29.数字信号处理-研究生课程教学大纲-刘家学课程教学大纲.doc

PAGE9

《数字信号处理》教学大纲

课程英文名称

DigitalSignalProcessing

开课院系

电子信息与自动化学院

课程类别

学科必修课

授课对象

1.学术型，2.专业学位

授课方式

1.讲授类2.研讨类

课程总学时

36

课程总学分

2

开课学期

第1学期

适用专业

控制科学与工程、控制工程

预修课程

信号与系统；线性代数；概率论与数理统计

主讲教师1

刘家学

职称

教授

主讲教师2

詹湘琳

职称

副教授

课程简介（500字以内）：

课程介绍了部分的数字信号处理和现代信号处理的内容。主要内容包括：(1)数字信号处理基础，包括:离散时间信号与系统的概念、离散时间傅立叶变换、离散傅立叶级数、离散傅立叶变换及其快速算法；(2)时域离散随机信号处理。时域离散随机信号处理的主要内容包括：(1)随机信号分析基础，包括：离散随机过程概念及性质、随机序列的统计描述、随机序列数字特征的估计、线性系统对随机信号的响应、时间序列信号模型；(2)维纳滤波与卡尔曼滤波，包括：离散维纳滤波的时域解、离散维纳滤波Z域解、维纳预测、卡尔曼滤波；(3)自适应数字滤波器，包括：LMS横向自适应滤波器、、LMS格型自适应滤波器、LS自适应滤波器、自适应滤波的应用；(4)功率谱估计，包括：经典功率谱估计、现代谱估计的参数建模、AR模型谱估计方法、最大熵谱估计方法。

课程教学目标与基本要求：

教学目标：

通过课内教学及课外上机作业实践环节的实施，使学生掌握现代信号处理的基本理论和方法，了解现代信号处理技术的应用，具备一定应用所学知识分析和解决实际问题的能力。

基本要求：

理解和掌握离散时间序列的DTFT、DFT、FFT，了解FFT的应用；理解离散随机过程概念及性质、随机序列的统计描述，掌握平稳随机序列数字特征估计方法、相关卷积定理，了解三种时间序列模型的适应性，自相关函数、功率谱与时间序列信号模型的关系；掌握经典谱估计、AR模型谱估计方法，了解最大熵谱估计方法；理解状态或参数最优估计的概念，掌握因果维纳滤波器的参数设计、卡尔曼滤波器设计和初始化参数选取方法；理解自适应滤波器的基本原理。掌握LMS横向自适应滤波器、LS自适应滤波器。了解自适应滤波器的典型应用。

课程考核方式和成绩计算评定：

1．考核方式：考试（√）；考查（）

2．成绩评定：

总评成绩构成：平时考核（50）％；中期考核（0）％；期末考核（50）％

平时成绩构成：考勤考纪和书面作业（20）；上机作业和学术报告（80）％。

课程内容及详细教学计划

授课内容（细化到章、节、目）

教学目标

授课模式

数字信号处理基础（6学时）

①离散时间信号与系统；②离散时间傅立叶变换；③离散傅立叶级数；④离散傅立叶变换；⑤快速傅立叶变换算法。

理解离散时间信号与系统的基本概念；DTFT、DFT和Z变换之间的关系。掌握基二FFT算法及FFT的蝶形图表达方式。了解FFT的应用。

传统讲授、多媒体教学

离散随机信号及信号模型（6学时）

①离散随机过程概念及性质；②随机序列的统计描述；③随机序列数字特征的估计；④线性系统对随机信号的响应；⑤时间序列信号模型。

理解离散随机过程概念及性质、随机序列的统计描述。掌握平稳随机序列数字特征估计方法、相关卷积定理。了解三种时间序列模型的适应性；自相关函数、功率谱与时间序列信号模型的关系。

传统讲授、多媒体教学

功率谱估计（8学时）

=1\*GB3①经典功率谱估计；=2\*GB3②现代谱估计的参数建模；=3\*GB3③AR模型谱估计方法;④最大熵谱估计方法。

掌握经典的BT法、周期图法；AR模型谱估计的自相关和伯格递推法。理解经典谱估计的改进方法及现代谱估计中的参数建模问题。了解最大熵谱估计方法。

传统讲授、多媒体教学

维纳滤波与卡尔曼滤波（8学时）

=1\*GB3①离散维纳滤波的时域解；=2\*GB3②离散维纳滤波Z域解；=3\*GB3③维纳预测;④卡尔曼滤波。

理解状态或参数最优估计的概念、维纳滤波器与卡尔曼滤波器稳态解的等价关系。掌握因果维纳滤波器的参数设计、卡尔曼滤波器设计和初始化参数选取。了解卡尔曼滤波技术典型应用及新型的卡尔曼滤波技术。

传统讲授、多媒体教学

自适应数字滤波器（8学时）

=1\*GB3①LMS横向自适应滤波器;；=2\*GB3②LMS格型自适应滤波器；=3\*GB3③LS自适应滤波器；=4\*GB3④自适应滤波的应用。

理解自适应滤波器的基本原理。掌握LMS横向自适应滤波器、LS自适应滤波器。了解自适应滤波器的典型应用。

传统讲授、多媒体教学