中科院生院—现代数字信号处理Review_of_msp课程.ppt

现代数字信号处理课程回顾 第一章 时域离散随机信号的分析 第二章 维纳滤波和卡尔曼滤波 第三章 自适应数字滤波器 第四章 功率谱估计 第五章 时频分析 第一章 时域离散随机信号的分析 主要内容： 平稳随机信号的统计描述 随机序列数字特征的估计 平稳随机序列通过线性系统 时间序列信号模型 自相关函数及其性质： 对一个随机序列的统计描述，可以由这个序列的自相关函数来高度概括。 对一平稳随机信号，只要知道它的自相关函数，就等于知道了该随机信号的主要数字特征。 各态遍历性： 功率密度谱： 随机序列数字特征的估计： 估计准则：无偏性、有效性、一致性 均值的估计： 方差的估计： 自相关函数的估计： 平稳随机序列通过线性系统： 相关卷积定理： 卷积的相关函数等于相关函数的卷积 时间序列信号模型： 第二章 维纳滤波和卡尔曼滤波 主要内容： FIR维纳滤波求解 非因果IIR维纳滤波求解 因果IIR维纳滤波求解 维纳纯预测 维纳一步线性预测 卡尔曼滤波 正交性原理： 维纳—霍夫方程： FIR维纳滤波求解： 因果IIR维纳滤波求解： 维纳预测： 一步线性预测： 采用p个最近的采样值来预测时间序列下一时刻的值，包括前向预测和后向预测两种。 Levinson-Durbin算法： 卡尔曼滤波： 利用状态方程和递推方法寻找最小均方误差下状态变量 的估计值 ，即 第三章 自适应数字滤波器 主要内容： LMS自适应横向滤波器 LMS自适应格型滤波器 最小二乘（LS）滤波 自适应滤波器的应用 LMS自适应横向滤波器： Widrow-Hoff LMS算法： 预测误差格型滤波器： LMS自适应格型滤波器： 在满足预测误差的均方值最小的准则下，最佳自适应格型滤波器求解关键在于计算出反射系数。其方法有： 最小二乘（LS）滤波： 最小二乘准则—以误差的平方和最小作为最佳准则的误差准则。 自适应滤波器的应用： 参考输入端存在一定的有用信号： 当有信号分量泄漏到参考输入中时，噪声的抵消能力可以通过比较输入端的信噪比、参考输入端的信噪比及输出端的信噪比数值大小来评价。 自适应逆滤波： 自适应均衡器与自适应解卷积问题都可归结为用自适应的方法求逆滤波系统的问题。 自适应均衡器用以补偿信道干扰的影响，使接收信号与发送信号完全一致。 第四章 功率谱估计 主要内容： 经典谱估计：BT法、周期图法、修正周期图法； 现代谱估计：AR模型法、最大熵谱估计、特征分解法 BT法： 周期图法： 修正周期图法： Bartlett平均周期图法 窗口处理法平均周期图 Welch法（修正的周期图求平均法） 信号预测误差最小原则（或预测误差功率最小） 自相关法（Levinson递推法） Burg法 协方差法 修正协方差法 最大熵谱估计方法： AR模型功率谱估计和最大熵谱估计的等价性。 第五章 时频分析 主要内容： 线性时频分析：短时傅里叶变换、Gabor变换、小波分析； 双线性时频分析：维格纳变换（WD）、Cohen类时频分布。 傅立叶变换的不足： 缺乏时间和频率的定位功能； 分析时变信号和非平稳信号的局限性； 分辨率上的局限性，受不确定原理的约束。 短时傅里叶变换： STFT特点： STFT要求窗口内信号平稳，即窗口不能太长； 时间分辨率和频率分辨率受不确定定理限制，不能同时任意小； 窗口固定不变，分辨率单一； 窗函数选择难； STFT建立在信号稳态基础之上，不能及时反映信号频谱随时间变化的情况。 小波分析： 作为小波函数所应具有的大致特征：即 是一带通函数，它的时域波形应是振荡的。此外，从时－频定位的角度，希望 是有限支撑的，因此它应是快速衰减的。这样，时域有限长且是振荡的这一类函数即是被称作小波（wavelet）的原因。 维格纳变换：（最简单的时频分布形式） 维格纳变换的特点： 因为信号的二次型是信号的能量表示，所以这种分布表示了信号的能量分布； 在某一时刻或某一个频率处的WD不能解释为信号的瞬时能量； 两个信号和的WD有交叉项存在，使得两个信号和的分布已不再是两个信号各自分布的和； 满足二次叠加原理。 模糊函数： WD中交叉项的抑制： 对信号求模糊函数，由于模糊函数的自项始终在 平面的原点处，而交叉项远离原点，故可以设计一个二维低通滤波器，来抑制模糊函数中的交叉项； 对滤波后的模糊函数作二维傅立叶变换，得到信号的维格纳变换，此时的WD即是抑制了交叉项的新WD。 Cohen类时频分布： 采用不同的核函数可以得到不同的时频分布，时频分布的各种性质要求,则反映在对核函数的约束条件上。 φ(θ,τ)=1 时， Cohen 类时频分布将转换成WD，即核函数是全通函数，它对AF的互项无抑制作用，因此，其W