国外电子信息类系列教材：统计与自适应信号处理（英文改编版）

　　CHAPTER 1 Introduction
　　1.1 Random Signals
　　1.2 Spectral Estimation
　　1.3 Signal Modeling
　　1.4 Adaptive Filtering
　　1.4.1 Applicatior of Adaptive Filter
　　1.4.2 Features of Adaptive Filter
　　1.5 Organization of the Book
　　CHAPTER 2 Random Sequences
　　2.1 Discrete-Time Stochastic Processes
　　2.1.1 Description Using Probability Functior
　　2.1.2 Second-Order Statistical Description
　　2.1.3 Stationarity
　　2.1.4 Ergodicity
　　2.1.5 Random Signal Variability
　　2.1.6 Frequency-Domain Description of Stationary Processes
　　2.2 Linear Systems with Stationary Random Inputs
　　2.2.1 Time-Domain Analysis
　　2.2.2 Frequency-Domain Analysis
　　2.2.3 Random Signal Memory
　　2.2.4 General Correlation Matrices
　　2.2.5 Correlation Matrices from Random Processes
　　2.3 Innovatior Representation of Random Vector
　　2.4 Principles of Estimation Theory
　　2.4.1 Properties of Estimator
　　2.4.2 Estimation of Mean
　　2.4.3 Estimation of Variance
　　2.5 Summary
　　Problems
　　CHAPTER 3 Linear Signal Models
　　3.1 Introduction
　　3.1.1 Linear Nonparametric Signal Models
　　3.1.2 Parametric Pole-Zero Signal Models
　　3.1.3 Mixed Processes and Wold Decomposition
　　3.2 All-Pole Models
　　3.2.1 Model Properties
　　3.2.2 All-Pole Modeling and Linear Prediction
　　3.2.3 Autoregressive Models
　　3.2.4 Lower-Order Models
　　3.3 All-Zero Models
　　3.3.1 Model Properties
　　3.3.2 Moving-Average Models
　　3.3.3 Lower-Order Models
　　3.4 Pole-Zero Models
　　3.4.1 Model Properties
　　3.4.2 Autoregressive Moving-Average Models
　　3.4.3 The Firt-Order Pole-Zero Model：PZ（1，1）
　　3.4.4 Summary and Dualities
　　3.5 Summary
　　Problems
　　CHAPTER 4 Nonparametric Power Spectrum Estimation
　　4.1 Spectral Analysis of Deterministic Signals
　　4.1.1 Effect of Signal Sampling
　　4.1.2 Windowing，Periodic Exterion，and Extrapolation
　　4.1.3 Effect of Spectrum Sampling
　　4.1.4 Effects of Windowing：Leakage and Loss of Resolution
　　4.1.5 Summary
　　4.2 Estimation of the Autocorrelation of Stationary Random Signals
　　4.3 Estimation of the Power Spectrum of Stationary Random Signals
　　4.3.1 Power Spectrum Estimation Using the Periodogram
　　4.3.2 Power Spectrum Estimation by Smoothing a Single Periodogram——The Blackman-Tukey Method
　　4.3.3 Power Spectrum Estimation by Averaging Multiple Periodograms——The Welch-Bartlett Method
　　4.3.4 Some Practical Corideratior and Examples
　　4.4 Multitaper Power Spectrum Estimation
　　4.5 Summary
　　Problems
　　CHAPTER 5 Optimum Linear Filter
　　5.1 Optimum Signal Estimation
　　5.2 Linear Mean Square Error Estimation
　　5.2.1 Error Performance Surface
　　5.2.2 Derivation of the Linear MMSE Estimator
　　5.2.3 Principal-Component Analysis of the Optimum Linear Estimator
　　5.2.4 Geometric Interpretatior and the Principle of Orthogonality
　　5.2.5 Summary and Further Properties
　　5.3 Optimum Finite Impulse Respore Filter
　　5.3.1 Design and Properties
　　5.3.2 Optimum FIR Filter for Stationary Processes
　　5.3.3 Frequency-Domain Interpretatior
　　5.4 Linear Prediction
　　5.4.1 Linear Signal Estimation
　　5.4.2 Forward Linear Prediction
　　5.4.3 Backward Linear Prediction
　　5.4.4 Stationary Processes
　　5.4.5 Properties
　　5.5 Optimum Infinite Impulse Respore Filter
　　5.5.1 Noncausal IIR Filter
　　5.5.2 Causal IIR Filter
　　5.5.3 Filtering of Additive Noise
　　5.5.4 Linear Prediction Using the Infinite Past——Whitening
　　5.6 Invere Filtering and Deconvolution
　　5.7 Summary
　　Problems
　　CHAPTER 6 Algorthms and Structures for Optimum Linear Filter
　　6.1 Fundamentals of Order-Recurive Algorithms
　　6.1.1 Matrix Partitioning and Optimum Nesting .
　　6.1.2 Inverion of Partitioned Hermitian Matrices
　　6.1.3 Leviron Recurion for the Optimum Estimator
　　6.1.4 Order-Recurive Computation of the LDLH Decomposition
　　6.1.5 Order-Recurive Computation of the Optimum Estimate
　　6.2 Interpretatior of Algorithmic Quantities
　　6.2.1 Innovatior and Backward Prediction
　　6.2.2 Partial Correlation
　　6.2.3 Order Decomposition of the Optimum Estimate
　　6.2.4 Gram-Schmidt Orthogonalization
　　6.3 Order-Recurive Algorithms for Optimum FIR Filter
　　6.3.1 Order-Recurive Computation of the Optimum Filter
　　6.3.2 Lattice-Ladder Structure
　　6.3.3 Simplificatior for Stationary Stochastic Processes
　　6.4 Algorithms of Leviron and Leviron-Durbin
　　6.5 Lattice Structures for Optimum Fir Filter And Predictor
　　6.5.1 Lattice-Ladder Structures
　　6.5.2 Some Properties and Interpretatior
　　6.5.3 Parameter Converior
　　6.6 Summary
　　Problems
　　CHAPTER 7 Least-Squares Filtering and Prediction
　　7.1 The Principle of Least Squares
　　7.2 Linear Least-Squares Error Estimation
　　7.2.1 Derivation of the Normal Equatior
　　7.2.2 Statistical Properties of Least-Squares Estimater
　　7.3 Least-Squares FIR Filter
　　7.4 Linear Least-Squares Signal Estimation
　　7.4.1 Signal Estimation and Linear Prediction
　　7.4.2 Combined Forward and Backward Linear Prediction（FBLP）
　　7.4.3 Narrowband Interference Cancelation
　　7.5 LS Computatior Using the Normal Equatior
　　7.5.1 Linear LSE Estimation
　　7.5.2 LSE FIR Filtering and Prediction
　　7.6 Summary
　　Problems
　　CHAPTER 8 Signal Modeling and Parametric Spectral Estimation
　　8.1 The Modeling Process：Theory and Practice
　　8.2 Estimation of All-Pole Models
　　8.2.1 Direct Structures
　　8.2.2 Lattice Structures
　　8.2.3 Maximum Entropy Method
　　8.2.4 Excitatior with Line Spectra
　　8.3 Estimation Of Pole-Zero Models
　　8.3.1 Known Excitation
　　8.3.2 Unknown Excitation
　　8.4 Applicatior
　　8.4.1 Spectral Estimation
　　8.4.2 Speech Modeling
　　8.5 Harmonic Models and Frequency Estimation Techniques
　　8.5.1 Harmonic Model
　　8.5.2 Pisarenko Harmonic Decomposition
　　8.5.3 MUSIC Algorithm
　　8.5.4 Minimum-Norm Method
　　8.5.5 ESPRIT Algorithm
　　8.6 Summary
　　Problems
　　CHAPTER 9 Adaptive Filter
　　9.1 Typical Applicatior of Adaptive Filter
　　9.1.1 Echo Cancelation in Communicatior
　　9.1.2 Linear Predictive Coding
　　9.1.3 Noise Cancelation
　　9.2 Principles of Adaptive Filter
　　9.2.1 Features of Adaptive Filter
　　9.2.2 Optimum verus Adaptive Filter
　　9.2.3 Stability and Steady-State Performance of Adaptive Filter
　　9.2.4 Some Practical Corideratior
　　9.3 Method of Steepest Descent
　　9.4 Least-Mean-Square Adaptive Filter
　　9.4.1 Derivation
　　9.4.2 Adaptation in a Stationary SOE
　　9.4.3 Summary and Design Guidelines
　　9.4.4 Applicatior of the LMS Algorithm
　　9.4.5 Some Practical Corideratior
　　9.5 Recurive Least-Squares Adaptive Filter
　　9.5.1 LS Adaptive Filter
　　9.5.2 Conventional Recurive Least-Squares Algorithm
　　9.5.3 Some Practical Corideratior
　　9.5.4 Convergence and Performance Analysis
　　9.6 Fast RLS Algorithms for FIR Filtering
　　9.6.1 Fast Fixed-Order RLS FIR Filter
　　9.6.2 RLS Lattice-Ladder Filter
　　9.6.3 RLS Lattice-Ladder Filter Using Error Feedback Updatings
　　9.7 Tracking Performance of Adaptive Algorithms
　　9.7.1 Approaches for Nortationary SOE
　　9.7.2 Preliminaries in Performance Analysis
　　9.7.3 LMS Algorithm
　　9.7.4 RLS Algorithm with Exponential Forgetting
　　9.7.5 Comparison of Tracking Performance
　　9.8 Summary
　　Problems

　　Dimitris G.Manolakis：于希腊雅典大学获得物理学士学位和电气工程博士学位，现任美国麻省林肯实验室研究员；曾在Riveride研究所任主任研究员，并曾在雅典大学、美国东北大学、波士顿学院、沃切斯特理工学院任教。
　　Vinay K.Ingle：于伦斯勒理工学院获得电气和计算机工程的博士学位，曾在多所大学讲授过信号处理课程，具有丰富的研究经历；1981年加入美国东北大学，目前在电气工程和计算机系任职。
　　Stephen M.Kogon：于佐治亚理工学院获得电气工程博士学位，现任美国麻省林肯实验室研究员；曾就职于Raytheon公司、波士顿大学和佐治亚技术研究所。

　　《国外电子信息类系列教材：统计与自适应信号处理（英文改编版）》介绍了统计与自 适应信号处理的基本概念和应用，包括随机序列分析、谱估计以及自适应滤波等内容。本书可作为电子、通信、自动化、电机、生物医 学和机械工程等专业研究生作为教材或教学参考书，也可作为广大工程技术人员的自学读本或参考用书。