自適應信號處理

目 錄
第1章 緒論\t1
1．1 自適應濾波的基本概念\t1
1．2 自適應信號處理的發(fā)展過程\t2
1．3 自適應信號處理的應用\t3
第2章 維納濾波\t5
2．1 問題的提出\t5
2．2 離散形式維納濾波器的解\t5
2．3 離散形式維納濾波器的性質(zhì)\t7
2．3．1 正交原理的幾何解釋\t7
2．3．2 正交原理推論\t7
2．3．3 最小均方誤差\t7
2．4 橫向濾波器的維納解\t8
2．4．1 橫向濾波器的維納-霍夫方程及其解\t8
2．4．2 橫向濾波器的誤差性能\t9
第3章 最小均方自適應算法\t15
3．1 最陡下降算法\t15
3．1．1 最陡下降算法的基本思想\t15
3．1．2 最小均方誤差最陡下降算法\t15
3．2 牛頓算法\t21
3．2．1 牛頓算法的基本思想\t21
3．2．2 最小均方誤差牛頓算法\t22
3．3 LMS算法\t26
3．3．1 LMS算法描述\t26
3．3．2 LMS算法的收斂性\t27
3．3．3 LMS算法的權向量噪聲\t31
3．3．4 LMS算法的期望學習曲線\t33
3．3．5 LMS算法的性能\t35
3．4 LMS牛頓算法\t37
第4章 改進型最小均方自適應算法\t39
4．1 歸一化LMS算法\t39
4．1．1 基于約束優(yōu)化問題求解歸一化LMS算法\t39
4．1．2 歸一化LMS算法小結\t41
4．2 塊LMS算法\t41
4．2．1 塊自適應濾波器\t41
4．2．2 塊LMS算法描述\t42
4．2．3 塊LMS算法的收斂性\t43
4．2．4 塊LMS算法塊長度的選擇\t43
4．3 快速塊LMS算法\t44
第5章 最小均方誤差線性預測及自適應格型算法\t46
5．1 最小均方誤差線性預測\t46
5．1．1 前向線性預測\t46
5．1．2 后向線性預測\t48
5．1．3 前向線性預測與后向線性預測的關系\t50
5．2 Levinson-Durbin算法\t51
5．2．1 Levinson-Durbin算法的導出\t51
5．2．2 Levinson-Durbin算法的幾點說明\t53
5．3 格型濾波器\t55
5．3．1 格型濾波器的導出\t55
5．3．2 格型濾波器的性質(zhì)\t57
5．3．3 格型濾波器的結構形式\t58
5．4 最小均方誤差自適應格型算法\t59
5．4．1 自適應格型塊處理迭代算法\t59
5．4．2 自適應格型隨機梯度算法\t61
第6章 線性最小二乘濾波\t64
6．1 問題的提出\t64
6．2 線性最小二乘濾波的正則方程\t65
6．2．1 正則方程的推導\t65
6．2．2 正則方程的矩陣形式\t67
6．2．3 根據(jù)數(shù)據(jù)矩陣構建的正則方程\t67
6．3 線性最小二乘濾波的性能\t69
6．3．1 正交原理的推論\t69
6．3．2 最小平方和誤差\t69
6．4 線性最小二乘濾波的向量空間法分析\t70
6．4．1 向量空間理論\t70
6．4．2 線性最小二乘濾波的向量空間解釋\t73
6．4．3 線性最小二乘數(shù)據(jù)擴充更新關系\t75
6．4．4 線性最小二乘時間更新\t77
第7章 最小二乘橫向濾波自適應算法\t81
7．1 遞歸最小二乘算法\t81
7．1．1 RLS算法的導出\t81
7．1．2 RLS算法小結\t84
7．2 RLS算法的收斂性\t84
7．2．1 RLS算法的均值\t84
7．2．2 RLS算法的均方偏差\t85
7．2．3 RLS算法的期望學習曲線\t86
7．3 RLS算法與LMS算法的比較\t87
7．4 最小二乘快速橫向濾波算法\t87
7．4．1 FTF算法中的4個橫向濾波器\t87
7．4．2 橫向濾波算子的時間更新\t95
7．4．3 FTF算法中的時間更新\t97
7．4．4 FTF算法描述\t104
7．4．5 FTF算法的性能\t106
第8章 最小二乘格型自適應算法\t108
8．1 最小二乘格型濾波器\t108
8．1．1 最小二乘前向預測誤差的階更新\t108
8．1．2 最小二乘后向預測誤差的階更新\t109
8．1．3 最小二乘格型結構\t110
8．2 LSL算法\t111
8．2．1 LSL算法導出\t111
8．2．2 LSL算法小結\t112
8．2．3 LSL算法的性能\t113
第9章 非線性濾波及其自適應算法\t115
9．1 非線性濾波概述\t115
9．2 Volterra級數(shù)濾波器\t116
9．2．1 連續(xù)的Volterra級數(shù)濾波器\t116
9．2．2 離散的Volterra級數(shù)濾波器\t117
9．3 LMS Volterra級數(shù)濾波器\t118
9．4 RLS Volterra級數(shù)濾波器\t120
9．5 形態(tài)濾波器結構元優(yōu)化設計的自適應算法\t121
9．5．1 形態(tài)濾波器的基本理論\t122
9．5．2 誤差準則\t123
9．5．3 腐蝕與膨脹的自適應算法\t123
9．6 自適應加權組合廣義形態(tài)濾波器\t127
9．6．1 廣義形態(tài)濾波器的基本理論\t127
9．6．2 廣義形態(tài)濾波器加權組合自適應算法\t127
9．7 層疊濾波器的自適應優(yōu)化算法\t129
9．7．1 層疊濾波器的基本理論\t129
9．7．2 層疊濾波器最優(yōu)估計算法\t131
9．7．3 自適應層疊濾波器\t138
第10章 自適應信號處理的應用\t140
10．1 自適應模擬與系統(tǒng)辨識\t140
10．1．1 系統(tǒng)辨識基本理論\t140
10．1．2 Volterra模型系統(tǒng)辨識\t143
10．1．3 改進的Volterra模型系統(tǒng)辨識\t145
10．1．4 FIR濾波器綜合的自適應模擬\t148
10．2 自適應逆模擬\t152
10．2．1 概述\t152
10．2．2 自適應信道均衡\t154
10．2．3 IIR濾波器的自適應綜合\t159
10．3 自適應干擾對消\t163
10．3．1 自適應干擾對消的原理\t163
10．3．2 平穩(wěn)噪聲對消解\t164
10．3．3 用作陷波濾波器的自適應噪聲對消器\t166
10．4 自適應預測\t169
10．4．1 自適應預測概述\t169
10．4．2 自適應預測器用于對消周期干擾\t169
10．4．3 自適應譜線增強器\t170
第11章 盲自適應信號處理理論及應用\t173
11．1 盲自適應均衡\t173
11．1．1 盲均衡的理論基礎\t173
11．1．2 盲均衡算法分類\t176
11．1．3 CMA盲均衡\t178
11．1．4 理想盲均衡實現(xiàn)的條件\t182
11．1．5 最小二乘CMA盲均衡算法\t182
11．1．6 判決反饋盲均衡算法\t186
11．1．7 神經(jīng)網(wǎng)絡盲均衡\t188
11．2 盲源分離\t193
11．2．1 盲源分離基本原理\t193
11．2．2 Fast-ICA算法\t196
11．3 盲系統(tǒng)辨識算法\t198
11．3．1 基于自相關的AR模型的盲辨識算法\t198
11．3．2 基于最大峰度準則的非因果AR系統(tǒng)辨識算法\t202
附錄A 矩陣和向量\t207
附錄B 相關矩陣與時間平均自相關矩陣\t210
參考文獻\t212