Ingegneria Elettronica - Electronics Engineering

Obiettivi formativi

GENERALI
Il corso ha l’obiettivo di inquadrare l’architettura, le discipline di base e le tecnologie che consentono la trattazione ingegneristica delle conoscenze necessarie per la progettazione, la gestione e l’esercizio di sistemi dedicati a operazioni che si svolgono su un territorio reale in genere di grande dimensione. Inoltre ha l’obiettivo di esaminare sistemi di rilevamento distribuiti sul territorio, formanti reti WSN (Wireless Sensor Networks), con particolare attenzione ai sistemi a basso consumo e recupero energetico (tecniche harvesting).

SPECIFICI
• Conoscenza e capacità di comprensione: conoscere le tecniche e le tecnologie utilizzate in scenari territoriali complessi per i loro: monitoraggio, esercizio e gestione.
• Capacità di applicare conoscenza e comprensione: applicare metodologie di progetto con e per sistemi di rilevamento. Applicare tecniche di monitoraggio con sensori distribuiti formanti WSN, utilizzando sistemi prototipali (per es. Arduino) e tecniche di energy harvesting.
• Capacità critiche e di giudizio: Elementi base dell’architettura di sistema di sistemi. Capacità critiche di progettazione elettronica di sistemi WSN energeticamente autosufficienti. Prove di laboratorio con schede prototipali (Arduino/Genuino,…), transceivers, sensori (ricevitori GPS, IMU, …), DC-DC converter, componenti energy Harvesting, abbinate a programmazione del firmware e l’elaborazione dei dati (MathWorks, Python, Sketch Arduino,…).
• Abilità comunicative: saper descrivere le soluzioni architetturali e circuitali adottate per risolvere il monitoraggio mediante WSN e IoT.
• Capacità di proseguire lo studio in modo autonomo nel corso della vita: capacità atte all’inserimento in contesti lavorativi di progettazione di WSN, di programmazione firmware, di gestione di sistemi di rilevamento e di progettazione di nodi sensori.

Obiettivi formativi

KNOWLEDGE AND UNDERSTANDING. The course provides the basic principles for designing automatic systems for machine learning, addressing classification, clustering, functional approximation, and prediction problems, based on Computational Intelligence techniques, including neural networks, fuzzy logic, and evolutionary algorithms. Students who pass the final examination will be able to read and understand texts and articles on advanced topics in Soft Computing and Computational Intelligence, such as neural networks, optimization metaheuristics, and fuzzy systems.
APPLYING KNOWLEDGE AND UNDERSTANDING. Students who pass the final examination will be able to apply the methodological principles and algorithms studied in the course to the design of innovative machine learning systems in multidisciplinary contexts.
MAKING JUDGEMENTS. Students who pass the final examination will be able to analyse design requirements and select the machine learning system that best fits the case study under consideration.
COMMUNICATION SKILLS. Students who pass the final examination will be able to prepare a technical report and deliver an appropriate presentation aimed at documenting any work involving the design, development, and performance evaluation of a machine learning system.
LEARNING SKILLS. Students who pass the final examination will be able to independently continue studying the topics covered in the course, carrying out the continuous learning process required for professional competence in the ICT field.

Obiettivi formativi

Al termine del corso lo studente sarà in grado di analizzare gli effetti dell’atmosfera sulla propagazione dei segnali elettromagnetici e di valutare le più opportune tecniche di mitigazione di tali effetti al fine di supportare la progettazione e l’ottimizzazione di sistemi di comunicazione wireless. Sarà inoltre in grado di descrivere in modo dettagliato e approfondito la teoria della propagazione elettromagnetica in ambienti complessi, con particolare attenzione alle applicazioni nell’ingegneria dell’informazione e delle comunicazioni, nonché ai fenomeni di diffrazione, ottica geometrica, propagazione troposferica e ionosferica, e alle condizioni di propagazione tipiche dei collegamenti satellitari e terrestri in ambiente urbano.

L’integrazione di aspetti di modellazione elettromagnetica e di ingegneria dei sistemi, con riferimento a sistemi di telecomunicazione e di telerilevamento, consentirà agli studenti di interpretare in modo critico i fenomeni di radiopropagazione e di applicare i modelli appresi alla progettazione e alla valutazione delle prestazioni di sistemi di comunicazione e osservazione della Terra, acquisendo competenze trasversali utili sia in ambito accademico sia professionale.

Obiettivi formativi

GENERALI
Il corso ha l’obiettivo di inquadrare l’architettura, le discipline di base e le tecnologie che consentono la trattazione ingegneristica delle conoscenze necessarie per la progettazione, la gestione e l’esercizio di sistemi dedicati a operazioni che si svolgono su un territorio reale in genere di grande dimensione. Inoltre ha l’obiettivo di esaminare sistemi di rilevamento distribuiti sul territorio, formanti reti WSN (Wireless Sensor Networks), con particolare attenzione ai sistemi a basso consumo e recupero energetico (tecniche harvesting).

SPECIFICI
• Conoscenza e capacità di comprensione: conoscere le tecniche e le tecnologie utilizzate in scenari territoriali complessi per i loro: monitoraggio, esercizio e gestione.
• Capacità di applicare conoscenza e comprensione: applicare metodologie di progetto con e per sistemi di rilevamento. Applicare tecniche di monitoraggio con sensori distribuiti formanti WSN, utilizzando sistemi prototipali (per es. Arduino) e tecniche di energy harvesting.
• Capacità critiche e di giudizio: Elementi base dell’architettura di sistema di sistemi. Capacità critiche di progettazione elettronica di sistemi WSN energeticamente autosufficienti. Prove di laboratorio con schede prototipali (Arduino/Genuino,…), transceivers, sensori (ricevitori GPS, IMU, …), DC-DC converter, componenti energy Harvesting, abbinate a programmazione del firmware e l’elaborazione dei dati (MathWorks, Python, Sketch Arduino,…).
• Abilità comunicative: saper descrivere le soluzioni architetturali e circuitali adottate per risolvere il monitoraggio mediante WSN e IoT.
• Capacità di proseguire lo studio in modo autonomo nel corso della vita: capacità atte all’inserimento in contesti lavorativi di progettazione di WSN, di programmazione firmware, di gestione di sistemi di rilevamento e di progettazione di nodi sensori.

Obiettivi formativi

Al termine del corso lo studente sarà in grado di analizzare gli effetti dell’atmosfera sulla propagazione dei segnali elettromagnetici e di valutare le più opportune tecniche di mitigazione di tali effetti al fine di supportare la progettazione e l’ottimizzazione di sistemi di comunicazione wireless. Sarà inoltre in grado di descrivere in modo dettagliato e approfondito la teoria della propagazione elettromagnetica in ambienti complessi, con particolare attenzione alle applicazioni nell’ingegneria dell’informazione e delle comunicazioni, nonché ai fenomeni di diffrazione, ottica geometrica, propagazione troposferica e ionosferica, e alle condizioni di propagazione tipiche dei collegamenti satellitari e terrestri in ambiente urbano.

L’integrazione di aspetti di modellazione elettromagnetica e di ingegneria dei sistemi, con riferimento a sistemi di telecomunicazione e di telerilevamento, consentirà agli studenti di interpretare in modo critico i fenomeni di radiopropagazione e di applicare i modelli appresi alla progettazione e alla valutazione delle prestazioni di sistemi di comunicazione e osservazione della Terra, acquisendo competenze trasversali utili sia in ambito accademico sia professionale.

Obiettivi formativi

KNOWLEDGE AND UNDERSTANDING. The course provides the basic principles for designing automatic systems for machine learning, addressing classification, clustering, functional approximation, and prediction problems, based on Computational Intelligence techniques, including neural networks, fuzzy logic, and evolutionary algorithms. Students who pass the final examination will be able to read and understand texts and articles on advanced topics in Soft Computing and Computational Intelligence, such as neural networks, optimization metaheuristics, and fuzzy systems.
APPLYING KNOWLEDGE AND UNDERSTANDING. Students who pass the final examination will be able to apply the methodological principles and algorithms studied in the course to the design of innovative machine learning systems in multidisciplinary contexts.
MAKING JUDGEMENTS. Students who pass the final examination will be able to analyse design requirements and select the machine learning system that best fits the case study under consideration.
COMMUNICATION SKILLS. Students who pass the final examination will be able to prepare a technical report and deliver an appropriate presentation aimed at documenting any work involving the design, development, and performance evaluation of a machine learning system.
LEARNING SKILLS. Students who pass the final examination will be able to independently continue studying the topics covered in the course, carrying out the continuous learning process required for professional competence in the ICT field.