工程硕士现代信号处理复习word版.doc

学习要点 1.课随机变量的描述 2.随机变量的数值特征 3.离散随机过程 4.狭义平衡随机过程 5.随机过程的数值特征 随机过程的数值特征 6.自相关序列和自协方差序列 7.离散随机过程的平均 8.相关序列和协方差序列的性质 9.功率谱 10.离散随机信号通过线性非移变系统 习题一 解： 因为正弦与余弦为正交函数： 第二章维纳滤波器 第二章维纳滤波器习题课 内容 维纳滤波器分类 维纳滤波器的时域解 维纳滤波器的Z域解 维纳滤波器的预测器 一、维纳滤波分类 二、维纳滤波的时域解 三、维纳滤波的复频域(Z)解 比较因果维纳滤波器与非因果维纳滤波器： 比较因果维纳滤波器与非因果维纳滤波器设计步骤： 因果滤波器设计实现步骤： 四、最佳线性预测滤波器 1、IIR预测器 2、N步IIR纯预测器 3、一步线性预测器 1、IIR预测器 非因果IIR预测器 因果IIR预测器 2、N步IIR纯预测器 特例： 3、一步线性预测器， 也称FIR单步预测器 Yule-Walker方程 题2 解： 第三章卡尔曼滤波器 内容 卡尔曼滤波器的信号模型－离散状态方程和量测方程 卡尔曼滤波的算法 卡尔曼滤波与维纳滤波的关系 1.卡尔曼滤波器的信号模型－离散状态方程和量测方程 离散系统的n维状态方程： 离散系统的m维量测方程： 2.卡尔曼滤波算法 采用的误差准则：均方误差最小。 采用递推估计方法。 统计特性： 初始条件： 3.卡尔曼滤波与维纳滤波的关系 题3 题4（P56） 第四章　自适应滤波器 本章内容 自适应横向滤波器的基本概念 自适应滤波的手段 自适应滤波器实现方法 LMS（最小均方误差）自适应滤波器原理 最陡下降算法 LMS递推算法 LMS格型自适应滤波器 自适应滤波器的应用 1、自适应滤波理论 利用前一时刻所获得的滤波器参数等结果 自动调整现在时刻的滤波器参数 使滤波系统的参数按某种最佳准则 要求达到最佳状态 无需任何关于信号与噪声的先验统计知识 2、自适应滤波的手段 3、自适应滤波器实现方法 4、LMS自适应滤波器原理 5、最陡下降算法 6、LMS递推算法维德罗－霍夫最小均方误差算法（Widrow-Hoff LMS) 为了便于实时系统实现 LMS格型自适应滤波器 7.LMS格型自适应滤波器 (2)梯度算法的LMS格型自适应滤波器 例5 解 第五章功率谱估计 1、谱估计的分类 功率谱估计分为两大类： （1）经典谱估计 （2）现代谱估计 （1）经典谱估计 经典的谱估计法又分为两种： （a）相关图法（又称间接法（BT法））。 （b）直接法（又称周期图periodogram法）。 （a）间接法（BT法） BT法又称为相关图法 对信号序列估计求其自相关函数值 对自相关函数的估计进行加权 对加权的自相关函数做傅里叶变换 获得功率谱估计 （b）直接法（又称周期图（periodogram)法） 对观测到的数据样本直接进行傅里叶变换 取模的平方，再除以N 得到功率谱估计。 （2）现代谱估计 根据已有的观测数据，建立信号所服从的模型。主要讨论参数模型（AR、MA、ARMA）法。 功率谱估计的步骤 AR模型 MA模型 ARMA模型 AR模型的估计功率谱方法 1、AR模型的Yule-Walker方法 2、最大熵谱估计法 AR模型的Yule-Walker方法 最大熵谱估计 最大熵谱估计则是基于一段已知的自相关序列进行外推，以得到未知的自相关值。 这样，对自相关序列加窗而使谱估计特性变坏的弊端就被去掉了。 最大熵谱估计 2、最大熵 Levinson-Durbin 递推算法 Burg递推算法 （3）白噪声中正弦波频率的估计 及谱估计的其它方法 1、最大似然技术 2、特征分解法 最大似然法 AR谱估计对白噪声中的正弦信号谱估计 Capon谱估计方法 设计一种有限冲激响应（FIR）的数字滤波器 保证滤波器输入过程的某个频率成分完全通过时 使滤波器输出功率最小。 将这时滤波器输出功率作为 输入过程在这个频率上的功率谱估计。 这种滤波器可以使频率特性旁瓣最小， 因此用它作功率谱估计可以取得较好的效果。 特征分解频率估计 在低噪比情况下 AR谱估计的频率分辨率不高 因而它不宜用于频率估计 这时常采用特征分解技术。 特征分解频率估计 自相关矩阵中的信息空间分成两个子空间： 信号子空间 噪声子空间 两个子空间中矢量的某些函数 在正弦波频率上有尖锐的峰， 据此可估计正弦波的频率。 4、特征分解频率估计的方法 （1）信号子空间方法 信号子空间频率估计的步骤 例子 例子 解： 例 解 and actual case whether match; by is located land right nature; property status, whether has damage o