高级信号处理原理及应用

第1章 贝叶斯推理
1.1 贝叶斯估计理论
1.1.1 贝叶斯定理
1.1.2 贝叶斯推理的定义
1-1.3 动态概率模型估计方法
1.1.4 估计的性能指标
1.2 贝叶斯估计
1.2.1 最大后验估计
1.2.2 最大似然估计
1.2.3 最小均方误差估计
1.2.4 最小平均绝对值误差估计
1.2.5 先验概率密度对估计偏差和方差的影响
1.3 最大期望算法
1.3.1 似然函数的最大期望
1.3.2 最大期望算法的推导及收敛性
1.4 最小估计方差的Cramer-Rao界
1.4.1 随机参数的Cramer-Rao界
1.4.2 参数向量的Cramer-Rao约束
1.5 高斯混合模型
1.6 贝叶斯分类
1.6.1 二元分类
1.6.2 分类误差
1.6.3 离散值参数的贝叶斯分类器
1.6.4 有限状态过程的贝叶斯分类
1.7 随机过程空间建模
1.7.1 随机过程的向量量化
1.7.2 使用集簇高斯模型的向量量化
1.7.3 向量量化器设计-K均值聚类
第2章 隐马尔可夫模型
2.1 非平稳过程的统计模型
2.2 HMM概述
2.2.1 HMM与贝叶斯模型
2.2.2 HMM的参数
2.2.3 状态观测概率模型
2.2.4 状态转移概率
2.2.5 状态时间网格图
2.3 HMM训练
2.3.1 前向一后向概率计算
2.3.2 Baum-Welch模型再估计
2.3.3 离散密度HMM训练
2.3.4 连续密度HMM
2.3.5 高斯混合概率密度HMM
2.4 用HMM进行信号解码
2.4.1 语音识别应用
2.4.2 维特比算法
2.5 噪声的HMM
2.5.1 噪声信号的估计
2.5.2 信号与噪声模型的组合与分解
2.5.3 HMM组合
2.5.4 信号和噪声状态序列的分解
2.5.5 基于HMM的维纳滤波器
2.5.6 噪声特征建模
第3章 维纳滤波器
3.1 最小二乘估计——维纳滤波器
3.1.1 维纳滤波方程的推导
3.1.2 输入的自相关及输入与期望信号的互相关的计算
3.2 维纳滤波器的分块数据公式
3.3 最小均方误差方程的QR分解
3.4 维纳滤波器的向量空间投影描述
3.5 最小均方误差信号分析
3.6 频域中的维纳滤波器
3.7 维纳滤波器的应用
3.7.1 维纳滤波器用于加性噪声抑制
3.7.2 平方根维纳滤波
3.7.3 维纳信道均衡器
3.7.4 多信道／多传感器系统中的信号时间校正
3.8 维纳滤波器的实现问题
3.8.1 维纳滤波器阶数的选择
3.8.2 维纳滤波器的改进
第4章 自适应滤波器
4.1 自适应滤波器的概念
……
第5章 功率谱分析
第6章 主成分分析
第7章 独立成分分析
第8章 小波变换
第9章 Hilbert-Huang变换
第10章 盲解卷积和信道均衡