目 录__eol__第1章 绪论 1__eol__1.1 自适应滤波的基本概念 1__eol__1.2 自适应信号处理的发展过程 2__eol__1.3 自适应信号处理的应用 3__eol__第2章 维纳滤波 5__eol__2.1 问题的提出 5__eol__2.2 离散形式维纳滤波器的解 5__eol__2.3 离散形式维纳滤波器的性质 7__eol__2.3.1 正交原理的几何解释 7__eol__2.3.2 正交原理推论 7__eol__2.3.3 最小均方误差 7__eol__2.4 横向滤波器的维纳解 8__eol__2.4.1 横向滤波器的维纳-霍夫方程及其解 8__eol__2.4.2 横向滤波器的误差性能 9__eol__第3章 最小均方自适应算法 15__eol__3.1 最陡下降算法 15__eol__3.1.1 最陡下降算法的基本思想 15__eol__3.1.2 最小均方误差最陡下降算法 15__eol__3.2 牛顿算法 21__eol__3.2.1 牛顿算法的基本思想 21__eol__3.2.2 最小均方误差牛顿算法 22__eol__3.3 LMS算法 26__eol__3.3.1 LMS算法描述 26__eol__3.3.2 LMS算法的收敛性 27__eol__3.3.3 LMS算法的权向量噪声 31__eol__3.3.4 LMS算法的期望学习曲线 33__eol__3.3.5 LMS算法的性能 35__eol__3.4 LMS牛顿算法 37__eol__第4章 改进型最小均方自适应算法 39__eol__4.1 归一化LMS算法 39__eol__4.1.1 基于约束优化问题求解归一化LMS算法 39__eol__4.1.2 归一化LMS算法小结 41__eol__4.2 块LMS算法 41__eol__4.2.1 块自适应滤波器 41__eol__4.2.2 块LMS算法描述 42__eol__4.2.3 块LMS算法的收敛性 43__eol__4.2.4 块LMS算法块长度的选择 43__eol__4.3 快速块LMS算法 44__eol__第5章 最小均方误差线性预测及自适应格型算法 46__eol__5.1 最小均方误差线性预测 46__eol__5.1.1 前向线性预测 46__eol__5.1.2 后向线性预测 48__eol__5.1.3 前向线性预测与后向线性预测的关系 50__eol__5.2 Levinson-Durbin算法 51__eol__5.2.1 Levinson-Durbin算法的导出 51__eol__5.2.2 Levinson-Durbin算法的几点说明 53__eol__5.3 格型滤波器 55__eol__5.3.1 格型滤波器的导出 55__eol__5.3.2 格型滤波器的性质 57__eol__5.3.3 格型滤波器的结构形式 58__eol__5.4 最小均方误差自适应格型算法 59__eol__5.4.1 自适应格型块处理迭代算法 59__eol__5.4.2 自适应格型随机梯度算法 61__eol__第6章 线性最小二乘滤波 64__eol__6.1 问题的提出 64__eol__6.2 线性最小二乘滤波的正则方程 65__eol__6.2.1 正则方程的推导 65__eol__6.2.2 正则方程的矩阵形式 67__eol__6.2.3 根据数据矩阵构建的正则方程 67__eol__6.3 线性最小二乘滤波的性能 69__eol__6.3.1 正交原理的推论 69__eol__6.3.2 最小平方和误差 69__eol__6.4 线性最小二乘滤波的向量空间法分析 70__eol__6.4.1 向量空间理论 70__eol__6.4.2 线性最小二乘滤波的向量空间解释 73__eol__6.4.3 线性最小二乘数据扩充更新关系 75__eol__6.4.4 线性最小二乘时间更新 77__eol__第7章 最小二乘横向滤波自适应算法 81__eol__7.1 递归最小二乘算法 81__eol__7.1.1 RLS算法的导出 81__eol__7.1.2 RLS算法小结 84__eol__7.2 RLS算法的收敛性 84__eol__7.2.1 RLS算法的均值 84__eol__7.2.2 RLS算法的均方偏差 85__eol__7.2.3 RLS算法的期望学习曲线 86__eol__7.3 RLS算法与LMS算法的比较 87__eol__7.4 最小二乘快速横向滤波算法 87__eol__7.4.1 FTF算法中的4个横向滤波器 87__eol__7.4.2 横向滤波算子的时间更新 95__eol__7.4.3 FTF算法中的时间更新 97__eol__7.4.4 FTF算法描述 104__eol__7.4.5 FTF算法的性能 106__eol__第8章 最小二乘格型自适应算法 108__eol__8.1 最小二乘格型滤波器 108__eol__8.1.1 最小二乘前向预测误差的阶更新 108__eol__8.1.2 最小二乘后向预测误差的阶更新 109__eol__8.1.3 最小二乘格型结构 110__eol__8.2 LSL算法 111__eol__8.2.1 LSL算法导出 111__eol__8.2.2 LSL算法小结 112__eol__8.2.3 LSL算法的性能 113__eol__第9章 非线性滤波及其自适应算法 115__eol__9.1 非线性滤波概述 115__eol__9.2 Volterra级数滤波器 116__eol__9.2.1 连续的Volterra级数滤波器 116__eol__9.2.2 离散的Volterra级数滤波器 117__eol__9.3 LMS Volterra级数滤波器 118__eol__9.4 RLS Volterra级数滤波器 120__eol__9.5 形态滤波器结构元优化设计的自适应算法 121__eol__9.5.1 形态滤波器的基本理论 122__eol__9.5.2 误差准则 123__eol__9.5.3 腐蚀与膨胀的自适应算法 123__eol__9.6 自适应加权组合广义形态滤波器 127__eol__9.6.1 广义形态滤波器的基本理论 127__eol__9.6.2 广义形态滤波器加权组合自适应算法 127__eol__9.7 层叠滤波器的自适应优化算法 129__eol__9.7.1 层叠滤波器的基本理论 129__eol__9.7.2 层叠滤波器最优估计算法 131__eol__9.7.3 自适应层叠滤波器 138__eol__第10章 自适应信号处理的应用 140__eol__10.1 自适应模拟与系统辨识 140__eol__10.1.1 系统辨识基本理论 140__eol__10.1.2 Volterra模型系统辨识 143__eol__10.1.3 改进的Volterra模型系统辨识 145__eol__10.1.4 FIR滤波器综合的自适应模拟 148__eol__10.2 自适应逆模拟 152__eol__10.2.1 概述 152__eol__10.2.2 自适应信道均衡 154__eol__10.2.3 IIR滤波器的自适应综合 159__eol__10.3 自适应干扰对消 163__eol__10.3.1 自适应干扰对消的原理 163__eol__10.3.2 平稳噪声对消解 164__eol__10.3.3 用作陷波滤波器的自适应噪声对消器 166__eol__10.4 自适应预测 169__eol__10.4.1 自适应预测概述 169__eol__10.4.2 自适应预测器用于对消周期干扰 169__eol__10.4.3 自适应谱线增强器 170__eol__第11章 盲自适应信号处理理论及应用 173__eol__11.1 盲自适应均衡 173__eol__11.1.1 盲均衡的理论基础 173__eol__11.1.2 盲均衡算法分类 176__eol__11.1.3 CMA盲均衡 178__eol__11.1.4 理想盲均衡实现的条件 182__eol__11.1.5 最小二乘CMA盲均衡算法 182__eol__11.1.6 判决反馈盲均衡算法 186__eol__11.1.7 神经网络盲均衡 188__eol__11.2 盲源分离 193__eol__11.2.1 盲源分离基本原理 193__eol__11.2.2 Fast-ICA算法 196__eol__11.3 盲系统辨识算法 198__eol__11.3.1 基于自相关的AR模型的盲辨识算法 198__eol__11.3.2 基于最大峰度准则的非因果AR系统辨识算法 202__eol__附录A 矩阵和向量 207__eol__附录B 相关矩阵与时间平均自相关矩阵 210__eol__参考文献 212