电子书
内容简介
本书共分7章，分别介绍了信号处理基础、随机信号谱评估、最优滤波、自适应滤波、多抽样率信号处理与滤波器组、小波变换、人工神经网络。
章节目录
- A-fy
- 53521-bq
- C-qy
- 前 言
- D-ML
- 目 录
- 01
- 02++
- 随机信号谱估计
- 第2章
- 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
- 1．格型预测误差滤波器
- 2．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
- 1．随机变量的高阶累量与高阶矩
- 2．随机过程的高阶累量与高阶矩
- 2.7.4 高阶累量与高阶谱（多谱）
- 1．平稳随机过程的高阶累量与高阶谱
- 2．确定性序列的高阶累量与高阶谱
- 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
- 03
- 04
- 05++
- 多抽样率信号处理与滤波器组
- 第5章
- 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
- 1．抽取的多相滤波器结构
- 2．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
- 1．严格互补滤波器
- 2．功率互补滤波器
- 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
- 06
- 07
- 人工神经网络
- 第7章
- 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
- 1．常用的学习算法
- 2．学习算法的性能
- 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
- 1．单个神经元的学习算法
- 2．误差反向传播算法
- 7.2.4 径向基函数网络
- 1．径向基函数网络的学习方法
- 2．LBG算法
- 3．径向基函数网络的特点
- 7.3 自组织神经网络
- 7.3.1 自组织聚类
- 1．单层前向聚类网络——竞争学习
- 2．反馈型聚类网络——自适应谐振学习
- 7.3.2 自组织特征映射
- 7.3.3 自组织主分量分析
- 1．主分量分析
- 2．单个线性神经元提取最大主分量——Hebb学习规则
- 3．单层网络用于提取一组主分量——广义Hebb算法
- 4．有侧向连接的自适应PCA——APEX算法
- 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
- ck
- 1
- 参考文献
展开全部
信号处理教程是2020年由人民邮电出版社出版,作者张玲华 编著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《信号处理教程》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
