現(xiàn)代信號處理

第1章 隨機(jī)信號
1.1 信號分類
1.2 相關(guān)函數(shù)、協(xié)方差函數(shù)與功率譜密度
1.2.1 自相關(guān)函數(shù)、自協(xié)方差函數(shù)與功率譜密度
1.2.2 互相關(guān)函數(shù)、互協(xié)方差函數(shù)與互功率譜密度
1.3 兩個隨機(jī)信號的比較與識別
1.3.1 獨(dú)立、不相關(guān)與正交
1.3.2 多項(xiàng)式序列的Gram-Schmidt標(biāo)準(zhǔn)正交化
1.4 信號變換
1.4.1 信號變換的分類
1.4.2 非正交基函數(shù)的轉(zhuǎn)換
1.5 具有隨機(jī)輸入的線性系統(tǒng)
1.5.1 系統(tǒng)輸出的功率譜密度
1.5.2 窄帶帶通濾波器
本章小結(jié)
習(xí)題
第2章 參數(shù)估計理論
2.1 估計子的性能
2.1.1 無偏估計與斯近無偏估計
2.1.2 估計子的有效性
2.2 Fisher信息與Cramer-Rao不等式
2.3 Bayes估計
2.4 最大似然估計
2.5 線性均方估計
2.6 最小二乘估計
2.6.1 最小二乘估計及其性能
2.6.2 加權(quán)最小二乘估計
本章小結(jié)
習(xí)題
第3章 現(xiàn)代譜估計
3.1 離散隨機(jī)過程與非參數(shù)化譜估計
3.1.1 離散隨機(jī)過程
3.1.2 非參數(shù)化功率譜估計
3.2 平穩(wěn)ARMA過程
3.3 平穩(wěn)ARMA過程的功率譜密度
3.3.1 ARMA過程的功率譜密度
3.3.2 功率譜等價
3.4 ARMA譜估計
3.4.1 ARMA功率譜估計的兩種線性方法
3.4.2 修正Yule-Walker方程
3.4 3 AR階數(shù)確定的奇異值分解方法
3.4.4 AR參數(shù)估計的總體最小二乘法
3.5 ARMA模型辨識
3.5.1 MA階數(shù)確定
3.5 2 MA參數(shù)估計
3.6 最大熵譜估計
3.6.1 Burg最大熵譜估計
3.6.2 Levinson速推
3.6.3 Burg算法
3.6.4 Burg最大熵譜分析與ARMA譜估計
3.7 Pisarenko諧波分解法
3.7.1 Pisarenko諧波分解
3.7.2 諧波恢復(fù)的ARMA建模法
3.8 擴(kuò)展Prony方法
3.9 多重信號分類（MUSIC）
3.9.1 波束形成器
3.9.2 信號子空間與噪聲子空間
3.9.3 MUSIC方法
3.9.4 解相干MUSIC方法
3.9.5 求根MUSIC方法
3.10 旋轉(zhuǎn)不變技術(shù)（ESPRIT）
3.10.1 基本ESPRIT方法
3.10.2 TLS-ESPRIT方法
3.10.3 ESPRIT方法的另一形式
3.11 酉ESPRIT
本章小結(jié)
習(xí)題
第4章 自適應(yīng)濾波器
4.1 匹配濾波器
4.1.1 匹配濾波器的定義
4.1.2 匹配濾波器的性質(zhì)
4.1.3 匹配濾波器的實(shí)現(xiàn)
4.2 連續(xù)時間的Wiener濾波器
4.3 最優(yōu)濾波理論與Wiener濾波器
4.3.1 線性最優(yōu)濾波器
4.3.2 正交性原理
4.3.3 Wiener濾波器
4.4 Kalman濾波
4.4.1 Kalman濾波問題
4.4.2 新息過程
4.4.3 Kalman濾波算法
4.4.4 基于Kalman濾波的角速度估計
4.5 LMS類自適應(yīng)算法
4.5.1 LMS算法及其基本變型
4.5.2 解相關(guān)LMS算法
4.5.3 學(xué)習(xí)速率參數(shù)的選擇
4.5.4 LMS算法的統(tǒng)計性能分析
4.5.5 LMS算法的跟蹤性能
4.6 RLS自適應(yīng)算法
4.6.1 RLS算法
4.6.2 RLS算法與Kalman濾波算法的比較
4.6.3 RLS算法的統(tǒng)計性能分析
4.6.4 快速RLS算法
4.7 LMS自適應(yīng)格型濾波器
4.7.1 對稱的格型結(jié)構(gòu)
4.7.2 格型濾波器設(shè)計準(zhǔn)則
4.7.3 格型自適應(yīng)算法
4.8 自適應(yīng)濾波器的算子理論
4.8.1 濾波器算子的基本要求
4.8.2 投影矩陣與正交投影矩陣
4.8.3 前、后向預(yù)測濾波器
4.8.4 投影矩陣和正交投影矩陣的更新
4.9 LS自適應(yīng)格型濾波器
4.10 自適應(yīng)譜線增強(qiáng)器與陷波器
4.10.1 譜線增強(qiáng)器與陷波器的傳遞函數(shù)
4.10.2 基于IIR格型濾波器的自適應(yīng)陷波器
4.11 廣義旁瓣對消器
4.12 盲自適應(yīng)多用戶檢測
4.12.1 盲多用戶檢測的典范表示
4.12.2 盲多用戶檢測的LMS和RLS算法
4.12.3 盲多用戶檢測的Kalman自適應(yīng)算法
4.12.4 實(shí)驗(yàn)結(jié)果
本章小結(jié)
習(xí)題
第5章 高階統(tǒng)計分析
5.1 矩與累積量
5.1.1 高階矩與高階累積量的定義
5.1.2 高斯信號的高階矩與高階累積量
5.1.3 矩與累積量的轉(zhuǎn)換關(guān)系
5.2 矩與累積量的性質(zhì)
5.3 高階譜
5.3.1 高階矩諧與高階累積量譜
5.3.2 雙譜估計
5.4 非高斯信號與線性系統(tǒng)
5.4.1 亞高斯和超高斯信號
5.4.2 非高斯信號通過線性系統(tǒng)
5.5 FIR系統(tǒng)辨識
5.5.1 RC算法
5.5.2 累積量算法
5.5.3 MA階數(shù)確定
5.6 因果ARMA模型的辨識
5.6.1 AR參數(shù)的辨識
5.6.2 MA階數(shù)確定
5.6.3 MA參數(shù)估計
5.7 有色噪聲中的諧波恢復(fù)
5.7.1 復(fù)信號的累積量定義
5.7.2 諧波過程的累積量
5.7.3 高斯有色噪聲中的諧波恢復(fù)
5.7.4 非高斯有色噪聲中的諧波恢復(fù)
5.8 自適應(yīng)濾波
5.8.1 基于累積量的MMSE準(zhǔn)則
5.8.2 RLS自適應(yīng)算法
5.8.3 超定的輔助變量自適應(yīng)算法
5.9 時延估計
5.9.1 廣義互相關(guān)方法
5.9.2 高階統(tǒng)計量方法
5.10 雙譜在信號分類中的應(yīng)用
5.10.1 積分雙譜
5.10.2 選擇雙譜
5.10.3 實(shí)驗(yàn)結(jié)果
本章小結(jié)
習(xí)題
第6章 時頻信號分析——線性變換
6.1 信號的局部變換
6.2 解析信號與瞬時物理量
6.2.1 解析信號
6.2.2 基帶信號
6.2.3 瞬時頻率與群延遲
6.2.4 不相容原理
6.3 短時Fourier變換
6.3.1 連續(xù)短時Fourier變換
6.3.2 離散短時Fourier變換
6.4 Gabor變換
6.4.1 連續(xù)Gabor變換
6.4.2 離散Gabor變換
6.5 小波變換
6.5.1 小波的物理考慮
6.5.2 連續(xù)小波變換
6.5.3 連續(xù)小波變換的離散化
6.6 小波分析與框架理論
6.6.1 小波分析
6.6.2 框架理論
6.7 多分辨分析
6.8 正交濾波器組
6.8.1 正交多分辨分析
6.8.2 正交濾波器組設(shè)計
6.8.3 快速正交小波變換
6.9 雙正交濾波器組
6.9.1 雙正交多分辨分析
6.9.2 雙正交濾波器組設(shè)計
6.9.3 雙正交小波設(shè)計
6.9.4 快速雙正交小波變換
6.10 Gabor原子網(wǎng)絡(luò)及其在雷達(dá)目標(biāo)識別中的應(yīng)用
6.10.1 Gabor變換冊
6.10.2 信號分類的Gabor原子神經(jīng)網(wǎng)絡(luò)
6.10.3 實(shí)驗(yàn)結(jié)果
本章小結(jié)
習(xí)題
第7章 時頻信號分析—非線性變換
7.1 時頻分布的一般理論
7.1.1 時頻分布的定義
7.1.2 時頗分布的基本性質(zhì)要求
7.2 Wigner-Ville分布
7.2.1 數(shù)學(xué)性質(zhì)
7.2.2 與演變譜的關(guān)系
7.2.3 基于Wigner-Ville分布的信號重構(gòu)
7.3 模糊函數(shù)
7.4 Cohen類時頻分布
7.4.1 定義
7.4.2 對核函數(shù)的要求
7.5 時頻分布的性能評價與改進(jìn)
7.5.1 時頻聚集性
7.5.2 交叉項(xiàng)抑制
7.5.3 其他幾種典型時頻分布
7.5.4 核函數(shù)的優(yōu)化設(shè)計
7.6 非線性調(diào)頻信號的時頗分析
7.6.1 多項(xiàng)式調(diào)頻信號
7.6.2 高階時頻分布
本章小結(jié)
習(xí)題
附錄A Hilbert空間
附錄B Cauchy-Schwartz不等式
附錄C 相對于復(fù)向量的導(dǎo)數(shù)
參考文獻(xiàn)