統計信號分析與處理（簡體書）

本書除了第1章緒論外，包括三大部分。第一部分為基礎理論，介紹了全書所關注的理論基礎，由第2～4章組成，分別為：統計推斷與貝葉斯預測、優化理論與搜索計算以及參數估計與信號檢測。這部分主要討論在貝葉斯統計框架下，搜索與觀測數據最佳匹配的模型，并利用各種評價規則來估計模型的參數。第二部分為主題應用，包括第5～8章，包含了四個方面應用：數據建模與系統辨識、自適應信號處理、模式識別的統計方法和基於統計的數據挖掘技術。這部分是全書的應用部分，學生可以根據自己專業的特點有選擇地學習。第三部分是本書的提高部分，包括第9章和第10章，分別討論了人工神經網絡和機器學習。
第2～4章是學習本書其余各章節所必不可少的基礎，必須仔細體會和琢磨。而有關應用的章節（第5～8章），讀者可以按照自己的興趣或選擇閱讀或暫時跳過，不必考慮章節次序。最后兩章是為學有余力或希望提高自己能力的同學準備的，其他同學目前不研究也沒有影響。每章末尾的習題有兩個作用：一是加深理解正文的內容；二是介紹一些正文中未能包括的新成果和新應用。每章都介紹一些參考文獻。
本書的對象是通信工程、電子信息工程和機電工程專業的高年級本科生和低年級研究生，參考學時32～48。作者希望學習本課程的學生已經學過系統理論課程和概率論與隨機過程課程。系統理論課程的內容應包括連續時間系統和離散時間系統的狀態變量法和各種變換技術等。

第1章　緒論
1.1　引言與導學
1.2　隨機信號的概念和系統的表征
1.3　統計信號處理的貝葉斯框架
1.4　病態條件下的逆問題（反演）及其求解思路
1.5　搜索及優化計算
1.6　如何有效地利用本書
1.7　總體思路與寫作布局
第2章　統計推斷與貝葉斯預測
2.1　引言與導學
2.2　貝葉斯估計基礎
2.3　貝葉斯估計
2.4　期望一最大算法
2.5　高斯混合模型的設計
2.6　貝葉斯分類
2.7　隨機過程空間的建模
參考文獻
第3章　優化理論與搜索計算
3.1　引言與導學
3.2　最優化問題的下降迭代搜索
3.3　一維搜索（線性搜索）
3.4　元約束最優化方法
3.5　約束最優化方法
習題
參考文獻
第4章　參數估計與信號檢測
4.1　引言與導學
4.2　參數估計初步
4.3　最大似然估計
4.4　線性最小均方估計
4.5　最小二乘估計
4.6　信號檢測基礎
4.7　判決準則
　4.8　檢測性能及其蒙特卡羅仿真
　習題
　參考文獻
第5章　數據建模與系統辨識
　5.1　引言與導學
　5.2　數據建模與系統辨識基礎
　5.3 AR（1）模型
　5.4 ARMA（n，m）模型
　5.5 AR模型參數的直接估計法
　5.6 AR模型在語音分析與合成中的應用
　習題
　參考文獻
第6章 自適應信號處理
　6.1　引言與導學
　6.2　性能測量方法
　6.3　基本自適應算法
　習題
　參考文獻
第7章　模式識別的統計方法
　7.1　引言與導學
　7.2　模式的特徵與基於模板匹配的識別
　7.3　基於統計決策理論的識別
　7.4　語音信號的產生機理、模型與搜索算法.
　7.5　語音信號處理中的統計模式識別
　習題
　參考文獻
第8章　基於統計的數據挖掘
　8.1　引言與導學
　8.2　非參數模型
　8.3　標準線性模型
　8.4　廣義線性模型
　8.5　圖模型
　8.6　基於統計檢驗標準的數據挖掘方法評價
　8.7　基於計分函數的標準
　8.8　貝葉斯標準
……
第9章　人工神經網絡及其應用
第10章　機器學習及其應用