數(shù)字信號處理：時域離散隨機信號處理

第一章 時域離散隨機信號的分析
1.1 引言
1.2 時域離散隨機信號的統(tǒng)計描述
1.2.1 時域離散隨機信號（隨機序列）的概率描述
1.2.2 隨機序列的數(shù)字特征
1.2.3 平穩(wěn)隨機序列及其數(shù)字特征
1.2.4 平穩(wěn)隨機序列的功率密度譜
1.2.5 隨機序列的各態(tài)歷經(jīng)性
1.2.6 特定的隨機序列
1.2.7 隨機信號的采樣定理
1.3 隨機序列數(shù)字特征的估計
1.3.1 估計準(zhǔn)則
1.3.2 均值的估計
1.3.3 方差的估計
1.3.4 隨機序列自相關(guān)函數(shù)的估計
1.4 平穩(wěn)隨機序列通過線性系統(tǒng)
1.4.1 系統(tǒng)響應(yīng)的均值、
1.4.2 輸出響應(yīng)的功率譜密度函數(shù)
1.4.3 系統(tǒng)的輸入、
1.4.4 相關(guān)卷積定理
1.5 時間序列信號模型
1.5.1 三種時間序列模型
1.5.2 三種時間序列信號模型的適應(yīng)性
1.5.3 自相關(guān)函數(shù)、
習(xí)題 
參考文獻 
第二章 維納濾波和卡爾曼濾波 
2.1 引言
2.2 維納濾波器的離散形式——時域解
2.2.1 維納濾波器時域求解的方法
2.2.2 維納-霍夫方程
2.2.3 估計誤差的均方值
2.3 離散維納濾波器的z域解
2.3.1 非因果維納濾波器的求解
2.3.2 因果維納濾波器的求解
2.4 維納預(yù)測
2.4.1 維納預(yù)測的計算
2.4.2 純預(yù)測
2.4.3 一步線性預(yù)測的時域解
2.5 卡爾曼(Kalman)濾波
2.5.1 卡爾曼濾波的狀態(tài)方程和量測方程
2.5.2 卡爾曼濾波的遞推算法
2.5.3 應(yīng)用舉例
2.5.4 發(fā)散問題及其抑制
習(xí)題 
上機作業(yè) 
參考文獻 
第三章 自適應(yīng)數(shù)字濾波器 
3.1 引言
3.2 自適應(yīng)橫向濾波器
3.2.1 自適應(yīng)線性組合器和自適應(yīng)FIR濾波器
3.2.2 性能函數(shù)表示式及其幾何意義
3.2.3 最陡下降法
3.2.4 最小均方(LMS)算法
3.3 自適應(yīng)格型濾波器
3.3.1 前、
3.3.2 格型濾波器
3.3.3 最小均方誤差自適應(yīng)格型濾波器
3.4 最小二乘自適應(yīng)濾波
3.4.1 最小二乘濾波
3.4.2 遞推最小二乘法(RLS)
3.4.3 線性向量空間
3.4.4 最小二乘格型算法(LSL)
3.4.5 快速橫向濾波算法(FTF算法)
3.5 自適應(yīng)濾波的應(yīng)用
3.5.1 自適應(yīng)對消
3.5.2 自適應(yīng)陷波器(NF)
3.5.3 自適應(yīng)逆濾波
3.5.4 預(yù)測及信號分離
習(xí)題 
上機作業(yè) 
參考文獻 
第四章 功率譜估計 
4.1 引言
4.2 經(jīng)典譜估計
4.2.1 BT法
4.2.2 周期圖法
4.2.3 經(jīng)典譜估計方法改進
4.3 現(xiàn)代譜估計中的參數(shù)建模
4.3.1 模型選擇
4.3.2 模型參數(shù)和自相關(guān)函數(shù)之間的關(guān)系
4.4 AR模型譜估計的性質(zhì)
4.4.1 AR模型的線性預(yù)測
4.4.2 預(yù)測誤差濾波器的最小相位特性
4.4.3 AR模型隱含自相關(guān)函數(shù)延拓特性
4.5 AR譜估計的方法
4.5.1 自相關(guān)法——列文森（Levenson）遞推法
4.5.2 協(xié)方差法與修正協(xié)方差法
4.5.3 伯格(Burg)遞推法
4.5.4 關(guān)于AR模型階次的選擇
4.6 最大熵譜估計與最大似然譜估計
4.6.1 最大熵譜估計
4.6.2 最大似然譜估計——最小方差譜估計
4.7 特征分解法譜估計
4.7.1 正弦波用退化AR模型表示
4.7.2 白噪聲中正弦波組合用一特殊的ARMA模型表示
4.7.3 特征分解法譜估計
習(xí)題 
上機作業(yè) 
參考文獻 
第五章 時頻分析
5.1 引言
5.2 短時傅里葉變換
5.2.1 短時傅里葉變換的定義及其物理解釋
5.2.2 短時傅里葉變換的性質(zhì)
5.2.3 短時傅里葉變換的時間、
5.2.4 短時傅里葉變換的實現(xiàn)
5.3 維格納變換(WD)
5.3.1 WD的定義
5.3.2 WD的性質(zhì)
5.3.3 常用信號的WD舉例
5.3.4 關(guān)于二次時頻分布中的交叉(干擾)項
5.4 時域離散信號的維格納變換
5.4.1 時域離散信號的WD定義
5.4.2 利用FFT計算維格納分布
5.5 時頻分布的統(tǒng)一表示式
5.5.1 模糊函數(shù)及其和WD之間的關(guān)系
5.5.2 Cohen
5.5.3 廣義雙線性時頻分布舉例
5.6 時頻分析在編隊目標(biāo)架次檢測中的應(yīng)用
5.6.1 編隊飛機目標(biāo)多普勒特性分析
5.6.2 編隊目標(biāo)的WignerVille分布
5.6.3 基于WVD圖的架次檢測方案
5.6.4 實驗結(jié)果及討論
習(xí)題 
參考文獻 
第六章 小波分析的基本原理及其應(yīng)用 
6.1 引言
6.2 連續(xù)小波變換
6.2.1 從短時傅里葉變換到小波變換
6.2.2 連續(xù)小波變換
6.2.3 連續(xù)小波變換的性質(zhì)
6.2.4 小波變換的反演以及對基小波的要求
6.2.5 幾種常用的基本小波基
6.3 離散小波變換
6.3.1 框架的概念
6.3.2 通過框架對原函數(shù)進行重構(gòu)
6.3.3 小波框架
6.3.4 多分辨率分析與離散序列的小波變換
6.3.5 尺度函數(shù)和小波函數(shù)的一些重要性質(zhì)
6.4 小波分析的應(yīng)用
6.4.1 小波變換用于表征信號的突變特征
6.4.2 小波變換在信號與圖像壓縮中的應(yīng)用
6.4.3 小波變換在數(shù)字信號調(diào)制識別中的應(yīng)用
習(xí)題 
參考文獻