自适应信号处理

目 录
第1章 绪论\t1
1．1 自适应滤波的基本概念\t1
1．2 自适应信号处理的发展过程\t2
1．3 自适应信号处理的应用\t3
第2章 维纳滤波\t5
2．1 问题的提出\t5
2．2 离散形式维纳滤波器的解\t5
2．3 离散形式维纳滤波器的性质\t7
2．3．1 正交原理的几何解释\t7
2．3．2 正交原理推论\t7
2．3．3 最小均方误差\t7
2．4 横向滤波器的维纳解\t8
2．4．1 横向滤波器的维纳-霍夫方程及其解\t8
2．4．2 横向滤波器的误差性能\t9
第3章 最小均方自适应算法\t15
3．1 最陡下降算法\t15
3．1．1 最陡下降算法的基本思想\t15
3．1．2 最小均方误差最陡下降算法\t15
3．2 牛顿算法\t21
3．2．1 牛顿算法的基本思想\t21
3．2．2 最小均方误差牛顿算法\t22
3．3 LMS算法\t26
3．3．1 LMS算法描述\t26
3．3．2 LMS算法的收敛性\t27
3．3．3 LMS算法的权向量噪声\t31
3．3．4 LMS算法的期望学习曲线\t33
3．3．5 LMS算法的性能\t35
3．4 LMS牛顿算法\t37
第4章 改进型最小均方自适应算法\t39
4．1 归一化LMS算法\t39
4．1．1 基于约束优化问题求解归一化LMS算法\t39
4．1．2 归一化LMS算法小结\t41
4．2 块LMS算法\t41
4．2．1 块自适应滤波器\t41
4．2．2 块LMS算法描述\t42
4．2．3 块LMS算法的收敛性\t43
4．2．4 块LMS算法块长度的选择\t43
4．3 快速块LMS算法\t44
第5章 最小均方误差线性预测及自适应格型算法\t46
5．1 最小均方误差线性预测\t46
5．1．1 前向线性预测\t46
5．1．2 后向线性预测\t48
5．1．3 前向线性预测与后向线性预测的关系\t50
5．2 Levinson-Durbin算法\t51
5．2．1 Levinson-Durbin算法的导出\t51
5．2．2 Levinson-Durbin算法的几点说明\t53
5．3 格型滤波器\t55
5．3．1 格型滤波器的导出\t55
5．3．2 格型滤波器的性质\t57
5．3．3 格型滤波器的结构形式\t58
5．4 最小均方误差自适应格型算法\t59
5．4．1 自适应格型块处理迭代算法\t59
5．4．2 自适应格型随机梯度算法\t61
第6章 线性最小二乘滤波\t64
6．1 问题的提出\t64
6．2 线性最小二乘滤波的正则方程\t65
6．2．1 正则方程的推导\t65
6．2．2 正则方程的矩阵形式\t67
6．2．3 根据数据矩阵构建的正则方程\t67
6．3 线性最小二乘滤波的性能\t69
6．3．1 正交原理的推论\t69
6．3．2 最小平方和误差\t69
6．4 线性最小二乘滤波的向量空间法分析\t70
6．4．1 向量空间理论\t70
6．4．2 线性最小二乘滤波的向量空间解释\t73
6．4．3 线性最小二乘数据扩充更新关系\t75
6．4．4 线性最小二乘时间更新\t77
第7章 最小二乘横向滤波自适应算法\t81
7．1 递归最小二乘算法\t81
7．1．1 RLS算法的导出\t81
7．1．2 RLS算法小结\t84
7．2 RLS算法的收敛性\t84
7．2．1 RLS算法的均值\t84
7．2．2 RLS算法的均方偏差\t85
7．2．3 RLS算法的期望学习曲线\t86
7．3 RLS算法与LMS算法的比较\t87
7．4 最小二乘快速横向滤波算法\t87
7．4．1 FTF算法中的4个横向滤波器\t87
7．4．2 横向滤波算子的时间更新\t95
7．4．3 FTF算法中的时间更新\t97
7．4．4 FTF算法描述\t104
7．4．5 FTF算法的性能\t106
第8章 最小二乘格型自适应算法\t108
8．1 最小二乘格型滤波器\t108
8．1．1 最小二乘前向预测误差的阶更新\t108
8．1．2 最小二乘后向预测误差的阶更新\t109
8．1．3 最小二乘格型结构\t110
8．2 LSL算法\t111
8．2．1 LSL算法导出\t111
8．2．2 LSL算法小结\t112
8．2．3 LSL算法的性能\t113
第9章 非线性滤波及其自适应算法\t115
9．1 非线性滤波概述\t115
9．2 Volterra级数滤波器\t116
9．2．1 连续的Volterra级数滤波器\t116
9．2．2 离散的Volterra级数滤波器\t117
9．3 LMS Volterra级数滤波器\t118
9．4 RLS Volterra级数滤波器\t120
9．5 形态滤波器结构元优化设计的自适应算法\t121
9．5．1 形态滤波器的基本理论\t122
9．5．2 误差准则\t123
9．5．3 腐蚀与膨胀的自适应算法\t123
9．6 自适应加权组合广义形态滤波器\t127
9．6．1 广义形态滤波器的基本理论\t127
9．6．2 广义形态滤波器加权组合自适应算法\t127
9．7 层叠滤波器的自适应优化算法\t129
9．7．1 层叠滤波器的基本理论\t129
9．7．2 层叠滤波器最优估计算法\t131
9．7．3 自适应层叠滤波器\t138
第10章 自适应信号处理的应用\t140
10．1 自适应模拟与系统辨识\t140
10．1．1 系统辨识基本理论\t140
10．1．2 Volterra模型系统辨识\t143
10．1．3 改进的Volterra模型系统辨识\t145
10．1．4 FIR滤波器综合的自适应模拟\t148
10．2 自适应逆模拟\t152
10．2．1 概述\t152
10．2．2 自适应信道均衡\t154
10．2．3 IIR滤波器的自适应综合\t159
10．3 自适应干扰对消\t163
10．3．1 自适应干扰对消的原理\t163
10．3．2 平稳噪声对消解\t164
10．3．3 用作陷波滤波器的自适应噪声对消器\t166
10．4 自适应预测\t169
10．4．1 自适应预测概述\t169
10．4．2 自适应预测器用于对消周期干扰\t169
10．4．3 自适应谱线增强器\t170
第11章 盲自适应信号处理理论及应用\t173
11．1 盲自适应均衡\t173
11．1．1 盲均衡的理论基础\t173
11．1．2 盲均衡算法分类\t176
11．1．3 CMA盲均衡\t178
11．1．4 理想盲均衡实现的条件\t182
11．1．5 最小二乘CMA盲均衡算法\t182
11．1．6 判决反馈盲均衡算法\t186
11．1．7 神经网络盲均衡\t188
11．2 盲源分离\t193
11．2．1 盲源分离基本原理\t193
11．2．2 Fast-ICA算法\t196
11．3 盲系统辨识算法\t198
11．3．1 基于自相关的AR模型的盲辨识算法\t198
11．3．2 基于最大峰度准则的非因果AR系统辨识算法\t202
附录A 矩阵和向量\t207
附录B 相关矩阵与时间平均自相关矩阵\t210
参考文献\t212