清华university现代信号处理教学大纲.docVIP

第一章 随机信号 1.1 信号的分类 1.1.1 信号的统计特性 1.1.2 按概率分布分类 1.1.3 平稳信号 1.2 两个随机信号的二阶统计量 1.3 两个随机信号的统计关系 1.3.1 统计独立、统计不相关、正交 1.3.2 正交的几何解释与物理意义 1.3.3 正交的两个典型应用 1.3.4 相关的应用 1.4 信号变换 1.5 随机信号通过线性系统 第二章 参数估计理论 2.1 估计子的性能 2.1.1 估计子的定义 2.1.2 无偏估计、有偏估计、渐近无偏估计 2.2 Fisher信息与Cramer-Rao下界 2.3 Bayes估计 2.3.1 损失函数、风险函数 2.3.2 Bayes估计 2.4 最大似然估计 2.5 线性均方估计 2.5.1 线性均方LMS 2.5.2 正交性原理 2.6 最小二乘估计 2.6.1 矩阵方程的求解 2.6.2 Gaussian-Markov定理 2.6.3 加权最小二乘 第三章 现代谱估计 3.1 ARMA谱估计与系统辨识 3.1.1 平稳ARMA过程 3.1.2 ARMA过程的功率谱密度 3.1.3 ARMA功率谱估计的两种线性方法 3.1.4 ARMA功率谱密度的特例 3.1.5 修正Yule-Walker方程 3.1.6 AR阶数确定的奇异值分解方法 3.1.7 AR阶数确定的信息量准则法 3.1.8 扩展MYW方程 3.1.9 AR参数估计的总体最小二乘法 3.2 最大熵谱估计 3.2.1 信息量、熵 3.2.2 最大熵1（MEM1）、最大熵2（MEM2） 3.2.3 Levinson递推 3.2.4 Burg算法 3.3 Pisarenko谐波分解 3.3.1 Pisarenko分解 3.3.2 谐波恢复的ARMA建模法 3.4 扩展Prony方法 3.5 MUSIC方法 3.5.1 阵列信号处理问题 3.5.2 最优波束形成器 3.5.3 子空间方法 3.5.4 MUSIC方法 3.5.5 改进的MUSIC方法 3.6 ESPRIT方法 3.6.1 基本ESPRIT方法 3.6.2 TLS-ESPRIT方法 3.6.3 ESPRIT方法的另一种形式 3.6.4 广义Rayleigh商 第四章 自适应滤波器 4.1 匹配滤波器 4.2 Wiener滤波器 4.2.1 线性最优滤波器 4.2.2 正交性原理 4.2.3 维纳滤波器 4.3 Kalman滤波器 4.3.1 Kalman滤波问题（一步预报） 4.3.2 新息过程 4.3.3 Kalman滤波算法 4.4 LMS自适应算法 4.4.1 梯度下降算法 4.4.2 基本的LMS算法 4.4.3 自适应学习速率参数 4.4.4 LMS算法的改进 4.5 RLS算法 4.5.1 RLS算法 4.5.2 统计性能分析 4.5.3 LMS、RLS、Kalman滤波算法的性能比较 4.6 仿射投影算法 4.7 LMS格型滤波器 4.7.1 对称的格型结构 4.7.2 格型滤波器设计准则 4.7.3 格型自适应算法 4.8 自适应滤波器的算子理论 4.8.1 滤波器算子的基本要求 4.8.2 从信号处理角度理解投影算子 4.8.3 投影矩阵与正交投影矩阵 4.8.4 投影算子的应用：前、后向预测滤波器 4.8.5 投影矩阵和正交投影矩阵的递推计算 4.9 LS格型滤波器 4.10 自适应谱线增强器和陷波器 4.10.1