目 錄
第1章 緒論1
1.1 自適應(yīng)濾波的基本概念1
1.2 自適應(yīng)信號處理的發(fā)展過程2
1.3 自適應(yīng)信號處理的應(yīng)用3
第2章 維納濾波5
2.1 問題的提出5
2.2 離散形式維納濾波器的解5
2.3 離散形式維納濾波器的性質(zhì)7
2.3.1 正交原理的幾何解釋7
2.3.2 正交原理推論7
2.3.3 最小均方誤差7
2.4 橫向?yàn)V波器的維納解8
2.4.1 橫向?yàn)V波器的維納-霍夫方程及其解8
2.4.2 橫向?yàn)V波器的誤差性能9
第3章 最小均方自適應(yīng)算法15
3.1 最陡下降算法15
3.1.1 最陡下降算法的基本思想15
3.1.2 最小均方誤差最陡下降算法15
3.2 牛頓算法21
3.2.1 牛頓算法的基本思想21
3.2.2 最小均方誤差牛頓算法22
3.3 LMS算法26
3.3.1 LMS算法描述26
3.3.2 LMS算法的收斂性27
3.3.3 LMS算法的權(quán)向量噪聲31
3.3.4 LMS算法的期望學(xué)習(xí)曲線33
3.3.5 LMS算法的性能35
3.4 LMS牛頓算法37
第4章 改進(jìn)型最小均方自適應(yīng)算法39
4.1 歸一化LMS算法39
4.1.1 基于約束優(yōu)化問題求解歸一化LMS算法39
4.1.2 歸一化LMS算法小結(jié)41
4.2 塊LMS算法41
4.2.1 塊自適應(yīng)濾波器41
4.2.2 塊LMS算法描述42
4.2.3 塊LMS算法的收斂性43
4.2.4 塊LMS算法塊長度的選擇43
4.3 快速塊LMS算法44
第5章 最小均方誤差線性預(yù)測及自適應(yīng)格型算法46
5.1 最小均方誤差線性預(yù)測46
5.1.1 前向線性預(yù)測46
5.1.2 后向線性預(yù)測48
5.1.3 前向線性預(yù)測與后向線性預(yù)測的關(guān)系50
5.2 Levinson-Durbin算法51
5.2.1 Levinson-Durbin算法的導(dǎo)出51
5.2.2 Levinson-Durbin算法的幾點(diǎn)說明53
5.3 格型濾波器55
5.3.1 格型濾波器的導(dǎo)出55
5.3.2 格型濾波器的性質(zhì)57
5.3.3 格型濾波器的結(jié)構(gòu)形式58
5.4 最小均方誤差自適應(yīng)格型算法59
5.4.1 自適應(yīng)格型塊處理迭代算法59
5.4.2 自適應(yīng)格型隨機(jī)梯度算法61
第6章 線性最小二乘濾波64
6.1 問題的提出64
6.2 線性最小二乘濾波的正則方程65
6.2.1 正則方程的推導(dǎo)65
6.2.2 正則方程的矩陣形式67
6.2.3 根據(jù)數(shù)據(jù)矩陣構(gòu)建的正則方程67
6.3 線性最小二乘濾波的性能69
6.3.1 正交原理的推論69
6.3.2 最小平方和誤差69
6.4 線性最小二乘濾波的向量空間法分析70
6.4.1 向量空間理論70
6.4.2 線性最小二乘濾波的向量空間解釋73
6.4.3 線性最小二乘數(shù)據(jù)擴(kuò)充更新關(guān)系75
6.4.4 線性最小二乘時間更新77
第7章 最小二乘橫向?yàn)V波自適應(yīng)算法81
7.1 遞歸最小二乘算法81
7.1.1 RLS算法的導(dǎo)出81
7.1.2 RLS算法小結(jié)84
7.2 RLS算法的收斂性84
7.2.1 RLS算法的均值84
7.2.2 RLS算法的均方偏差85
7.2.3 RLS算法的期望學(xué)習(xí)曲線86
7.3 RLS算法與LMS算法的比較87
7.4 最小二乘快速橫向?yàn)V波算法87
7.4.1 FTF算法中的4個橫向?yàn)V波器87
7.4.2 橫向?yàn)V波算子的時間更新95
7.4.3 FTF算法中的時間更新97
7.4.4 FTF算法描述104
7.4.5 FTF算法的性能106
第8章 最小二乘格型自適應(yīng)算法108
8.1 最小二乘格型濾波器108
8.1.1 最小二乘前向預(yù)測誤差的階更新108
8.1.2 最小二乘后向預(yù)測誤差的階更新109
8.1.3 最小二乘格型結(jié)構(gòu)110
8.2 LSL算法111
8.2.1 LSL算法導(dǎo)出111
8.2.2 LSL算法小結(jié)112
8.2.3 LSL算法的性能113
第9章 非線性濾波及其自適應(yīng)算法115
9.1 非線性濾波概述115
9.2 Volterra級數(shù)濾波器116
9.2.1 連續(xù)的Volterra級數(shù)濾波器116
9.2.2 離散的Volterra級數(shù)濾波器117
9.3 LMS Volterra級數(shù)濾波器118
9.4 RLS Volterra級數(shù)濾波器120
9.5 形態(tài)濾波器結(jié)構(gòu)元優(yōu)化設(shè)計(jì)的自適應(yīng)算法121
9.5.1 形態(tài)濾波器的基本理論122
9.5.2 誤差準(zhǔn)則123
9.5.3 腐蝕與膨脹的自適應(yīng)算法123
9.6 自適應(yīng)加權(quán)組合廣義形態(tài)濾波器127
9.6.1 廣義形態(tài)濾波器的基本理論127
9.6.2 廣義形態(tài)濾波器加權(quán)組合自適應(yīng)算法127
9.7 層疊濾波器的自適應(yīng)優(yōu)化算法129
9.7.1 層疊濾波器的基本理論129
9.7.2 層疊濾波器最優(yōu)估計(jì)算法131
9.7.3 自適應(yīng)層疊濾波器138
第10章 自適應(yīng)信號處理的應(yīng)用140
10.1 自適應(yīng)模擬與系統(tǒng)辨識140
10.1.1 系統(tǒng)辨識基本理論140
10.1.2 Volterra模型系統(tǒng)辨識143
10.1.3 改進(jìn)的Volterra模型系統(tǒng)辨識145
10.1.4 FIR濾波器綜合的自適應(yīng)模擬148
10.2 自適應(yīng)逆模擬152
10.2.1 概述152
10.2.2 自適應(yīng)信道均衡154
10.2.3 IIR濾波器的自適應(yīng)綜合159
10.3 自適應(yīng)干擾對消163
10.3.1 自適應(yīng)干擾對消的原理163
10.3.2 平穩(wěn)噪聲對消解164
10.3.3 用作陷波濾波器的自適應(yīng)噪聲對消器166
10.4 自適應(yīng)預(yù)測169
10.4.1 自適應(yīng)預(yù)測概述169
10.4.2 自適應(yīng)預(yù)測器用于對消周期干擾169
10.4.3 自適應(yīng)譜線增強(qiáng)器170
第11章 盲自適應(yīng)信號處理理論及應(yīng)用173
11.1 盲自適應(yīng)均衡173
11.1.1 盲均衡的理論基礎(chǔ)173
11.1.2 盲均衡算法分類176
11.1.3 CMA盲均衡178
11.1.4 理想盲均衡實(shí)現(xiàn)的條件182
11.1.5 最小二乘CMA盲均衡算法182
11.1.6 判決反饋盲均衡算法186
11.1.7 神經(jīng)網(wǎng)絡(luò)盲均衡188
11.2 盲源分離193
11.2.1 盲源分離基本原理193
11.2.2 Fast-ICA算法196
11.3 盲系統(tǒng)辨識算法198
11.3.1 基于自相關(guān)的AR模型的盲辨識算法198
11.3.2 基于最大峰度準(zhǔn)則的非因果AR系統(tǒng)辨識算法202
附錄A 矩陣和向量207
附錄B 相關(guān)矩陣與時間平均自相關(guān)矩陣210
參考文獻(xiàn)212