背景与预览

第1章 随机过程与模型

1.1 离散时间随机过程的部分特性

1.2 平均各态历经定理

1.3 相关矩阵

1.4 正弦波加噪声的相关矩阵

1.5 随机模型

1.6 Wold分解

1.7 回归过程的渐近平稳

1.8 尤尔沃克方程

1.9 计算机实验： 二阶自回归过程

1.10 选择模型的阶数

1.11 复值高斯过程

1.12 功率谱密度

1.13 功率谱密度的性质

1.14 平稳过程通过线性滤波器传输

1.15 平稳过程的Cramér谱表示

1.16 功率谱估计

1.17 随机过程的其他统计特征

1.18 多谱

1.19 谱相关密度

1.20 小结与讨论

1.21 习题

第2章 维纳滤波器

2.1 线性最优滤波： 问题综述

2.2 正交性原理

2.3 最小均方误差

2.4 维纳霍夫方程

2.5 误差性能曲面

2.6 多重线性回归模型

2.7 示例

2.8 线性约束最小方差滤波器

2.9 广义旁瓣消除器

2.10 小结与讨论

2.11 习题

第3章 线性预测

3.1 前向线性预测

3.2 后向线性预测

3.3 列文森杜宾算法

3.4 预测误差滤波器的性质

3.5 舒尔科恩测试

3.6 平稳随机过程的自回归建模

3.7 Cholesky分解

3.8 格型预测器

3.9 全极点、 全通格型滤波器

3.10 联合过程估计

3.11 语音预测建模

3.12 小结与讨论

3.13 习题

第4章 最速下降法

4.1 最速下降算法的基本思想

4.2 最速下降算法应用于维纳滤波器

4.3 最速下降算法的稳定性

4.4 示例

4.5 作为确定性搜索法的最速下降算法

4.6 最速下降算法的优点与局限性

4.7 小结与讨论

4.8 习题

第5章 随机梯度下降法

5.1 随机梯度下降原理

5.2 应用1： 最小均方（LMS）算法

5.3 应用2： 梯度自适应格型滤波算法

5.4 随机梯度下降法的其他应用

5.5 小结与讨论

5.6 习题

第6章 最小均方(LMS)算法

6.1 信号流图

6.2 最优性考虑

6.3 应用示例

6.4 统计学习理论

6.5 瞬态特性和收敛性考虑

6.6 统计效率

6.7 自适应预测的计算机实验

6.8 自适应均衡的计算机实验

6.9 最小方差无失真响应波束成形器的计算机实验

6.10 小结与讨论

6.11 习题

第7章 归一化最小均方(LMS)自适应算法及其推广

7.1 归一化LMS算法作为约束最优化问题的解

7.2 归一化LMS算法的稳定性

7.3 回声消除中的步长控制

7.4 实数据时收敛过程的几何考虑

7.5 仿射投影滤波器

7.6 小结与讨论

7.7 习题

第8章 分块自适应滤波器

8.1 分块自适应滤波器： 基本思想

8.2 快速分块LMS算法

8.3 无约束频域自适应滤波器

8.4 自正交化自适应滤波器

8.5 自适应均衡的计算机实验

8.6 子带自适应滤波器

8.7 小结与讨论

8.8 习题

第9章 最小二乘法

9.1 线性最小二乘估计问题

9.2 数据开窗

9.3 正交性原理的进一步讨论

9.4 误差的最小平方和

9.5 正则方程和线性最小二乘滤波器

9.6 时间平均相关矩阵Φ

9.7 根据数据矩阵构建正则方程

9.8 最小二乘估计的性质

9.9 最小方差无失真响应（MVDR）的谱估计

9.10 MVDR波束成形的正则化

9.11 奇异值分解

9.12 伪逆

9.13 奇异值和奇异向量的解释

9.14 线性最小二乘问题的最小范数解

9.15 归一化LMS算法看做欠定最小二乘估计问题的最小范数解

9.16 小结与讨论

9.17 习题

第10章 递归最小二乘(RLS)算法

10.1 预备知识

10.2 矩阵求逆引理

10.3 指数加权递归最小二乘算法

10.4 正则化参数的选择

10.5 误差平方加权和的更新递归

10.6 示例： 单个权值自适应噪声消除器

10.7 统计学习理论

10.8 效率

10.9 自适应均衡的计算机实验

10.10 小结与讨论

10.11 习题

第11章 鲁棒性

11.1 鲁棒性、 自适应和干扰

11.2 鲁棒性： 源于H∞优化的初步考虑

11.3 LMS算法的鲁棒性

11.4 RLS算法的鲁棒性

11.5 从鲁棒性的角度比较LMS和RLS算法

11.6 风险敏感的最优性

11.7 在鲁棒性与有效性（效率）之间的折中

11.8 小结与讨论

11.9 习题

第12章 有限字长效应

12.1 量化误差

12.2 最小均方算法

12.3 递归最小二乘算法

12.4 小结与讨论

12.5 习题

第13章 非平稳环境下的自适应

13.1 非平稳的前因后果

13.2 系统辨识问题

13.3 非平稳度

13.4 跟踪性能评价准则

13.5 LMS算法的跟踪性能

13.6 RLS算法的跟踪性能

13.7 LMS算法和RLS算法的跟踪性能比较

13.8 自适应参数的调整

13.9 IDBD算法

13.10 自动步长法

13.11 计算机实验： 平稳和非平稳环境数据的混合

13.12 小结与讨论

13.13 习题

第14章 卡尔曼滤波器

14.1 标量随机变量的递归最小均方估计

14.2 卡尔曼滤波问题

14.3 新息过程

14.4 应用新息过程进行状态估计

14.5 滤波

14.6 初始条件

14.7 卡尔曼滤波器小结

14.8 卡尔曼滤波的最优性准则

14.9 卡尔曼滤波器作为RLS算法的统一基础

14.10 协方差滤波算法

14.11 信息滤波算法

14.12 小结与讨论

14.13 习题

第15章 平方根自适应滤波算法

15.1 平方根卡尔曼滤波器

15.2 在两种变形卡尔曼滤波器基础上构建平方根自适应滤波器

15.3 QRD-RLS算法

15.4 自适应波束成形

15.5 逆QRD-RLS算法

15.6 有限字长效应

15.7 小结与讨论

15.8 习题

第16章 阶递归自适应滤波算法

16.1 采用最小二乘估计的阶递归自适应滤波器： 概述

16.2 自适应前向线性预测

16.3 自适应后向线性预测

16.4 变换因子

16.5 最小二乘格型(LSL)预测器

16.6 角度归一化估计误差

16.7 格型滤波的一阶状态空间模型

16.8 基于QR分解的最小二乘格型(QRD-LSL)滤波器

16.9 QRD-LSL滤波器基本特性

16.10 自适应均衡的计算机实验

16.11 采用后验估计误差的递归LSL滤波器

16.12 采用带误差反馈先验估计误差的递归LSL滤波器

16.13 递归LSL算法与RLS算法之间的关系

16.14 有限字长效应

16.15 小结与讨论

16.16 习题

第17章 盲反卷积

17.1 盲反卷积问题概述

17.2 利用循环平稳统计量的信道辨识

17.3 分数间隔盲辨识用子空间分解

17.4 Bussgang盲均衡算法

17.5 将Bussgang算法推广到复基带信道

17.6 Bussgang算法的特例

17.7 分数间隔Bussgang均衡器

17.8 信号源未知的概率分布函数的估计

17.9 小结与讨论

17.10 习题

后记

附录A 复变函数

附录B 计算复梯度的沃廷格微分

附录C 拉格朗日乘子法

附录D 估计理论

附录E 特征分析

附录F 非平衡热力学的朗之万方程

附录G 旋转和映射

附录H 复数维萨特分布

术语

参考文献

建议阅读文献

中英文术语对照表 2100433B

本书是自适应信号处理领域的一本经典教材。全书共17章，系统全面、深入浅出地讲述了自适应信号处理的基本理论与方法，充分反映了近年来该领域的新理论、新技术和新应用。

内容包括：随机过程与模型、维纳滤波器、线性预测、最速下降法、随机梯度下降法、最小均方（LMS）算法、归一化LMS自适应算法及其推广、分块自适应滤波器、最小二乘法、递归最小二乘（RLS）算法、鲁棒性、有限字长效应、非平衡环境下的自适应、卡尔曼滤波器、平方根自适应滤波算法、阶递归自适应滤波算法、盲反卷积，以及它们在通信与信息系统中的应用。