幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

高級信號處理簡明教程/國外電子與電氣工程技術叢書

  • 作者：(美)阿米爾-霍馬溫·納吉米//托德·K.穆恩|責編:朱劼//章承林|譯者:程偉//李勇//董理濛
  • 出版社：機械工業
  • ISBN：9787111786016
  • 出版日期：2025/11/01
  • 裝幀：平裝
  • 頁數：257
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書擴充自約翰斯·霍普金斯大學懷廷工程學院的高級信號處理研究生課程，這門課程面向具有電氣工程、物理、電腦和數據科學以及數學等相關專業背景的學生。書中涵蓋了統計信號處理應用的理論基礎，包括譜估計、線性預測、自適應濾波器和均勻線性陣列的優化處理。本書還包括對現代神經網路的全面介紹，以及時間序列預測和圖像分類方面的案例，在同類型教材中具有鮮明而突出的特色。
作者介紹
(美)阿米爾-霍馬溫·納吉米//托德·K.穆恩|責編:朱劼//章承林|譯者:程偉//李勇//董理濛
目錄
譯者序
前言
致謝
縮略語
第1章  信號空間的數學結構
  1.1  引言
  1.2  向量空間、范數和內積
  1.3  標準正交向量和格拉姆-施密特法
  1.4  完備基和標準正交基
  1.5  函數空間中的線性運算元
  1.6  矩陣行列式、特徵向量和特徵值
  1.7  矩陣范數
  1.8  Ax=b的解
  1.9  希爾伯特空間中的投影
  1.10  長橢球函數
  1.11  近似問題和正交原理
  1.12  正交投影與哈爾尺度和小波函數
  1.13  多解析度分析子空間和離散正交小波基
  1.14  壓縮感知
第2章  矩陣分解和最小二乘問題
  2.1  引言
  2.2  QR分解
  2.3  使用Givens旋轉的QR分解
  2.4  使用Householder反射的QR
  2.5  QR分解和滿秩最小二乘法
  2.6  Cholesky分解和滿秩最小二乘法
  2.7  奇異值分解
  2.8  SVD和降秩近似
  2.9  SVD和矩陣子空間
  2.10  SVD：滿秩最小二乘法和最小范數解
  2.11  總體最小二乘法
  2.12  SVD和正交Procrustes問題
第3章  線性時不變系統和變換
  3.1  引言
  3.2  拉普拉斯變換
  3.3  相位和群延遲響應：連續時間
  3.4  Z變換
  3.5  相位和群延遲響應：離散時間
  3.6  最小相位和前載特性
  3.7  傅里葉變換
  3.8  短時傅里葉變換和頻譜圖
  3.9  離散時間傅里葉變換
  3.10  Chirp Z變換
  3.11  有限卷積
  3.12  倒譜
  3.13  正交離散小波變換
  3.14  希爾伯特變換關係
  3.15  解析信號和瞬時頻率
  3.16  時頻分佈函數
第4章  最小二乘濾波器

  4.1  引言
  4.2  二次最小化問題
  4.3  頻域最小二乘濾波器
  4.4  時域最小二乘整形濾波器
  4.5  最小二乘濾波的梯度下降迭代解
  4.6  時延估計
第5章  隨機變數和估計理論
  5.1  隨機變數和隨機向量
  5.2  復隨機變數和隨機向量
  5.3  隨機過程
  5.4  高斯隨機變數和隨機向量
  5.5  格拉姆-施密特去相關
  5.6  主成分分析
  5.7  卡胡南-拉維變換
  5.8  最小二乘濾波器的統計特性
  5.9  隨機變數的估計
  5.10  聯合高斯隨機向量、條件均值和協方差
  5.11  條件均值和線性模型
  5.12  卡爾曼濾波器
  5.13  參數估計和克拉默-拉奧下界
  5.14  線性最小方差無偏估計量和最大似然估計量
  5.15  線性模型參數向量的最大似然估計
  5.16  高斯雜訊中復正弦信號復振幅的最大似然估計
  5.17  一階高斯馬爾可夫過程的最大似然估計
  5.18  資訊理論：熵與互信息
  5.19  獨立分量分析
  5.20  最大似然獨立分量分析
第6章  廣義平穩隨機過程
  6.1  自相關函數及功率譜密度
  6.2  零均值白雜訊中的復正弦信號
  6.3  MUSIC演算法
  6.4  Pisarenko諧波分解
  6.5  ESPRIT演算法
  6.6  時間反轉信號向量的自相關矩陣
第7章  線性系統與隨機輸入
  7.1  濾波隨機過程
  7.2  廣義平穩雜訊中已知非隨機信號的檢測
  7.3  廣義平穩隨機雜訊中廣義平穩隨機信號的檢測
  7.4  典型分解
  7.5  連續時間因果維納濾波器
  7.6  離散時間因果維納濾波器
  7.7  因果維納濾波器和卡爾曼濾波器
  7.8  非因果維納濾波器和相干函數
  7.9  廣義互相關和時延估計
  7.10  隨機場
第8章  功率譜密度估計和信號模型
  8.1  引言
  8.2  各態歷經性
  8.3  均值和相關函數的樣本估計
  8.4  周期圖

  8.5  周期圖的統計特性
  8.6  減少周期圖方差
  8.7  多窗口法
  8.8  經典譜估計的示例應用
  8.9  最小方差無失真譜估計
  8.10  自回歸移動平均信號模型
  8.11  自回歸信號模型
  8.12  最大熵和AR（P）過程
  8.13  譜平坦度和AR（P）過程
  8.14  AR（P）過程示例
  8.15  Levinson-Durbin演算法
  8.16  MVD和AR譜的關係
  8.17  零均值廣義平穩隨機信號的自回歸模型
  8.18  白雜訊中復正弦信號的自回歸模型
  8.19  白雜訊中多個復正弦信號的自回歸模型
  8.20  AR模型的解析度
  8.21  AR模型參數估計
  8.22  最大似然AR參數估計：自相關法
  8.23  最大似然AR參數估計：協方差法
  8.24  模型階數選擇
  8.25  赤池信息量準則
  8.26  貝葉斯模型階數選擇
  8.27  最小描述長度
第9章  離散時間維納濾波器和線性預測
  9.1  引言
  9.2  離散時間FIR維納濾波器
  9.3  前向預測問題
  9.4  後向預測問題
  9.5  預測誤差序列和偏相關
  9.6  格型濾波器
  9.7  前向PEF的最小相位特性
  9.8  AR參數估計：Burg法
  9.9  線性預測和語音識別
第10章  自適應濾波器
  10.1  引言
  10.2  LMS演算法
  10.3  復LMS演算法
  10.4  符號自適應LMS演算法
  10.5  歸一化LMS演算法
  10.6  均衡LMS收斂速率
  10.7  遞歸最小二乘法
  10.8  RLS實現
第11章  線性陣列的優化處理
  11.1  均勻線性陣列
  11.2  ULA上的信號模型
  11.3  波束成形
  11.4  最優波束成形
  11.5  最優波束成形器的性能
  11.6  實際中的最優波束成形
  11.7  SMI波束成形中的遞歸方法

  11.8  PCA和主模式抑制波束成形
  11.9  到達方向估計
第12章  神經網路
  12.1  引言
  12.2  感知機
  12.3  全連接前饋神經網路
  12.4  反向傳播演算法
  12.5  神經網路訓練中的損失函數
  12.6  梯度下降變體
  12.7  單隱藏層和多隱藏層神經網路
  12.8  小批量訓練和歸一化
  12.9  網路初始化
  12.10  正則化
  12.11  卷積神經網路
  12.12  卷積神經網路的時間序列分類
  12.13  基於卷積神經網路的圖像分類
  12.14  循環神經網路
  12.15  無監督學習
  12.16  生成對抗網路
  12.17  觀點
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032