001信号处理基础教学大纲.doc

课程中文名称 信号处理基础 课程英文名称 Fundamentals of Modern Signal Processing 总学时/学分 48/3 开课时间 秋季 教学方式 堂上讲授 考核方式 堂上考试 开课单位 通信与信息工程学院 归属教学部 适用学科或对象 信息与通信工程、电子科学与技术、控制科学与工程、仪器科学与技术、电气工程等 教学目的和要求 本课程在掌握概率及随机过程、信号与系统、数字信号处理和矩阵分析等知识的基础上，通过本课程的学习使学生掌握现代信号处理的基本概念、平稳随机信号基本处理方法、信号功率谱估计、自适应滤波器等。为学生其后的学习和从事电子信息领域的课题研究、技术开发提供良好的基础。 课程主要内容 （一）平稳随机信号特征与信号模型 （10学时） 1、信号分类 熟悉信号分类方法；掌握能量信号和功率信号特点。 2、平稳随机信号及数字特征 了解随机信号的描述；熟悉平稳随机信号数字特征；理解平稳随机信号的各态遍历性；重点掌握随机信号自相关函数和功率谱；熟悉维纳-辛钦定理；熟悉典型随机信号及特点。 3、平稳随机信号特征估计 理解平稳随机信号估计原理；掌握随机信号特征估计评价方法；掌握平稳随机信号特征估计的主要方法，重点掌握自相关函数的估计、特性及工程实现方法。 4、平稳随机信号通过线性系统 通过专题自学，熟悉平稳随机信号通过线性系统输入与输出的各类关系。 5、平稳随机信号的线性模型 理解随机信号线性模型的导出及电路意义；熟悉AR、MA和ARMA模型及特点，重点掌握AR模型；熟悉三种模型之间的关系；理解模型与信号自相关函数和功率间的关系，重点掌握Yule-Walker（尤拉-沃克）方程；了解各类信号模型的工程意义。 （二）功率谱估计 （12学时） 1、经典谱估计 掌握周期图法和BT法原理和工程实现方法；熟悉周期图法与BT法之间关系；掌握经典谱估计质量和特点；理解窗函数在经典谱估计中的作用和分析方法；掌握经典谱估计质量改善的方法（平均和平滑）；理解经典谱估计的局限和缺点。 2、AR模型谱估计 理解现代谱估计概念；了解AR模型谱统计特性；掌握自相关法和伯格法；了解协方差法和修改的协方差法；熟悉AR模型阶数的工程确定方法；掌握AR模型谱估计的主要性质。 3、最大熵谱估计与最小方差谱估计 理解最大熵谱估计和最大似然谱估计的概念；熟悉最大熵谱估计与AR模型谱估计等效的条件；了解最小方差谱估计方法。 4、频率估计 熟悉最大似然谱估计的离散谱估计机理；了解特征分解法、皮萨伦科（Pisarenko）谐波分解法、多信号分类（MUSIC）法、Root- MUSIC法、ESPRIT法等。 （三）维纳滤波和卡尔曼滤波 （10学时） 1、维纳滤波和卡尔曼滤波概念 理解滤波与估计的概念及区别；熟悉最佳滤波与最佳准则概念，重点掌握MMSE准则和LS准则；掌握维纳滤波与卡尔曼滤波概念及异同。 2、维纳滤波时域解 理解维纳滤波器及滤波方程建立；掌握正交原理和维纳-霍夫方程；掌握低阶维纳-霍夫方程的建立和求解方法。 3、维纳滤波Z域解 熟悉功率谱分解方法；掌握信号Z域功率谱构造方法；掌握因果和非因果维纳滤波器Z域解求解方法。 4、维纳预测 理解信号可测性概念；熟悉维纳预测概念和原理；掌握纯预测和一步线性预测的求解方法。 5、卡尔曼滤波 理解卡尔曼滤波的特点；了解卡尔曼滤波的状态方程和量测方法；理解卡尔曼滤波递推算法；熟悉卡尔曼滤波与维纳滤波的异同。 （四）自适应滤波 （14学时） 1、自适应滤波的基本概念 熟悉自适应滤波背景及意义；了解自适应滤波器结构和分类。 2、自适应横向滤波器 理解滤波方程的建立；熟悉最佳加权系数和均方误差；掌握MMSE准则的应用和最小均方误差的求取；理解性能函数的化简方法；掌握性能函数的几何意义。 3、最陡下降法 理解最陡下降法思路；掌握最陡下降法递推公式；掌握最陡下降法性能分析方法；熟悉最陡下降法收敛特性和过渡过程；理解信号和步长对最陡下降法性能特性的影响。 4、LMS算法 熟悉LMS算法思路；掌握LMS算法递推公式及工程实现方法；掌握LMS算法性能分析方法；熟悉LMS算法收敛特性和过渡过程以及它们与最陡下降法的区别；掌握LMS算法的稳态误差和失调系数；理解信号和步长对LMS算法性能特性的影响。 5、自适应格型滤波器 熟悉前向预测和后向预测的概念；理解前向和后向预测滤波器的推导；掌握莱文逊-杜宾（Levinson-Durbin）递推算法；熟悉格型滤波器结构；理解格型滤波器性质；掌握自适应格型滤波器算法，重点掌握几何平均格型法、伯格法和梯度法。 6、最小二乘自适应滤波概念与原理 理解最小二乘滤波概念；掌握最小二乘准则；了解最小二乘模型和最小二乘估计；熟悉最小二乘滤波方程；掌握最小