信号处理教程

7.4.4 连续霍普菲尔德网络

7.4.3 联想存储器及其学习

7.4.2 离散霍普菲尔德网络

7.4.1 联想存储器与反馈网络

7.4 霍普菲尔德神经网络

7.3.3 自组织主分量分析

7.3.2 自组织特征映射

7.3.1 自组织聚类

7.3 自组织神经网络

7.2.4 径向基函数网络

7.2.3 多层前向神经网络的学习算法——误差修正学习

7.2.2 前向神经网络的分类能力

7.2.1 前向神经网络的结构

7.2 多层前向神经网络

7.1.3 人工神经网络的学习

7.1.2 人工神经网络模型

7.1.1 人工神经元模型

7.1 概述

第7章 人工神经网络

6.4.5 双正交小波

6.4.4 正交小波

6.4.3 Mallat算法

6.4.2 二尺度差分方程

6.4.1 多分辨率分析的引入

6.4 离散小波变换的多分辨率分析

6.3.3 离散小波变换的重建核与重建核方程

6.3.2 小波标架理论

6.3.1 离散小波变换

6.3 离散小波变换及小波标架

6.2.5 重建核与重建核方程

6.2.4 小波反变换

6.2.3 小波变换的性质

6.2.2 小波变换的特点

6.2.1 小波变换的定义

6.2 连续小波变换与反变换

6.1.2 短时傅里叶变换及其局限性

6.1.1 傅里叶变换及其局限性

6.1 傅里叶变换与短时傅里叶变换

第6章 小波变换

5.4.6 双正交滤波器组

5.4.5 共轭正交镜像滤波器组的正交性

5.4.4 共轭正交镜像滤波器组

5.4.3 IIR正交镜像滤波器组

5.4.2 FIR正交镜像滤波器组

5.4.1 信号的理想重建

5.4 两通道滤波器组

5.3.6 半带滤波器

5.3.5 第M带滤波器

5.3.4 互补型滤波器

5.3.3 正交镜像滤波器组

5.3.2 最大均匀抽样滤波器组

5.3.1 滤波器组的基本概念

5.3 滤波器组基础

5.2.4 利用多相分解设计带通滤波器组

5.2.3 抽取与插值的多相滤波器结构

5.2.2 等效关系与互联

5.2.1 多相表示

5.2 多相滤波器

5.1.4 抽取与插值的应用

5.1.3 分数倍抽样率转换

5.1.2 信号的插值

5.1.1 信号的抽取

5.1 抽取与插值

第5章 多抽样率信号处理与滤波器组

4.6.4 自适应信道均衡

4.6.3 自适应系统辨识

4.6.2 自适应干扰对消

4.6.1 自适应预测

4.6 自适应滤波的应用

4.5.3 梯度自适应拉盖尔格型算法

4.5.2 基于拉盖尔格型的联合过程估计

4.5.1 拉盖尔横向滤波器

4.5 拉盖尔自适应滤波器

4.4.2 方程误差法

4.4.1 输出误差法

4.4 IIR自适应滤波器

4.3 梯度自适应格型算法

4.2.5 递归最小二乘算法

4.2.4 梯度类算法的改进算法

4.2.3 最小均方算法

4.2.2 梯度下降法

4.2.1 均方误差性能曲面

4.2 FIR自适应滤波器

4.1 概述

第4章 自适应滤波

3.2.3 向量卡尔曼滤波

3.2.2 卡尔曼滤波的递推算法

3.2.1 概述

3.2 卡尔曼滤波

3.1.4 IIR维纳滤波器

3.1.3 联合过程估计

3.1.2 FIR维纳滤波器

3.1.1 概述

3.1 维纳滤波

第3章 最优滤波

2.7.8 多谱的应用

2.7.7 基于高阶累量的模型参数估计

2.7.6 高阶累量和多谱估计

2.7.5 高阶累量和多谱的性质

2.7.4 高阶累量与高阶谱（多谱）

2.7.3 高阶累量与高阶矩

2.7.2 累量生成函数与高阶累量

2.7.1 特征函数与高阶矩

2.7 高阶谱及其估计

2.6.3 多信号分类法

2.6.2 皮萨伦科谐波分解法

2.6.1 相关矩阵的特征分解

2.6 基于矩阵特征分解的谱估计

2.5.2 用高阶AR模型近似ARMA模型

2.5.1 ARMA模型的正则方程

2.5 ARMA模型法谱估计

2.4.2 用高阶AR模型近似MA模型

2.4.1 MA模型的正则方程

2.4 MA模型法谱估计

2.3.6 改进协方差法

2.3.5 自相关法与尤勒-沃克法的等效性

2.3.4 格型预测误差滤波器与伯格递推算法

2.3.3 莱文森-杜宾快速递推算法

2.3.2 尤勒-沃克方程

2.3.1 AR模型阶次的确定

2.3 AR模型法谱估计

2.2.3 古典谱估计的改进

2.2.2 周期图法谱估计

2.2.1 相关法谱估计

2.2 古典谱估计

2.1 概述

第2章 随机信号谱估计

1.3.4 自相关函数的估计方法

1.3.3 估计的均方误差与一致估计

1.3.2 估计的方差

1.3.1 估计的偏差

1.3 估计理论基础

1.2.6 谱分解定理及三种模型的适应性

1.2.5 平稳随机信号通过线性系统的定理

1.2.4 平稳随机信号的有理分式模型

1.2.3 白噪声过程和谐波过程

1.2.2 相关函数与功率谱

1.2.1 随机过程及其特征描述

1.2 随机信号基础

1.1.7 IIR系统与FIR系统

1.1.6 离散傅里叶变换

1.1.5 序列傅里叶变换与系统频响

1.1.4 系统的因果性和稳定性

1.1.3 Z变换与系统函数

1.1.2 离散时间系统

1.1.1 离散时间信号

1.1 离散时间信号与系统

第1章 信号处理基础

前言

内容提要

版权页

封面

封面

版权页

内容提要

前言

第1章 信号处理基础

1.1 离散时间信号与系统

1.1.1 离散时间信号

1.1.2 离散时间系统

1.1.3 Z变换与系统函数

1.1.4 系统的因果性和稳定性

1.1.5 序列傅里叶变换与系统频响

1.1.6 离散傅里叶变换

1.1.7 IIR系统与FIR系统

1.2 随机信号基础

1.2.1 随机过程及其特征描述

1.2.2 相关函数与功率谱

1.2.3 白噪声过程和谐波过程

1.2.4 平稳随机信号的有理分式模型

1.2.5 平稳随机信号通过线性系统的定理

1.2.6 谱分解定理及三种模型的适应性

1.3 估计理论基础

1.3.1 估计的偏差

1.3.2 估计的方差

1.3.3 估计的均方误差与一致估计

1.3.4 自相关函数的估计方法

第2章 随机信号谱估计

2.1 概述

2.2 古典谱估计

2.2.1 相关法谱估计

2.2.2 周期图法谱估计

2.2.3 古典谱估计的改进

2.3 AR模型法谱估计

2.3.1 AR模型阶次的确定

2.3.2 尤勒-沃克方程

2.3.3 莱文森-杜宾快速递推算法

2.3.4 格型预测误差滤波器与伯格递推算法

2.3.5 自相关法与尤勒-沃克法的等效性

2.3.6 改进协方差法

2.4 MA模型法谱估计

2.4.1 MA模型的正则方程

2.4.2 用高阶AR模型近似MA模型

2.5 ARMA模型法谱估计

2.5.1 ARMA模型的正则方程

2.5.2 用高阶AR模型近似ARMA模型

2.6 基于矩阵特征分解的谱估计

2.6.1 相关矩阵的特征分解

2.6.2 皮萨伦科谐波分解法

2.6.3 多信号分类法

2.7 高阶谱及其估计

2.7.1 特征函数与高阶矩

2.7.2 累量生成函数与高阶累量

2.7.3 高阶累量与高阶矩

2.7.4 高阶累量与高阶谱（多谱）

2.7.5 高阶累量和多谱的性质

2.7.6 高阶累量和多谱估计

2.7.7 基于高阶累量的模型参数估计

2.7.8 多谱的应用

第3章 最优滤波

3.1 维纳滤波

3.1.1 概述

3.1.2 FIR维纳滤波器

3.1.3 联合过程估计

3.1.4 IIR维纳滤波器

3.2 卡尔曼滤波

3.2.1 概述

3.2.2 卡尔曼滤波的递推算法

3.2.3 向量卡尔曼滤波

第4章 自适应滤波

4.1 概述

4.2 FIR自适应滤波器

4.2.1 均方误差性能曲面

4.2.2 梯度下降法

4.2.3 最小均方算法

4.2.4 梯度类算法的改进算法

4.2.5 递归最小二乘算法

4.3 梯度自适应格型算法

4.4 IIR自适应滤波器

4.4.1 输出误差法

4.4.2 方程误差法

4.5 拉盖尔自适应滤波器

4.5.1 拉盖尔横向滤波器

4.5.2 基于拉盖尔格型的联合过程估计

4.5.3 梯度自适应拉盖尔格型算法

4.6 自适应滤波的应用

4.6.1 自适应预测

4.6.2 自适应干扰对消

4.6.3 自适应系统辨识

4.6.4 自适应信道均衡

第5章 多抽样率信号处理与滤波器组

5.1 抽取与插值

5.1.1 信号的抽取

5.1.2 信号的插值

5.1.3 分数倍抽样率转换

5.1.4 抽取与插值的应用

5.2 多相滤波器

5.2.1 多相表示

5.2.2 等效关系与互联

5.2.3 抽取与插值的多相滤波器结构

5.2.4 利用多相分解设计带通滤波器组

5.3 滤波器组基础

5.3.1 滤波器组的基本概念

5.3.2 最大均匀抽样滤波器组

5.3.3 正交镜像滤波器组

5.3.4 互补型滤波器

5.3.5 第M带滤波器

5.3.6 半带滤波器

5.4 两通道滤波器组

5.4.1 信号的理想重建

5.4.2 FIR正交镜像滤波器组

5.4.3 IIR正交镜像滤波器组

5.4.4 共轭正交镜像滤波器组

5.4.5 共轭正交镜像滤波器组的正交性

5.4.6 双正交滤波器组

第6章 小波变换

6.1 傅里叶变换与短时傅里叶变换

6.1.1 傅里叶变换及其局限性

6.1.2 短时傅里叶变换及其局限性

6.2 连续小波变换与反变换

6.2.1 小波变换的定义

6.2.2 小波变换的特点

6.2.3 小波变换的性质

6.2.4 小波反变换

6.2.5 重建核与重建核方程

6.3 离散小波变换及小波标架

6.3.1 离散小波变换

6.3.2 小波标架理论

6.3.3 离散小波变换的重建核与重建核方程

6.4 离散小波变换的多分辨率分析

6.4.1 多分辨率分析的引入

6.4.2 二尺度差分方程

6.4.3 Mallat算法

6.4.4 正交小波

6.4.5 双正交小波

第7章 人工神经网络

7.1 概述

7.1.1 人工神经元模型

7.1.2 人工神经网络模型

7.1.3 人工神经网络的学习

7.2 多层前向神经网络

7.2.1 前向神经网络的结构

7.2.2 前向神经网络的分类能力

7.2.3 多层前向神经网络的学习算法——误差修正学习

7.2.4 径向基函数网络

7.3 自组织神经网络

7.3.1 自组织聚类

7.3.2 自组织特征映射

7.3.3 自组织主分量分析

7.4 霍普菲尔德神经网络

7.4.1 联想存储器与反馈网络

7.4.2 离散霍普菲尔德网络

7.4.3 联想存储器及其学习

7.4.4 连续霍普菲尔德网络