本書主要內容涉及信號處理的高級專題，主要包括貝葉斯推斷，線性預測模型，隱馬爾可夫模型，自適應濾波器，特徵值分析與主成份分析，功率譜分析，獨立成份分析，時間序列分析，時-頻分析，信道均衡與盲解卷，以及壓縮感知理論與亞奈奎斯特採樣等。
基本介紹
- 書名：高級信號處理原理及套用
- 出版社：科學出版社
- 頁數：266頁
- 開本：16
- 作者：柏正堯
- 出版日期：2013年10月1日
- 語種：簡體中文
- 品牌：科學出版社
內容簡介,圖書目錄,
內容簡介
《高級信號處理原理及套用》由科學出版社出版。
圖書目錄
第1章貝葉斯推理
1.1貝葉斯估計理論
1.1.1貝葉斯定理
1.1.2貝葉斯推理的定義
1.1.3動態機率模型估計方法
1.1.4估計的性能指標
1.2貝葉斯估計
1.2.1最大後驗估計
1.2.2最大似然估計
1.2.3最小均方誤差估計
1.2.4最小平均絕對值誤差估計
1.2.5先驗機率密度對估計偏差和方差的影響
1.3最大期望算法
1.3.1似然函式的最大期望
1.3.2最大期望算法的推導及收斂性
1.4最小估計方差的Cramer—Rao界
1.4.1隨機參數的Cramer—Rao界
1.4.2參數向量的Cramer—Rao約束
1.5高斯混合模型
1.6貝葉斯分類
1.6.1二元分類
1.6.2分類誤差
1.6.3離散值參數的貝葉斯分類器
1.6.4有限狀態過程的貝葉斯分類
1.7隨機過程空間建模
1.7.1隨機過程的向量量化
1.7.2使用集簇高斯模型的向量量化
1.7.3向量量化器設計——K均值聚類
第2章隱馬爾可夫模型
2.1非平穩過程的統計模型
2.2HMM概述
2.2.1HMM與貝葉斯模型
2.2.2HMM的參數
2.2.3狀態觀測機率模型
2.2.4狀態轉移機率
2.2.5狀態時間格線圖
2.3HMM訓練
2.3.1前向—後向機率計算
2.3.2Baum—Welch模型再估計
2.3.3離散密度HMM訓練
2.3.4連續密度HMM
2.3.5高斯混合機率密度HMM
2.4用HMM進行信號解碼
2.4.1語音識別套用
2.4.2維特比算法
2.5噪聲的HMM
2.5.1噪聲信號的估計
2.5.2信號與噪聲模型的組合與分解
2.5.3HMM組合
2.5.4信號和噪聲狀態序列的分解
2.5.5基於HMM的維納濾波器
2.5.6噪聲特徵建模
第3章維納濾波器
3.1最小二乘估計——維納濾波器
3.1.1維納濾波方程的推導
3.1.2輸入的自相關及輸入與期望信號的互相關的計算
3.2維納濾波器的分塊數據公式
3.3最小均方誤差方程的QR分解
3.4維納濾波器的向量空間投影描述
3.5最小均方誤差信號分析
3.6頻域中的維納濾波器
3.7維納濾波器的套用
3.7.1維納濾波器用於加性噪聲抑制
3.7.2平方根維納濾波
3.7.3維納信道均衡器
3.7.4多信道/多感測器系統中的信號時間校正
3.8維納濾波器的實現問題
3.8.1維納濾波器階數的選擇
3.8.2維納濾波器的改進
第4童自適應濾波器
4.1自適應濾波器的概念
4.2狀態空間卡爾曼濾波器
4.2.1卡爾曼濾波算法的推導
4.2.2用遞歸貝葉斯公式表示卡爾曼濾波器
4.2.3卡爾曼濾波器的馬爾可夫性
4.3擴展卡爾曼濾波器
4.4無跡卡爾曼濾波器
4.5樣本自適應濾波器
4.6遞歸最小二乘誤差自適應濾波器
4.6.1矩陣求逆引理
4.6.2濾波器係數的遞歸時間更新
4.7最速下降法
4.7.1收斂速度
4.7.2向量值自適應步長
4.8最小均方誤差濾波器
4.8.1漏溢最小均方誤差算法
4.8.2歸一化最小均方誤差算法
第5章功率譜分析
5.1概述
5.2經典譜估計
5.2.1相關圖法
5.2.2相關圖法功率譜估計——有偏自相關函式估計法
5.2.3周期圖法
5.2.4經典譜估計方法改進
5.3參數譜估計
5.3.1信號建模
5.3.2模型參數和自相關函式之間的關係
5.3.3AR模型譜估計的性質
5.3.4AR譜估計的方法
5.3.5AR模型階次的選擇
5.4非參數模型法估計功率譜
5.4.1全向天線波束下傾
5.4.2天線波達方向估計
第6章主成分分析
6.1概述
6.2主成分分析的特徵結構
6.3常見算法
6.3.1基於Hebb學習規則的隨機梯度算法
6.3.2廣義的Hebb算法
6.3.3改進的增量計算方法
6.3.4混合算法
6.4套用舉例
6.4.1在圖像壓縮中的套用
6.4.2在模式識別中的套用
6.4.3產生圖像的視覺顯著圖
第7章獨立成分分析
7.1概述
7.1.1獨立成分分析的定義
7.1.2統計獨立性
7.2獨立成分分析的估計原理
7.2.1非高斯性最大化
7.2.2互信息最小化
7.2.3最大似然估計
7.3獨立成分分析的生物意義
7.4常見算法
7.4.1數據的預處理
7.4.2Jutten—Herault算法
7.4.3Infomax算法
7.4.4FastICA算法
7.5套用舉例
7.5.1混合信號的分離
7.5.2自然圖像的降噪
第8章小波變換
8.1連續小波變換
8.1.1連續小波變換的定義
8.1.2連續小波變換的一些性質
8.1.3小波的基本要求
8.1.4幾種常用的基本小波
8.1.5連續小波變換的計算及實現
8.2離散小波變換
8.2.1離散小波及離散小波變換
8.2.2小波框架與離散小波反變換
8.3小波變換的Mallat算法
8.3.1多分辨分析
8.3.2尺度函式和小波函式
8.3.3Mallat快速算法
8.4小波變換的套用舉例
8.4.1小波去噪
8.4.2GPS信號處理
第9章Hilbert—Huang變換
9.1瞬時頻率
9.2固有模態函式
9.3經驗模態分解
9.4完備性和正交性
9.5Hilbert譜
9.6Hilbert譜驗證和校正
第10章盲解卷積和信道均衡
10.1盲解卷積
10.1.1盲解卷積簡介
10.1.2盲解卷積的數學模型
10.1.3盲解卷積準則
10.1.4算法
10.2信道均衡
10.2.1信道均衡簡介
10.2.2基本原理
主要參考文獻
1.1貝葉斯估計理論
1.1.1貝葉斯定理
1.1.2貝葉斯推理的定義
1.1.3動態機率模型估計方法
1.1.4估計的性能指標
1.2貝葉斯估計
1.2.1最大後驗估計
1.2.2最大似然估計
1.2.3最小均方誤差估計
1.2.4最小平均絕對值誤差估計
1.2.5先驗機率密度對估計偏差和方差的影響
1.3最大期望算法
1.3.1似然函式的最大期望
1.3.2最大期望算法的推導及收斂性
1.4最小估計方差的Cramer—Rao界
1.4.1隨機參數的Cramer—Rao界
1.4.2參數向量的Cramer—Rao約束
1.5高斯混合模型
1.6貝葉斯分類
1.6.1二元分類
1.6.2分類誤差
1.6.3離散值參數的貝葉斯分類器
1.6.4有限狀態過程的貝葉斯分類
1.7隨機過程空間建模
1.7.1隨機過程的向量量化
1.7.2使用集簇高斯模型的向量量化
1.7.3向量量化器設計——K均值聚類
第2章隱馬爾可夫模型
2.1非平穩過程的統計模型
2.2HMM概述
2.2.1HMM與貝葉斯模型
2.2.2HMM的參數
2.2.3狀態觀測機率模型
2.2.4狀態轉移機率
2.2.5狀態時間格線圖
2.3HMM訓練
2.3.1前向—後向機率計算
2.3.2Baum—Welch模型再估計
2.3.3離散密度HMM訓練
2.3.4連續密度HMM
2.3.5高斯混合機率密度HMM
2.4用HMM進行信號解碼
2.4.1語音識別套用
2.4.2維特比算法
2.5噪聲的HMM
2.5.1噪聲信號的估計
2.5.2信號與噪聲模型的組合與分解
2.5.3HMM組合
2.5.4信號和噪聲狀態序列的分解
2.5.5基於HMM的維納濾波器
2.5.6噪聲特徵建模
第3章維納濾波器
3.1最小二乘估計——維納濾波器
3.1.1維納濾波方程的推導
3.1.2輸入的自相關及輸入與期望信號的互相關的計算
3.2維納濾波器的分塊數據公式
3.3最小均方誤差方程的QR分解
3.4維納濾波器的向量空間投影描述
3.5最小均方誤差信號分析
3.6頻域中的維納濾波器
3.7維納濾波器的套用
3.7.1維納濾波器用於加性噪聲抑制
3.7.2平方根維納濾波
3.7.3維納信道均衡器
3.7.4多信道/多感測器系統中的信號時間校正
3.8維納濾波器的實現問題
3.8.1維納濾波器階數的選擇
3.8.2維納濾波器的改進
第4童自適應濾波器
4.1自適應濾波器的概念
4.2狀態空間卡爾曼濾波器
4.2.1卡爾曼濾波算法的推導
4.2.2用遞歸貝葉斯公式表示卡爾曼濾波器
4.2.3卡爾曼濾波器的馬爾可夫性
4.3擴展卡爾曼濾波器
4.4無跡卡爾曼濾波器
4.5樣本自適應濾波器
4.6遞歸最小二乘誤差自適應濾波器
4.6.1矩陣求逆引理
4.6.2濾波器係數的遞歸時間更新
4.7最速下降法
4.7.1收斂速度
4.7.2向量值自適應步長
4.8最小均方誤差濾波器
4.8.1漏溢最小均方誤差算法
4.8.2歸一化最小均方誤差算法
第5章功率譜分析
5.1概述
5.2經典譜估計
5.2.1相關圖法
5.2.2相關圖法功率譜估計——有偏自相關函式估計法
5.2.3周期圖法
5.2.4經典譜估計方法改進
5.3參數譜估計
5.3.1信號建模
5.3.2模型參數和自相關函式之間的關係
5.3.3AR模型譜估計的性質
5.3.4AR譜估計的方法
5.3.5AR模型階次的選擇
5.4非參數模型法估計功率譜
5.4.1全向天線波束下傾
5.4.2天線波達方向估計
第6章主成分分析
6.1概述
6.2主成分分析的特徵結構
6.3常見算法
6.3.1基於Hebb學習規則的隨機梯度算法
6.3.2廣義的Hebb算法
6.3.3改進的增量計算方法
6.3.4混合算法
6.4套用舉例
6.4.1在圖像壓縮中的套用
6.4.2在模式識別中的套用
6.4.3產生圖像的視覺顯著圖
第7章獨立成分分析
7.1概述
7.1.1獨立成分分析的定義
7.1.2統計獨立性
7.2獨立成分分析的估計原理
7.2.1非高斯性最大化
7.2.2互信息最小化
7.2.3最大似然估計
7.3獨立成分分析的生物意義
7.4常見算法
7.4.1數據的預處理
7.4.2Jutten—Herault算法
7.4.3Infomax算法
7.4.4FastICA算法
7.5套用舉例
7.5.1混合信號的分離
7.5.2自然圖像的降噪
第8章小波變換
8.1連續小波變換
8.1.1連續小波變換的定義
8.1.2連續小波變換的一些性質
8.1.3小波的基本要求
8.1.4幾種常用的基本小波
8.1.5連續小波變換的計算及實現
8.2離散小波變換
8.2.1離散小波及離散小波變換
8.2.2小波框架與離散小波反變換
8.3小波變換的Mallat算法
8.3.1多分辨分析
8.3.2尺度函式和小波函式
8.3.3Mallat快速算法
8.4小波變換的套用舉例
8.4.1小波去噪
8.4.2GPS信號處理
第9章Hilbert—Huang變換
9.1瞬時頻率
9.2固有模態函式
9.3經驗模態分解
9.4完備性和正交性
9.5Hilbert譜
9.6Hilbert譜驗證和校正
第10章盲解卷積和信道均衡
10.1盲解卷積
10.1.1盲解卷積簡介
10.1.2盲解卷積的數學模型
10.1.3盲解卷積準則
10.1.4算法
10.2信道均衡
10.2.1信道均衡簡介
10.2.2基本原理
主要參考文獻
