统计信号分析与处理

第1章 绪论

1.1 引言与导学

1.2 随机信号的概念和系统的表征

1.3 统计信号处理的贝叶斯框架

1.4 病态条件下的逆问题（反演）及其求解思路

1.5 搜索及优化计算

1.6 如何有效地利用本书

1.7 总体思路与写作布局

第2章 统计推断与贝叶斯预测

2.1 引言与导学

2.2 贝叶斯估计基础

2.3 贝叶斯估计

2.4 期望一最大算法

2.5 高斯混合模型的设计

2.6 贝叶斯分类

2.7 随机过程空间的建模

参考文献

第3章 优化理论与搜索计算

3.1 引言与导学

3.2 最优化问题的下降迭代搜索

3.3 一维搜索（线性搜索）

3.4 元约束最优化方法

3.5 约束最优化方法

习题

参考文献

第4章 参数估计与信号检测

4.1 引言与导学

4.2 参数估计初步

4.3 最大似然估计

4.4 线性最小均方估计

4.5 最小二乘估计

4.6 信号检测基础

4.7 判决准则

4.8 检测性能及其蒙特卡罗仿真

习题

参考文献

第5章 数据建模与系统辨识

5.1 引言与导学

5.2 数据建模与系统辨识基础

5.3 AR（1）模型

5.4 ARMA（n，m）模型

5.5 AR模型参数的直接估计法

5.6 AR模型在语音分析与合成中的应用

习题

参考文献

第6章 自适应信号处理

6.1 引言与导学

6.2 性能测量方法

6.3 基本自适应算法

习题

参考文献

第7章 模式识别的统计方法

7.1 引言与导学

7.2 模式的特征与基于模板匹配的识别

7.3 基于统计决策理论的识别

7.4 语音信号的产生机理、模型与搜索算法.

7.5 语音信号处理中的统计模式识别

习题

参考文献

第8章 基于统计的数据挖掘

8.1 引言与导学

8.2 非参数模型

8.3 标准线性模型

8.4 广义线性模型

8.5 图模型

8.6 基于统计检验标准的数据挖掘方法评价

8.7 基于计分函数的标准

8.8 贝叶斯标准

8.9 计算标准

参考文献

第9章 人工神经网络及其应用

9.1 引言与导学

9.2 误差信号的反向传播算法

9.3 径向基函数网络

9.4 自组织化映射

9.5 学习向量量化

9.6 Hopfield神经网络

9.7 双向联想存储及其改进

9.8 玻尔兹曼机和平均场理论学习

9.9 神经网络在人脸识别中的应用

习题

参考文献

第10章 机器学习及其应用

10.1 引言与导学

10.2 机器学习的基本问题和方法

10.3 统计学习理论的核心内容

10.4 支持向量机

10.5 支持向量机的应用与研究

参考文献

《统计信号分析与处理》除了第1章绪论外，包括三大部分。第一部分为基础理论，介绍了全书所关注的理论基础，由第2～4章组成，分别为：统计推断与贝叶斯预测、优化理论与搜索计算以及参数估计与信号检测。这部分主要讨论在贝叶斯统计框架下，搜索与观测数据最佳匹配的模型，并利用各种评价规则来估计模型的参数。第二部分为主题应用，包括第5～8章，包含了四个方面应用：数据建模与系统辨识、自适应信号处理、模式识别的统计方法和基于统计的数据挖掘技术。这部分是全书的应用部分，学生可以根据自己专业的特点有选择地学习。第三部分是《统计信号分析与处理》的提高部分，包括第9章和第10章，分别讨论了人工神经网络和机器学习。
　　第2～4章是学习《统计信号分析与处理》其余各章节所必不可少的基础，必须仔细体会和琢磨。而有关应用的章节（第5～8章），读者可以按照自己的兴趣或选择阅读或暂时跳过，不必考虑章节次序。最后两章是为学有余力或希望提高自己能力的同学准备的，其他同学目前不研究也没有影响。每章末尾的习题有两个作用：一是加深理解正文的内容；二是介绍一些正文中未能包括的新成果和新应用。每章都介绍一些参考文献。
　　《统计信号分析与处理》的对象是通信工程、电子信息工程和机电工程专业的高年级本科生和低年级研究生，参考学时32～48。作者希望学习本课程的学生已经学过系统理论课程和概率论与随机过程课程。系统理论课程的内容应包括连续时间系统和离散时间系统的状态变量法和各种变换技术等。