高級信號處理簡明教程

高級信號處理簡明教程

商品描述

本教材是約翰·霍普金斯大學懷廷學院課程中 信號處理研究生課程的擴展版本，面向來自電氣工程，物理學，計算機和數據科學以及數學背景的專業人士。 它涵蓋了統計信號處理中的基礎理論應用，包括頻譜估計，線性預測，自適應濾波器以及統一空間陣列的優化處理。 在該類教材中具體獨特性，它還包括對現代神經網絡的全面介紹，並提供了時間序列預測和圖像分類的示例。

作者簡介

阿米爾-霍馬溫·納吉米（Amir-Homayoon Najmi）得克薩斯大學相對論中心富布賴特學者。他的研究領域廣泛，包括宇宙時空中的量子場論、地震逆散射、應用於電磁波和生物監測的自適應信號處理。托德·K. 穆恩（Todd K. Moon）猶他州立大學電氣與計算機工程系主任。他在數字通信理論與信號處理領域發表了大量學術成果。

目錄大綱

譯者序
前言
致謝
縮略語
第1章 信號空間的數學結構
1.1 引言
1.2 向量空間、範數和內積
1.3 標準正交向量和格拉姆-施密特法
1.4 完備基和標準正交基
1.5 函數空間中的線性算子
1.6 矩陣行列式、特征向量和特征值
1.7 矩陣範數
1.8 Ax=b的解
1.9 希爾伯特空間中的投影
1.10 長橢球函數
1.11 近似問題和正交原理
1.12 正交投影與哈爾尺度和小波函數
1.13 多分辨率分析子空間和離散正交小波基
1.14 壓縮感知
第2章 矩陣分解和最小二乘問題
2.1 引言
2.2 QR分解
2.3 使用Givens旋轉的QR分解
2.4 使用Householder反射的QR
2.5 QR分解和滿秩最小二乘法
2.6 Cholesky分解和滿秩最小二乘法
2.7 奇異值分解
2.8 SVD和降秩近似
2.9 SVD和矩陣子空間
2.10 SVD：滿秩最小二乘法和最小範數解
2.11 總體最小二乘法
2.12 SVD和正交Procrustes問題
第3章 線性時不變系統和變換
3.1 引言
3.2 拉普拉斯變換
3.3 相位和群延遲響應：連續時間
3.4 Z變換
3.5 相位和群延遲響應：離散時間
3.6 最小相位和前載特性
3.7 傅裏葉變換
3.8 短時傅裏葉變換和頻譜圖
3.9 離散時間傅裏葉變換
3.10 Chirp Z變換
3.11 有限卷積
3.12 倒譜
3.13 正交離散小波變換
3.14 希爾伯特變換關系
3.15 解析信號和瞬時頻率
3.16 時頻分布函數
第4章 最小二乘濾波器
4.1 引言
4.2 二次最小化問題
4.3 頻域最小二乘濾波器
4.4 時域最小二乘整形濾波器
4.5 最小二乘濾波的梯度下降疊代解
4.6 時延估計
第5章 隨機變量和估計理論
5.1 隨機變量和隨機向量
5.2 覆隨機變量和隨機向量
5.3 隨機過程
5.4 高斯隨機變量和隨機向量
5.5 格拉姆-施密特去相關
5.6 主成分分析
5.7 卡胡南-拉維變換
5.8 最小二乘濾波器的統計特性
5.9 隨機變量的估計
5.10 聯合高斯隨機向量、條件均值和協方差
5.11 條件均值和線性模型
5.12 卡爾曼濾波器
5.13 參數估計和克拉默-拉奧下界
5.14 線性最小方差無偏估計量和最大似然估計量
5.15 線性模型參數向量的最大似然估計
5.16 高斯噪聲中覆正弦信號覆振幅的最大似然估計
5.17 一階高斯馬爾可夫過程的最大似然估計
5.18 信息論：熵與互信息
5.19 獨立分量分析
5.20 最大似然獨立分量分析
第6章 廣義平穩隨機過程
6.1 自相關函數及功率譜密度
6.2 零均值白噪聲中的覆正弦信號
6.3 MUSIC算法
6.4 Pisarenko諧波分解
6.5 ESPRIT算法
6.6 時間反轉信號向量的自相關矩陣
第7章 線性系統與隨機輸入
7.1 濾波隨機過程
7.2 廣義平穩噪聲中已知非隨機信號的檢測
7.3 廣義平穩隨機噪聲中廣義平穩隨機信號的檢測
7.4 典型分解
7.5 連續時間因果維納濾波器
7.6 離散時間因果維納濾波器
7.7 因果維納濾波器和卡爾曼濾波器
7.8 非因果維納濾波器和相幹函數
7.9 廣義互相關和時延估計
7.10 隨機場
第8章 功率譜密度估計和信號模型
8.1 引言
8.2 各態歷經性
8.3 均值和相關函數的樣本估計
8.4 周期圖
8.5 周期圖的統計特性
8.6 減少周期圖方差
8.7 多窗口法
8.8 經典譜估計的示例應用
8.9 最小方差無失真譜估計
8.10 自回歸移動平均信號模型
8.11 自回歸信號模型
8.12 最大熵和AR（P）過程
8.13 譜平坦度和AR（P）過程
8.14 AR（P）過程示例
8.15 Levinson-Durbin算法
8.16 MVD和AR譜的關系
8.17 零均值廣義平穩隨機信號的自回歸模型
8.18 白噪聲中覆正弦信號的自回歸模型
8.19 白噪聲中多個覆正弦信號的自回歸模型
8.20 AR模型的分辨率
8.21 AR模型參數估計
8.22 最大似然AR參數估計：自相關法
8.23 最大似然AR參數估計：協方差法
8.24 模型階數選擇
8.25 赤池信息量準則
8.26 貝葉斯模型階數選擇
8.27 最小描述長度
第9章 離散時間維納濾波器和線性預測
9.1 引言
9.2 離散時間FIR維納濾波器
9.3 前向預測問題
9.4 後向預測問題
9.5 預測誤差序列和偏相關
9.6 格型濾波器
9.7 前向PEF的最小相位特性
9.8 AR參數估計：Burg法
9.9 線性預測和語音識別
第10章 自適應濾波器
10.1 引言
10.2 LMS算法
10.3 覆LMS算法
10.4 符號自適應LMS算法
10.5 歸一化LMS算法
10.6 均衡LMS收斂速率
10.7 遞歸最小二乘法
10.8 RLS實現
第11章 線性陣列的優化處理
11.1 均勻線性陣列
11.2 ULA上的信號模型
11.3 波束成形
11.4 最優波束成形
11.5 最優波束成形器的性能
11.6 實際中的最優波束成形
11.7 SMI波束成形中的遞歸方法
11.8 PCA和主模式抑制波

類似商品