《自適應濾波算法與實現（第四版）》是2014年電子工業出版社出版的圖書，作者是劉鬱林、萬群、王銳華、陳紹容。
基本介紹
- 書名：自適應濾波算法與實現（第四版）
- 作者：劉鬱林、萬群、王銳華、陳紹容
- 出版社：電子工業出版社
- 出版時間：2014年8月1日
- ISBN：9787121238536
圖書內容,目錄信息,
圖書內容
此外， 作者還根據教學需要和讀者要求， 對原書部分內容進行了調整和最佳化， 對習題和參考文獻進行了更新和補充。本書提供了大量的算法、 例題、 仿真結果、 參考文獻以及所有算法的MATLAB實現， 以幫助讀者深入理解書中內容， 快速解決問題並對算法進行驗證和套用。
本書簡明地介紹了自適應信號處理和自適應濾波的主要概念， 在統一框架下對主要類型的自適應濾波算法進行了闡述。本書指導思想是揭示出自適應濾波的堅實理論基礎， 第四版與第二版相比， 不僅包含了原書中關於自適應濾波的經典理論和非線性自適應濾波、 子帶自適應濾波、 線性約束維納濾波器、 LMS類算法、 RLS算法、 IIR算法、 仿射投影算法等內容， 還增加了數據選擇性自適應濾波、 盲自適應濾波、 覆信號自適應濾波、 卡爾曼濾波和集員仿射投影算法等全新內容和研究成果。本書符號表示清晰， 主要算法均以圖表形式給出， 許多舉例來源於實際問題
目錄信息
第1章 自適應濾波導論
1.1 引言
1.2 自適應信號處理
1.3 自適應算法簡介
1.4 套用
參考文獻
第2章 自適應濾波基礎
2.1 引言
2.2 信號表示
2.2.1 確定性信號
2.2.2 隨機信號
2.2.3 遍歷性
2.3 相關矩陣
2.4 維納濾波器
2.5 線性約束維納濾波器
2.6 MSE曲面
2.7 偏差和一致性
2.8 牛頓算法
2.9 最陡下降算法
2.10套用回顧
2.10.1 系統辨識
2.10.2 信號增強
2.10.3 信號預測
2.10.4 信道均衡
2.10.5 數字通信系統
2.11小結
2.12習題
參考文獻
第3章 最小均方（LMS）算法
3.1 引言
3.2 LMS算法
3.3 LMS算法特性
3.3.1 梯度特性
3.3.2 係數向量的收斂特性
3.3.3 係數誤差向量協方差矩陣
3.3.4 誤差信號的特性
3.3.5 最小均方誤差
3.3.6 超量均方誤差和失調
3.3.7 瞬態特性
3.4 非平穩環境下LMS算法的特性
3.5 複數LMS算法
3.6 舉例
3.6.1 分析舉例
3.6.2 系統辨識仿真
3.6.3 信道均衡仿真
3.6.4 快速自適應仿真
3.6.5 線性約束LMS算法
3.7 小結
3.8 習題
參考文獻
第4章 基於LMS準則的算法
4.1 引言
4.2 量化誤差算法
4.2.1 符號誤差算法
4.2.2 雙符號算法
4.2.3 2的冪誤差算法
4.2.4 符號數據算法
4.3 LMS牛頓算法
4.4 歸一化LMS算法
4.5 變換域LMS算法
4.6 仿射投影算法
4.6.1 仿射投影算法的失調
4.6.2 非平穩環境下的算法特性
4.6.3 暫態特性
4.6.4 複數仿射投影算法
4.7 舉例
4.7.1 分析舉例
4.7.2 系統辨識仿真
4.7.3 信號增強仿真
4.7.4 信號預測仿真
4.8 小結
4.9 習題
參考文獻
第5章 常規RLS自適應濾波器
5.1 引言
5.2 遞歸最小二乘算法
5.3 最小二乘解的特性
5.3.1 正交原理
5.3.2 最小二乘解與維納解的關係
5.3.3 確定性自相關初始化的影響
5.3.4 係數向量的穩態特性
5.3.5 係數誤差向量協方差矩陣
5.3.6 誤差信號的特性
5.3.7 超量均方誤差和失調
5.4 在非平穩環境下的特性
5.5 複數RLS算法
5.6 舉例
5.6.1 分析舉例
5.6.2 系統辨識仿真
5.6.3 信號增強仿真
5.7 小結
5.8 習題
參考文獻
第6章 數據選擇性自適應濾波
6.1 引言
6.2 集員濾波
6.3 集員歸一化LMS算法
6.4 集員仿射投影算法
6.4.1 向量γ(k)的平凡選擇
6.4.2 簡單向量γ —(k)
6.4.3 降低簡化SM-AP算法的複雜度
6.5 集員雙歸一化LMS算法
6.5.1 SM-BNLMS算法1
6.5.2 SM-BNLMS算法2
6.6 計算複雜度
6.7 時變γ —
6.8 部分更新自適應濾波
6.9 舉例
6.9.1 分析舉例
6.9.2 系統辨識仿真
6.9.3 回聲消除環境
6.9.4 無線信道環境
6.10小結
6.11習題
參考文獻
第7章 自適應格型RLS算法
7.1 引言
7.2 遞歸最小二乘預測
7.2.1 前向預測問題
7.2.2 後向預測問題
7.3 階數更新方程
7.3.1 新參數δ(k， i)
7.3.2 ξdbmin（k, i）和wb(k， i)的階數更新
7.3.3 ξdfmin(k, i)和wf(k， i)的階數更新
7.3.4 預測誤差的階數更新
7.4 時間更新方程
7.4.1 預測係數的時間更新
7.4.2 δ(k， i)的時間更新
7.4.3 γ(k， i)的階數更新
7.5 聯合過程估計
7.6 最小二乘誤差的時間遞歸
7.7 歸一化格型RLS算法
7.7.1 基本階數遞歸
7.7.2 前饋濾波
7.8 誤差反饋格型RLS算法
7.9 基於先驗誤差的格型RLS算法
7.10量化效應
7.11小結
7.12習題
參考文獻
第8章 快速橫向RLS算法
8.1 引言
8.2 遞歸最小二乘預測
8.2.1 前向預測關係
8.2.2 後向預測關係
8.3 聯合過程估計
8.4 穩定快速橫向RLS算法
8.5 小結
8.6 習題
參考文獻
第9章 基於QR分解的RLS濾波器
9.1 引言
9.2 利用QR分解實現對角化
9.2.1 初始化過程
9.2.2 輸入數據矩陣對角化
9.2.3 QR分解RLS算法
9.3 脈動陣實現
9.4 一些實現問題
9.5 快速QR-RLS算法
9.5.1 後向預測問題
9.5.2 前向預測問題
9.6 小結及進一步解釋
9.7 習題
參考文獻
第10章 自適應IIR濾波器
10.1 引言
10.2 輸出誤差IIR濾波器
10.3 導數的一般實現方法
10.4 自適應算法
10.4.1 遞歸最小二乘算法
10.4.2 高斯牛頓算法
10.4.3 基於梯度的算法
10.5 其他自適應濾波器結構
10.5.1 級聯形式
10.5.2 格型結構
10.5.3 並聯形式
10.5.4 頻域並聯結構
10.6 均方誤差曲面
10.7 濾波器結構對MSE曲面的影響
10.8 其他誤差表示方法
10.8.1 方程誤差表示方法
10.8.2 Steiglitz-McBride表示方法
10.9 小結
10.10習題
參考文獻
第11章 非線性自適應濾波
11.1 引言
11.2 Volterra級數算法
11.2.1 LMS Volterra濾波器
11.2.2 RLS Volterra濾波器
11.3 自適應雙線性濾波器
11.4 MLP算法
11.5 RBF算法
11.6 小結
11.7 習題
參考文獻
第12章 子帶自適應濾波器
12.1 引言
12.2 多速率系統
12.3 濾波器組
12.3.1 二頻帶完全重構濾波器組
12.3.2 二頻帶濾波器組的分析
12.3.3 M頻帶濾波器組的分析
12.3.4 分層M頻帶濾波器組
12.3.5 餘弦調製濾波器組
12.3.6 分塊表示
12.4 子帶自適應濾波器
12.4.1 子帶辨識
12.4.2 二頻帶辨識
12.4.3 閉環結構
12.5 交叉濾波器的消除
12.6 無延遲子帶自適應濾波
12.7 頻域自適應濾波
12.8 小結
12.9 習題
參考文獻
第13章 盲自適應濾波
13.1 引言
13.2 常模相關算法
13.2.1 Godard算法
13.2.2 常模算法
13.2.3 Sato算法
13.2.4 CMA的誤差曲面
13.3 仿射投影CM算法
13.4 SIMO盲均衡器
13.5 SIMO-CMA均衡器
13.6 小結
13.7 習題
參考文獻
第14章 複數微分
14.1 引言
14.2 複數維納解
14.3 複數LMS算法的推導
14.4 一些有用結果
參考文獻
第15章 LMS算法的量化效應
15.1 引言
15.2 誤差描述
15.3 定點數誤差模型
15.4 係數誤差向量協方差矩陣
15.5 算法停止
15.6 均方誤差
15.7 浮點數實現
15.8 LMS算法的浮點數量化誤差
參考文獻
第16章 RLS算法的量化效應
16.1 引言
16.2 誤差描述
16.3 定點數誤差模型
16.4 係數誤差向量協方差矩陣
16.5 算法停止
16.6 均方誤差
16.7 定點數實現問題
16.8 浮點數實現問題
16.9 RLS算法的浮點數量化誤差
參考文獻
第17章 卡爾曼濾波器
17.1 引言
17.2 狀態空間模型
17.3 卡爾曼濾波
17.4 卡爾曼濾波器與RLS算法
參考文獻
第18章 集員仿射投影算法分析
18.1 引言
18.2 更新機率
18.3 簡化SM-AP算法的失調
18.4 瞬態特性
18.5 小結
參考文獻
