通信信号处理模型方法及应用

图书标准信息

• 作者 包建荣 著
• 出版社 科学出版社
• 出版时间 2018-01
• 版次 01
• ISBN 9787030552594
• 定价 80.00元
• 装帧 平装
• 开本 16开
• 页数 248页
• 字数 300千字
• 正文语种 简体中文

【内容简介】

《通信信号处理模型方法及应用》全面阐述目前通信信号处理模型方法的研究现状，介绍采用模型的方法来解决数字通信中的信号分析与处理问题，以期获得接近大似然的优信号处理性能。具体介绍典型的稀疏概率图、因子图等软概率信息处理方法和常见的维纳、卡尔曼滤波及时间序列模型等现代信号处理方法，并对其理论展开较深入的分析。同时，也结合部分概率图、因子图等通信信号处理的模型方法，给出典型应用，以启发现代通信信号处理新方法的发展及应用。

【目录】

目录
第1章 概率模型及信息理论基础 1
1.1 概率模型与信息理论概述 1
1.2 随机过程 2
1.2.1 随机信号概述 2
1.2.2 随机过程概念 3
1.3 随机信号的概率模型 4
1.3.1 概率定义 4
1.3.2 离散、连续和有限状态概率模型 4
1.3.3 离散随机变量与随机过程及其概率质量函数 5
1.3.4 连续随机变量与随机过程及其概率密度函数 6
1.4 随机过程的数字特征 8
1.4.1 均值 8
1.4.2 相关性及自协方差 8
1.5 随机信号的平稳性 10
1.5.1 严平稳过程 11
1.5.2 广义平稳过程 12
1.6 随机信号的功率谱密度 12
1.7 随机信号的统计特性 13
1.7.1 互相关和互协方差 13
1.7.2 互功率谱密度和相关性 14
1.7.3 平均遍历过程 15
1.7.4 相关遍历过程 16
1.8 一些典型的随机过程 16
1.8.1 高斯过程 16
1.8.2 泊松过程 17
1.8.3 马尔可夫过程（连续变量）和马尔可夫链（离散变量） 18
1.9 信息理论模型基础 20
1.9.1 信息熵 20
1.9.2 互信息量 21
1.10 本章小结 23
第2章 贝叶斯统计推断 24
2.1 贝叶斯估计的基本概念 24
2.1.1 贝叶斯准则 25
2.1.2 估计的动态预测与概率模型 26
2.1.3 模型参数与信号空间 26
2.1.4 估计的指标和特征 27
2.1.5 先验和后验空间分布 29
2.2 贝叶斯估计方法 30
2.2.1 最大后验概率估计 30
2.2.2 最大似然估计 31
2.2.3 最小均方误差估计 33
2.2.4 误差对估计性能的影响 34
2.2.5 先验与观测的相对重要性 36
2.3 EM算法 37
2.3.1 EM算法原理 37
2.3.2 EM算法的收敛性 38
2.4 最小估计方差的Cramer-Rao界 39
2.4.1 随机参数的Cramer-Rao界 41
2.4.2 向量参数的Cramer-Rao界 41
2.5 贝叶斯分类 42
2.5.1 二元分类 42
2.5.2 分类错误 43
2.5.3 离散值参数的贝叶斯分类 44
2.5.4 最大后验概率分类 44
2.5.5 最大似然分类 45
2.5.6 最小均方误差分类 45
2.5.7 有限状态过程的贝叶斯分类 45
2.5.8 最大可能状态序列的贝叶斯估计 47
2.6 本章小结 47
第3章 概率图模型 49
3.1 概率图模型概述 49
3.2 概率图模型的分类 54
3.3 有向概率图模型 56
3.3.1 贝叶斯网络 56
3.3.2 动态贝叶斯网络 58
3.3.3 隐马尔可夫模型 59
3.4 无向概率图模型 66
3.4.1 马尔可夫随机场 66
3.4.2 条件随机场 67
3.5 概率图模型学习与推断 67
3.6 本章小结 73
第4章 因子图模型 74
4.1 因子图概述 74
4.1.1 因子图分配率 75
4.1.2 因子图表示 75
4.1.3 边缘函数的递归运算 76
4.1.4 通过消息传递计算边缘函数 78
4.2 因子图与迭代译码 79
4.2.1 逐比特MAP译码 79
4.2.2 置信传播译码 80
4.2.3 逐块MAP译码 82
4.3 译码界及理论分析 83
4.4 因子图的编码表示 84
4.4.1 线性码的图表示 84
4.4.2 马尔可夫链和隐马尔可夫模型 85
4.5 基于因子图的迭代接收机统一模型 86
4.5.1 迭代接收机设计 86
4.5.2 块衰落信道 87
4.5.3 Rayleigh衰落信道 88
4.5.4 多径衰落信道 91
4.6 衰落信道上基于因子图的迭代信号检测 94
4.6.1 信道模型 94
4.6.2 因子图迭代接收机设计 95
4.7 因子图及和积算法及其符号间干扰信道应用 99
4.7.1 因子图表示 100
4.7.2 图的改进 103
4.7.3 平均互信息量的分析 104
4.8 本章小结 105
第5章 最小均方误差和维纳滤波器 106
5.1 最小均方误差估计：维纳滤波器 106
5.1.1 维纳滤波方程 106
5.1.2 输入信号自相关和输入与期望信号的互相关 109
5.2 维纳滤波器的块数据形式 110
5.2.1 维纳滤波器的块数据表示 110
5.2.2 最小均方误差方程的QR分解 111
5.3 维纳滤波器的向量空间投影 112
5.4 最小均方误差信号分析 113
5.5 频域维纳滤波器 114
5.6 维纳滤波器的实现 115
5.6.1 维纳滤波器的阶数选择 115
5.6.2 维纳滤波器的阶数改进 116
5.7 维纳滤波器的应用 116
5.7.1 维纳滤波器用于减少加性噪声 116
5.7.2 平方根维纳滤波器 118
5.7.3 维纳信道均衡器 118
5.7.4 多通道系统中的信号时间对准 119
5.8 本章小结 120
第6章 自适应滤波模型 121
6.1 自适应滤波模型简介 121
6.2 最陡下降法 123
6.3 LMS滤波器 126
6.3.1 NLMS滤波器 126
6.3.2 LMS算法的稳态误差 128
6.4 状态空间卡尔曼滤波器 128
6.5 递归最小二乘自适应滤波器 134
6.6 本章小结 138
第7章 线性预测模型 139
7.1 线性预测编码 139
7.1.1 LP模型的时频域描述 140
7.1.2 线性预测系数的计算 142
7.1.3 逆滤波器：频谱白化和解相关 144
7.1.4 预测误差信号 145
7.2 前向、后向和格型预测器 145
7.2.1 前向和后向预测器的增广方程 146
7.2.2 Levinson-Durbin递归解 147
7.2.3 格型预测 149
7.2.4 最小二乘误差预测的替代公式 149
7.2.5 预测模型阶数选择 150
7.3 短期与长期建模 151
7.4 预测系数的最大后验估计 152
7.4.1 预测输出的概率密度函数 152
7.4.2 使用预测系数的先验概率密度函数 153
7.5 LP算法的应用实例 154
7.6 本章小结 159
第8章 隐马尔可夫模型 160
8.1 非平稳过程的统计模型 160
8.2 隐马尔可夫模型概述 161
8.2.1 隐马尔可夫模型的参数 162
8.2.2 状态观测概率模型 163
8.3 HMM参数的训练 165
8.3.1 前向-后向概率计算 166
8.3.2 Baum-Welch模型的重估计 167
8.3.3 离散密度观测模型及其HMM参数训练 168
8.3.4 HMM的高斯矩阵概率密度函数 170
8.4 使用HMM解码信号 171
8.4.1 维特比译码算法原理 171
8.4.2 维特比译码算法流程 172
8.5 HMM的信号与噪声建模 173
8.5.1 信号与噪声HMM的合并与分解 174
8.5.2 基于HMM的维纳滤波器 176
8.6 本章小结 177
第9章 通信信号处理模型方法的典型应用 178
9.1 LDPC编码构造 178
9.1.1 基于原模图的广义结构化LDPC码校验矩阵的构造 179
9.1.2 构造的广义结构化LDPC码参数 187
9.1.3 广义结构化LDPC码的编译码结构 188
9.1.4 广义QCARA结构LDPC码仿真及其分析 190
9.2 LDPC编码MSK调制 192
9.3 采用LDPC译码软信息的同步 195
9.3.1 同步偏差对译码信号的影响 195
9.3.2 迭代定时与载波同步算法及分析 201
9.4 LDPC译码辅助的迭代信噪比估计 215
9.4.1 信噪比偏差对译码影响的分析 215
9.4.2 迭代信噪比估计算法及分析 217
9.5 联合LDPC译码MIMO检测 221
9.5.1 MIMO原理 221
9.5.2 联合迭代VBLAST检测及LDPC译码 223
9.5.3 联合迭代VBLAST检测及LDPC译码仿真与分析 226
9.6 本章小结 229
参考文献 230