高級信號處理原理及應(yīng)用

第1章 貝葉斯推理
1.1 貝葉斯估計(jì)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(tài)概率模型估計(jì)方法
1.1.4 估計(jì)的性能指標(biāo)
1.2 貝葉斯估計(jì)
1.2.1 最大后驗(yàn)估計(jì)
1.2.2 最大似然估計(jì)
1.2.3 最小均方誤差估計(jì)
1.2.4 最小平均絕對值誤差估計(jì)
1.2.5 先驗(yàn)概率密度對估計(jì)偏差和方差的影響
1.3 最大期望算法
1.3.1 似然函數(shù)的最大期望
1.3.2 最大期望算法的推導(dǎo)及收斂性
1.4 最小估計(jì)方差的Cramer-Rao界
1.4.1 隨機(jī)參數(shù)的Cramer-Rao界
1.4.2 參數(shù)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(shù)的貝葉斯分類器
1.6.4 有限狀態(tài)過程的貝葉斯分類
1.7 隨機(jī)過程空間建模
1.7.1 隨機(jī)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(shè)計(jì)-K均值聚類
第2章 隱馬爾可夫模型
2.1 非平穩(wěn)過程的統(tǒng)計(jì)模型
2.2 HMM概述
2.2.1 HMM與貝葉斯模型
2.2.2 HMM的參數(shù)
2.2.3 狀態(tài)觀測概率模型
2.2.4 狀態(tài)轉(zhuǎn)移概率
2.2.5 狀態(tài)時(shí)間網(wǎng)格圖
2.3 HMM訓(xùn)練
2.3.1 前向一后向概率計(jì)算
2.3.2 Baum-Welch模型再估計(jì)
2.3.3 離散密度HMM訓(xùn)練
2.3.4 連續(xù)密度HMM
2.3.5 高斯混合概率密度HMM
2.4 用HMM進(jìn)行信號解碼
2.4.1 語音識別應(yīng)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(jì)
2.5.2 信號與噪聲模型的組合與分解
2.5.3 HMM組合
2.5.4 信號和噪聲狀態(tài)序列的分解
2.5.5 基于HMM的維納濾波器
2.5.6 噪聲特征建模
第3章 維納濾波器
3.1 最小二乘估計(jì)——維納濾波器
3.1.1 維納濾波方程的推導(dǎo)
3.1.2 輸入的自相關(guān)及輸入與期望信號的互相關(guān)的計(jì)算
3.2 維納濾波器的分塊數(shù)據(jù)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 維納濾波器的應(yīng)用
3.7.1 維納濾波器用于加性噪聲抑制
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／多傳感器系統(tǒng)中的信號時(shí)間校正
3.8 維納濾波器的實(shí)現(xiàn)問題
3.8.1 維納濾波器階數(shù)的選擇
3.8.2 維納濾波器的改進(jìn)
第4章 自適應(yīng)濾波器
4.1 自適應(yīng)濾波器的概念
……
第5章 功率譜分析
第6章 主成分分析
第7章 獨(dú)立成分分析
第8章 小波變換
第9章 Hilbert-Huang變換
第10章 盲解卷積和信道均衡