第1章 信號處理基礎(chǔ) 1
1．1 離散時間信號與系統(tǒng) 1
1．1．1 離散時間信號 1
1．1．2 離散時間系統(tǒng) 6
1．1．3 Z變換與系統(tǒng)函數(shù) 9
1．1．4 系統(tǒng)的因果性和穩(wěn)定性 16
1．1．5 序列傅里葉變換與系統(tǒng)頻響 17
1．1．6 離散傅里葉變換 20
1．1．7 IIR系統(tǒng)與FIR系統(tǒng) 25
1．2 隨機信號基礎(chǔ) 27
1．2．1 隨機過程及其特征描述 27
1．2．2 相關(guān)函數(shù)與功率譜 31
1．2．3 白噪聲過程和諧波過程 36
1．2．4 平穩(wěn)隨機信號的有理分式模型 39
1．2．5 平穩(wěn)隨機信號通過線性系統(tǒng)的定理 41
1．2．6 譜分解定理及三種模型的適應(yīng)性 44
1．3 估計理論基礎(chǔ) 48
1．3．1 估計的偏差 48
1．3．2 估計的方差 49
1．3．3 估計的均方誤差與一致估計 50
1．3．4 自相關(guān)函數(shù)的估計方法 51
第2章 隨機信號譜估計 54
2．1 概述 54
2．2 古典譜估計 55
2．2．1 相關(guān)法譜估計 55
2．2．2 周期圖法譜估計 57
2．2．3 古典譜估計的改進 58
2．3 AR模型法譜估計 62
2．3．1 AR模型階次的確定 62
2．3．2 尤勒-沃克方程 63
2．3．3 萊文森-杜賓快速遞推算法 70
2．3．4 格型預(yù)測誤差濾波器與伯格遞推算法 73
2．3．5 自相關(guān)法與尤勒-沃克法的等效性 82
2．3．6 改進協(xié)方差法 84
2．4 MA模型法譜估計 87
2．4．1 MA模型的正則方程 87
2．4．2 用高階AR模型近似MA模型 89
2．5 ARMA模型法譜估計 91
2．5．1 ARMA模型的正則方程 91
2．5．2 用高階AR模型近似ARMA模型 93
2．6 基于矩陣特征分解的譜估計 97
2．6．1 相關(guān)矩陣的特征分解 97
2．6．2 皮薩倫科諧波分解法 101
2．6．3 多信號分類法 103
2．7 高階譜及其估計 104
2．7．1 特征函數(shù)與高階矩 105
2．7．2 累量生成函數(shù)與高階累量 106
2．7．3 高階累量與高階矩 106
2．7．4 高階累量與高階譜（多譜） 108
2．7．5 高階累量和多譜的性質(zhì) 111
2．7．6 高階累量和多譜估計 113
2．7．7 基于高階累量的模型參數(shù)估計 114
2．7．8 多譜的應(yīng)用 115
第3章 最優(yōu)濾波 116
3．1 維納濾波 116
3．1．1 概述 116
3．1．2 FIR維納濾波器 116
3．1．3 聯(lián)合過程估計 120
3．1．4 IIR維納濾波器 121
3．2 卡爾曼濾波 131
3．2．1 概述 131
3．2．2 卡爾曼濾波的遞推算法 133
3．2．3 向量卡爾曼濾波 138
第4章 自適應(yīng)濾波 142
4．1 概述 142
4．2 FIR自適應(yīng)濾波器 144
4．2．1 均方誤差性能曲面 144
4．2．2 梯度下降法 153
4．2．3 最小均方算法 164
4．2．4 梯度類算法的改進算法 170
4．2．5 遞歸最小二乘算法 173
4．3 梯度自適應(yīng)格型算法 177
4．4 IIR自適應(yīng)濾波器 180
4．4．1 輸出誤差法 181
4．4．2 方程誤差法 183
4．5 拉蓋爾自適應(yīng)濾波器 185
4．5．1 拉蓋爾橫向濾波器 185
4．5．2 基于拉蓋爾格型的聯(lián)合過程估計 186
4．5．3 梯度自適應(yīng)拉蓋爾格型算法 188
4．6 自適應(yīng)濾波的應(yīng)用 189
4．6．1 自適應(yīng)預(yù)測 189
4．6．2 自適應(yīng)干擾對消 190
4．6．3 自適應(yīng)系統(tǒng)辨識 192
4．6．4 自適應(yīng)信道均衡 193
第5章 多抽樣率信號處理與濾波器組 194
5．1 抽取與插值 194
5．1．1 信號的抽取 194
5．1．2 信號的插值 197
5．1．3 分數(shù)倍抽樣率轉(zhuǎn)換 198
5．1．4 抽取與插值的應(yīng)用 198
5．2 多相濾波器 200
5．2．1 多相表示 200
5．2．2 等效關(guān)系與互聯(lián) 203
5．2．3 抽取與插值的多相濾波器結(jié)構(gòu) 206
5．2．4 利用多相分解設(shè)計帶通濾波器組 209
5．3 濾波器組基礎(chǔ) 212
5．3．1 濾波器組的基本概念 212
5．3．2 最大均勻抽樣濾波器組 214
5．3．3 正交鏡像濾波器組 214
5．3．4 互補型濾波器 216
5．3．5 第M帶濾波器 217
5．3．6 半帶濾波器 219
5．4 兩通道濾波器組 220
5．4．1 信號的理想重建 220
5．4．2 FIR正交鏡像濾波器組 222
5．4．3 IIR正交鏡像濾波器組 224
5．4．4 共軛正交鏡像濾波器組 227
5．4．5 共軛正交鏡像濾波器組的正交性 229
5．4．6 雙正交濾波器組 230
第6章 小波變換 234
6．1 傅里葉變換與短時傅里葉變換 234
6．1．1 傅里葉變換及其局限性 234
6．1．2 短時傅里葉變換及其局限性 234
6．2 連續(xù)小波變換與反變換 235
6．2．1 小波變換的定義 235
6．2．2 小波變換的特點 238
6．2．3 小波變換的性質(zhì) 242
6．2．4 小波反變換 244
6．2．5 重建核與重建核方程 245
6．3 離散小波變換及小波標(biāo)架 246
6．3．1 離散小波變換 246
6．3．2 小波標(biāo)架理論 248
6．3．3 離散小波變換的重建核與重建核方程 252
6．4 離散小波變換的多分辨率分析 253
6．4．1 多分辨率分析的引入 253
6．4．2 二尺度差分方程 260
6．4．3 Mallat算法 262
6．4．4 正交小波 266
6．4．5 雙正交小波 268
第7章 人工神經(jīng)網(wǎng)絡(luò) 269
7．1 概述 269
7．1．1 人工神經(jīng)元模型 270
7．1．2 人工神經(jīng)網(wǎng)絡(luò)模型 272
7．1．3 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 272
7．2 多層前向神經(jīng)網(wǎng)絡(luò) 274
7．2．1 前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 274
7．2．2 前向神經(jīng)網(wǎng)絡(luò)的分類能力 274
7．2．3 多層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法——誤差修正學(xué)習(xí) 275
7．2．4 徑向基函數(shù)網(wǎng)絡(luò) 282
7．3 自組織神經(jīng)網(wǎng)絡(luò) 283
7．3．1 自組織聚類 284
7．3．2 自組織特征映射 288
7．3．3 自組織主分量分析 290
7．4 霍普菲爾德神經(jīng)網(wǎng)絡(luò) 296
7．4．1 聯(lián)想存儲器與反饋網(wǎng)絡(luò) 296
7．4．2 離散霍普菲爾德網(wǎng)絡(luò) 297
7．4．3 聯(lián)想存儲器及其學(xué)習(xí) 299
7．4．4 連續(xù)霍普菲爾德網(wǎng)絡(luò) 301
參考文獻 303