|
|
Экспресс-новости
|
Уважаемые читатели и покупатели наших книг!
Коллектив издательства cообщает о смене банковских атрибутов организации.
Новые атрибуты можно посмотреть на закладке "Издательство" главной страницы.
Всем студентам, приобретающим научную и учебную литературу в издательстве, скидка - 50% !
|
|
|
|
|
|
|
Компьютерная литература
|
|
|
|
|
Аннотация:
Излагаются основы спектрального анализа случайных процессов. Рассматриваются свойства параметрических и непараметрических методов оценки энергетического спектра, а также алгоритмы их реализации. Приводятся методы спектрального оценивания путем экстраполяции автокорреляционной последовательности и алгоритмы оценивания частоты, основанные на анализе собственных значений. Оцениваются потенциальные возможности спектральных методов по разрешающей способности и вычислительной эффективности. Книга содержит машинные программы на языке MATLAB и примеры с результатами численного моделирования, поясняющие применение спектральных методов для решения практических задач.
Для студентов вузов. Может быть полезна аспирантам и преподавателям, а также специалистам-практикам, занимающимся обработкой сигналов.
|
Содержание:
Предисловие
Глава 1. Математические основы анализа энергетического спектра стационарных случайных процессов
1.1. Периодограмма реализации непрерывного случайного процесса
1.2. Первое определение СПМ непрерывного случайного процесса
1.3. Соотношение между СПМ и АКФ непрерывного случайного процесса. Второе определение СПМ
1.4. Периодограмма дискретного случайного процесса
1.5. Соотношение между СПМ и АКП дискретного случайного процесса
1.6. Соотношение между периодограммой и выборочной АКФ
1.6.1. Непрерывный случай
1.6.2. Дискретный случай
1.7. Применение тестовых сигналов при исследовании характеристик спектральных оценок
1.8. Свойства периодограммы
1.8.1. Смещение периодограммы
1.8.2. Дисперсия периодограммы
1.9. Разрешающая способность методов спектрального оценивания
1.9.1. Спектральное разрешение детерминированных сигналов
1.9.2. Разрешающая способность и статистическая устойчивость методов спектрального оценивания случайных процессов
Глава 2. Классические методы спектрального оценивания
2.1. Коррелограммные методы оценки СПМ
2.1.1. Две формы оценки АКП
2.1.2. Вычислительные алгоритмы коррелограммных методов
2.2. Применение окон при спектральном оценивании
2.2.1. Влияние корреляционного окна на среднее значение периодограммы
2.2.2. Применение операции взвешивания в классических методах спектрального оценивания
2.3. Периодограммные методы оценки СПМ стационарного СП
2.3.1. Модифицированные периодограммы
2.3.2. Метод Бартлетта: усреднение периодограмм Метод Уэлча: усреднение модифицированной периодограммы
2.3.4. Метод Блекмана-Тьюки: сглаживание периодограммы
2.3.5. Сравнение статистических характеристик периодограммных методов
Глава 3. Параметрические модели случайных процессов
3.1. Параметрический метод спектрального оценивания и его основные этапы
3.2. АР-, СС-, АРСС-модели случайных процессов
3.2.1. Дискретные линейные системы и их реакция на случайные сигналы
3.2.2. Три типа параметрических моделей случайных процессов
3.3. Связь коэффициентов АР-, СС- и АРСС-моделей
3.4. Связь параметров АР-, СС- и АРСС-модели с АКП
3.5. Спектральная факторизация
Глава 4. Представление авторегрессионного процесса с помощью фильтров специальных классов
4.1. Линейное предсказание АР-процесса
4.2. Минимально-фазовое свойство фильтра ошибки предсказания
4.3. Рекурсивная процедура решения уравнений Юла-Уокера
4.4. Коэффициенты отражения
4.5. Алгоритм Левинсона
4.6. Решетчатые фильтры
4.7. Взаимосвязь альтернативных представлений авторегрессионных процессов
Глава 5. Авторегрессионное спектральное оценивание на основе блочной обработки данных
5.1. Оценка СПМ авторегрессирнного процесса и методы блочной обработки данных
5.2. Оценивание авторегрессионных параметров и коэффициентов отражения методом максимального правдоподобия
5.3. Алгоритм Юла-Уокера
5.4. Ковариационный метод
5.5. Модифицированный ковариационный метод
5.6. Метод Берга
5.7. Рекурсивное оценивание по методу максимального правдоподобия
5.8. Результаты численного исследования алгоритмов блочной обработки данных
5.9. Выбор порядка АР-модели
Глава 6. Блочные алгоритмы спектрального оценивания на основе модели скользящего среднего
6.1. Оценивание СПМ процесса скользящего среднего
6.2. Оценивание СС-параметров методом максимального правдоподобия
6.3. Выбор порядка СС-модели
6.4. Некоторые результаты компьютерного моделирования алгоритмов спектрального оценивания на основе СС-модели
Глава 7. Блочные алгоритмы спектрального оценивания на основе моделей авторегрессии - скользящего среднего
7.1. Оценивание АРСС-параметров методом максимального правдоподобия
7.2. Совместное оценивание АРСС-параметров методом максимального правдоподобия Акаике
7.3. Раздельное оценивание АР- и СС-параметров методом модифицированных уравнений Юла-Уокера
7.4. Раздельное оценивание АР- и СС-параметров модифицированным методом наименьших квадратов Юла-Уокера
7.5. Выбор порядка АРСС-модели
7.6. Некоторые результаты компьютерного моделирования алгоритмов спектрального оценивания на основе АРСС-моделей
Глава 8. Спектральное оценивание по методу минимума дисперсии
8.1. Фильтровая интерпретация спектральной оценки по методу МД
8.2. Приложение метода МД к оценке частот комплексных экспонент на фоне шума
8.3. Реализация метода спектральной оценки по критерию МД
8.4. Некоторые результаты компьютерного моделирования алгоритмов спектрального оценивания по МД-методу
Глава 9. Методы спектрального оценивания, основанные на экстраполяции АКП
9.1. Проблема, обусловленная конечным числом значений АКП
9.2. Постановка задачи вычисления СПМ по конечному числу значений АКП
9.3. Разрешающая способность и ограничения классических спектральных оценок
9.4. Спектральное оценивание по методу максимальной энтропии
9.5. Интерпретация случайного процесса с максимальной энтропией как процесса авторегрессии
9.6. Связь АКП с параметрами АР-модели
9.7. Процедура вычисления МЭ-оценки СПМ
9.8. Метод МЭ как метод спектрального оценивания высокого разрешения
9.9. МЭ-оценка мощности гармонических составляющих
9.10. Связь между спектральными МД- и МЭ-оценками
Глава 10. Методы оценивания частоты, основанные на анализе собственных значений автокорреляционной матрицы
10.1. Представление автокорреляционной матрицы для случая комплексных экспонент в белом шуме
10.2. Анализ собственных значений автокорреляционной матрицы для случая М = 1
10.3. Применение процедуры усреднения для повышения качества оценки частоты
10.4. Анализ собственных значений автокорреляционной матрицы для случая М - 2
10.5. Анализ собственных значений автокорреляционной матрицы в общем случае
Глава 11. Алгоритмы оценки частоты в подпространстве шума
11.1. Метод гармонического разложения Писаренко
11.2. Метод классификации множественных сигналов
11.3. Другие методы, основанные на использовании собственных векторов в подпространстве шума
Глава 12. Процедуры оценки частоты в подпространстве сигнала
12.1. Применение метода главных компонент для улучшения коррелограммных оценок частоты
12.2. Применение метода главных компонент для улучшения МД-оценок частоты
12.3. Применение метода главных компонент для улучшения авторегрессионных оценок частоты
Заключение
|
|
|
|
|
