本书系统和深入地介绍了现代数字信号分析和处理的基础以及一些广泛应用的算法。 前4 章介绍了研究和学习现代数字信号处理的重要基础, 包括随机信号模型、 估计理论概要、 *优滤波器理论、 *小二乘滤波和卡尔曼滤波, 这些内容是信号处理统计方法的基础性知识; 第5 章~第8 章详细讨论了几类广泛应用的典型算法, 包括自适应滤波算法、 功率谱估计算法、 高阶统计量和循环统计量、 信号的盲源分离; 第9章~第11 章包括时频分析、小波变换原理及应用和信号的稀疏分析与压缩感知。 本书详细地介绍了近年受到广泛关注的一些前沿专题, 例如EM算法、 粒子滤波、 独立分量分析、 盲源分离的子空间方法、 稀疏表示与压缩感知等, 空间阵列信号处理的一些初步内容会穿插在有关章节, 但不单独成章。 本书在写作中既注重了内容的先进性和系统性, 也注重了内容的可读性。 本书适用于电子信息领域研究生课程, 也可供各类利用信号或数据分析作为工具的研究生、 教师和科技人员参考。

第0章绪论 0.1本书的主要内容 0.2对信号处理的一些基本问题的讨论 0.3一个简短的历史概述 **篇信号的统计处理方法基础 第1章随机信号基础及模型 1.1随机信号基础 1.1.1随机过程的概率密度函数表示 1.1.2随机过程的基本特征 1.2随机信号向量的矩阵特征 1.2.1自相关矩阵 1.2.2互相关矩阵 1.2.3向量信号相关阵 1.3常见信号实例 1.3.1独立同分布和白噪声 1.3.2复正弦加噪声 1.3.3实高斯过程 *1.3.4混合高斯过程 1.3.5高斯马尔可夫过程 1.4随机信号的展开 1.4.1随机信号的正交展开 1.4.2基向量集的正交化 1.4.3KL变换 1.5随机信号的功率谱密度 1.5.1功率谱密度的定义和性质 1.5.2随机信号通过线性系统 1.5.3连续随机信号与离散随机信号的关系 1.6随机信号的有理分式模型 1.6.1谱分解定理 1.6.2随机信号的ARMA模型 1.6.3随机信号表示的进一步讨论 1.6.4自相关与模型参数的关系 1.7本章小结与进一步阅读 习题 第2章估计理论基础 2.1基本经典估计问题 2.1.1经典估计基本概念和性能参数 2.1.2几个常用估计量 2.2克拉美罗下界 2.3*大似然估计 2.4贝叶斯估计 2.4.1*小均方误差贝叶斯估计 2.4.2贝叶斯估计的其他形式 2.5线性贝叶斯估计器 2.6*小二乘估计 2.6.1加权*小二乘估计 2.6.2正则化*小二乘估计 2.6.3复数据的LS估计 2.7本章小结与进一步阅读 习题 第3章*优滤波器 3.1维纳滤波 3.1.1实际问题中的维纳滤波 3.1.2从估计理论观点导出维纳滤波 3.1.3维纳滤波器正交原理 3.1.4FIR维纳滤波器 *3.1.5IIR维纳滤波器 *3.1.6应用实例——通信系统的*佳线性均衡器 3.2*优线性预测 3.2.1前向线性预测 3.2.2后向线性预测 3.2.3LevinsonDurbin算法 3.2.4格型预测误差滤波器 3.2.5预测误差滤波器的性质 3.3*小二乘滤波 3.3.1LS滤波的边界问题 3.3.2LS的正交性原理 3.3.3*小二乘滤波的几个性质 3.3.4*小二乘的线性预测 3.3.5正则*小二乘滤波 *3.3.6基于非线性函数的*小二乘滤波 3.4奇异值分解计算LS问题 *3.5总体*小二乘(TLS) 3.6本章小结和进一步阅读 习题 第4章卡尔曼滤波及其扩展 4.1标量卡尔曼滤波 4.1.1标量随机状态的*优递推估计 4.1.2与维纳滤波器的比较 4.2向量形式标准卡尔曼滤波 4.2.1向量卡尔曼滤波模型 4.2.2向量卡尔曼滤波推导 4.3卡尔曼滤波器的一些变化形式 4.3.1针对状态方程不同形式的卡尔曼滤波器 4.3.2卡尔曼预测器 4.4卡尔曼非线性滤波之一： 扩展卡尔曼滤波(EKF) *4.5卡尔曼非线性滤波之二： 无迹卡尔曼滤波（UKF） 4.5.1无迹变换(UT) 4.5.2加性噪声非线性系统的UKF 4.6贝叶斯滤波 *4.7粒子滤波 4.7.1蒙特卡洛模拟与序列重要性���样 4.7.2粒子滤波算法 4.8本章小结和进一步阅读 习题 第二篇信号统计处理方法 第5章自适应滤波器 5.1自适应滤波的分类和应用 5.2梯度下降算法 5.3LMS自适应滤波算法 5.3.1LMS算法 5.3.2LMS算法的收敛性分析 5.3.3一些改进的LMS算法 *5.3.4稀疏LMS算法 5.4递推LS算法(RLS) 5.4.1基本RLS算法 5.4.2RLS算法的收敛性分析 5.5LMS和RLS算法对自适应均衡器的仿真示例 *5.6非线性自适应滤波举例 5.7自适应滤波器的应用举例 5.7.1自适应均衡再讨论 5.7.2自适应干扰对消的应用 *5.8无期望响应的自适应滤波算法举例： 盲均衡 5.8.1恒模算法(CMA) 5.8.2一类盲均衡算法(Bussgang算法) 5.8.3盲反卷算法介绍 5.9本章小结和进一步阅读 习题 第6章功率谱估计 6.1经典谱估计方法 6.1.1周期图方法 6.1.2改进周期图 6.1.3BlackmanTukey方法 6.2AR模型法和*大熵法谱估计 6.2.1*大熵谱估计 6.2.2AR模型谱估计的协方差方法 6.2.3改进协方差方法 6.2.4自相关方法 6.2.5Burg算法 6.2.6AR模型谱的进一步讨论 6.3系统模型阶选择问题 6.4MA模型谱估计 6.**RMA模型谱估计 *6.6*小方差谱估计 6.7利用特征空间的频率估计 6.7.1Pisarenko谱分解 6.7.2MUSIC方法 6.7.3模型阶估计 *6.8ESPRIT算法 6.8.1基本ESPRIT算法 6.8.2LSESPRIT和TLSESPRIT算法 6.9功率谱估计的一些实验结果 6.9.1经典方法和AR模型法对不同信号类型的仿真比较 6.9.2谐波估计的实验结果 6.10本章小结和进一步阅读 习题 第7章超出2阶平稳统计的信号特征 7.1信号的高阶统计量和高阶谱 7.1.1高阶累积量和高阶矩的定义 7.1.2高阶累积量的若干数学性质 7.1.3高阶谱的定义 7.1.4线性非高斯过程的高阶谱 7.1.5非线性过程的高阶谱 7.1.6高阶谱的应用 *7.2周期平稳信号的谱相关分析 7.2.1周期平稳信号的概念 7.2.2周期平稳信号的谱相关函数 7.2.3谱相关函数的估计 *7.3随机信号的熵特征 7.3.1熵的定义和基本性质 7.3.2KL散度、互信息和负熵 7.4本章小结和进一步阅读 习题 第8章信号处理的隐变量分析 8.1在线主分量分析 8.1.1广义Hebian算法 8.1.2投影近似子空间跟踪算法——PAST 8.2信号向量的白化和正交化 8.2.1信号向量的白化 8.2.2向量集的正交化 8.3盲源分离问题的描述 8.4独立分量分析——ICA 8.4.1独立分量分析的基本原理和准则 8.4.2不动点算法——FastICA 8.4.3自然梯度算法 8.5本章小结和进一步阅读 习题 第三篇时频分析和稀疏表示 第9章时频分析方法 9.1时频分析的预备知识 9.1.1傅里叶变换及其局限性 9.1.2时频分析的几个基本概念 9.1.3框架和Reisz基 9.2短时傅里叶变换 9.2.1STFT的定义和性质 *9.2.2STFT的数值计算 9.3Gabor展开 9.3.1连续Gabor展开 9.3.2周期离散Gabor展开 9.4WignerVille分布 9.4.1连续WignerVille分布的定义和性质 9.4.2WVD的一些实例及问题 9.4.3通过离散信号计算WVD *9.5一般时频分布： Cohen类 9.5.1模糊函数 9.5.2Cohen类的定义与实例 9.6本章小结和进一步阅读 习题 第10章小波变换原理及应用概论 10.1连续小波变换 10.1.1CWT的定义 10.1.2CWT的性质 10.1.3几个小波实例 10.2尺度和位移离散化的小波变换 10.3多分辨分析和正交小波基 10.3.1多分辨分析的概念 10.3.2小波基的构造 10.3.3离散小波变换的Mallat算法 10.4双正交小波变换 10.5小波基实例 10.5.1Daubechies紧支小波 10.5.2双正交小波基实例 10.6多维空间小波变换 10.6.1二维可分小波变换 10.6.2数字图像的小波变换模型 10.7小波包分解 *10.8小波变换应用实例 10.8.1图像压缩 10.8.2小波消噪 10.8.3其他应用简介 10.9本章小结和进一步阅读 习题 本章附录子带编码 *第11章信号的稀疏表示与压缩感知 11.1信号稀疏表示的数学基础 11.1.1凸集和凸函数 11.1.2范数 11.1.3矩阵的零空间和稀疏度 11.2信号的稀疏模型实例 11.2.1压缩感知问题 11.2.2套索回归问题——LASSO 11.2.3不同稀疏问题的比较 11.3信号的稀疏模型表示 11.4稀疏恢复的基本理论 11.4.1(P0)解的**性 11.4.2(P1)解的**性 11.4.3(Pε1)问题的解 11.5压缩感知与感知矩阵 11.6稀疏恢复算法介绍 11.6.1贪婪算法 11.6.2LASSO的循环坐标下降算法 11.7信号稀疏恢复的几个应用实例 11.8本章小结和进一步阅读 习题 参考文献 附录A矩阵论基础 附录B拉格朗日（Lagrange）乘数法求解约束*优 缩写词 索引