课程介绍了蒙特卡洛技术的概念，这是强大的随机优化和积分算法的基础。这些方法依赖于能够从任意分布中采样数字或变量。因此，本课程将讨论理解这些方法所必需的各种技术，如果时间允许，考虑了随机数生成技术。本课程的随机信号方面考虑通过随机或随机过程来表示真实世界的信号。将自相关和自协方差等统计量的概念从随机向量扩展到随机过程（时间序列），并开发了频域分析框架。本课程还研究系统和变换对时间序列的影响，以及如何使用它们来帮助设计强大的统计信号处理算法以完成特定任务。将自相关和自协方差等统计量的概念从随机向量扩展到随机过程（时间序列），并开发了频域分析框架。本课程还研究系统和变换对时间序列的影响，以及如何使用它们来帮助设计强大的统计信号处理算法以完成特定任务。将自相关和自协方差等统计量的概念从随机向量扩展到随机过程（时间序列），并开发了频域分析框架。本课程还研究系统和变换对时间序列的影响，以及如何使用它们来帮助设计强大的统计信号处理算法以完成特定任务。
该课程介绍了使用参数模型表示信号的概念；它扩展了用于确定最 佳模型参数的统计估计理论的广泛主题。特别是，引入了用于统计参数估计的贝叶斯范式。重点放在将这些概念与最 先进的应用程序和信号相关联。本课程提供理学硕士课程中高级信号、图像和通信课程所需的基础知识。
具有重大挑战的工程研究方法
研究方法：通过前 10 周的讲座，学生将学习完成研究项目所需的基本主题，如文献调查、项目规划和报告、时间管理、甘特图、剽窃和知识产权问题、研究成果的展示等。
大挑战项目：在第 2 周，学生将面临一项大挑战，要求他们进行文献综述、确定具体问题并提出/设计问题的解决方案。该项目要求他们使用他们在本课程中学到的所有技能和工具。虽然项目是个人的，但学生们组成论坛，讨论挑战的各个方面并交流想法。最终的可交付成果，也是课程作业评估，是一份 6 页的报告，格式为期刊论文，将在第 11 周提交
第二学期课程：
数字信号处理实验室
该课程将教学生在 MATLAB 环境中解决通信和信号处理领域的简单问题。该课程将加强必修课程中教授的材料，并提供信号和图像处理实施的实践经验，为项目做准备。该课程将由编程课程、测试和课程作业组成，涵盖离散时间信号分析、通信和图像处理。
阵列处理方法和MIMO系统
本课程将涵盖当前对阵列处理和 MIMO 系统感兴趣的主题。
1) 简介
2) 信号模型（1D 和 2D 或 3D 阵列）
3) 不同类型的波束形成
4) 不同的源定位技术，包括子空间方法
5) 信号数量检测
6) MIMO 系统：信道建模和空间复用
7)最大似然参数估计
自适应信号处理
本课程涉及自适应滤波器和相关的线性估计技术，例如 Wiener 有限脉冲响应滤波器和 Kalman 滤波器。引入了训练和收敛的概念，并考虑了性能和复杂性之间的权衡。研究了这些技术在均衡、编码、频谱分析和检测问题中的应用。
用于信号处理的机器学习
机器学习是一个致力于创建可以从数据示例（而不是人类指令）中学习适应的算法的领域。本课程旨在介绍在复杂信号和数据集分析中执行机器学习、模式识别、分类和自适应的技术。目标受众是那些想要应用机器学习方法所需背景的人，以及那些可能会倾向于开发新的机器学习方法的人。
这是一门高级课程。没有所需背景的学生不应选择该课程（参见“其他要求”框）；强烈建议没有这种背景的学生与他们的个人导师或学位主任讨论他们的意图，然后获得课程组织者的批准。本课程使用示例（来自信号和图像处理）来激发理论并分析不同方法的理论方面和特性。本课程不是基于实践的，也不会教授特定的计算机器学习框架。
机器学习简介、模式识别、检测、分类、回归、建模、统计推断、聚类分析、神经网络、卷积神经网络、泛化理论和交叉验证、深度学习、潜变量模型、成分分析、隐马尔可夫模型、语音、音频和图像数据的应用。
高级编码技术
本课程将涵盖当前感兴趣的高级编码技术主题。它将讨论使用标量和矢量量化方法进行量化的不同方法。还研究了与源代码相关的信息论基础。讨论了不同类型信号的率失真理论和量化。上述概念的实际例子贯穿整个课程。
高级无线通信
本课程将涵盖当前感兴趣的高级无线通信主题。
1. 无线信道
2. 点对点通信：检测、分集和信道不确定性
3. 蜂窝系统：多址接入和干扰管理
4. 无线信道容量
5. 多用户容量和机会通信
6. MIMO I：容量和多路复用体系结构
7. MIMO II：分集多路复用权衡和通用空时码
信号处理和通信：项目和论文
本课程是 MSc 项目的项目和论文元素。学生将在与信号处理和通信相关的主题中进行实质性项目，并生成一篇详细说明其结果的论文。
如果你对申请信号处理和通信专业非常感兴趣，或是有意向申请爱丁堡大学，欢迎咨询新东方前途出国顾问了解~
