| 第1章 绪论. 1.1 引言与导学 1.2 随机信号的概念和系统的表征 1.3 统计信号处理的贝叶斯框架 1.4 病态条件下的逆问题(反演)及其求解思路 1.5 搜索及优化计算 1.6 如何有效地利用本书 1.7 总体思路与写作布局 第2章 统计推断与贝叶斯预测 2.1 引言与导学 2.2 贝叶斯估计基础 2.3 贝叶斯估计 2.4 期望-最大算法 2.5 高斯混合模型的设计 2.6 贝叶斯分类 2.7 随机过程空间的建模 参考文献 第3章 优化理论与搜索计算 3.1 引言与导学 3.2 最优化问题的下降迭代搜索 .3.3 一维搜索(线性搜索) 3.4 元约束最优化方法 3.5 约束最优化方法 习题 参考文献 第4章 参数估计与信号检测 4.1 引言与导学 4.2 参数估计初步 4.3 最大似然估计 4.4 线性最小均方估计 4.5 最小二乘估计 4.6 信号检测基础 4.7 判决准则 4.8 检测性能及其蒙特卡罗仿真 习题 参考文献 第5章 数据建模与系统辨识 5.1 引言与导学 5.2 数据建模与系统辨识基础 5.3 ar(1)模型 5.4 arma(n，m)模型 5.5 ar模型参数的直接估计法 5.6 ar模型在语音分析与合成中的应用 习题 参考文献 第6章 自适应信号处理.. 6.1 引言与导学 6.2 性能测量方法 6.3 基本自适应算法 习题 参考文献 第7章 模式识别的统计方法 7.1 引言与导学 7.2 模式的特征与基于模板匹配的识别 7.3 基于统计决策理论的识别 7.4 语音信号的产生机理、模型与搜索算法 7.5 语音信号处理中的统计模式识别 习题 参考文献 第8章 基于统计的数据挖掘 8.1 引言与导学 8.2 非参数模型 8.3 标准线性模型 8.4 广义线性模型 8.5 图模型 8.6 基于统计检验标准的数据挖掘方法评价 8.7 基于计分函数的标准 8.8 贝叶斯标准 8.9 计算标准 参考文献 第9章 人工神经网络及其应用 9.1 引言与导学 9.2 误差信号的反向传播算法 9.3 径向基函数网络 9.4 自组织化映射 9.5 学习向量量化 9.6 hopfield神经网络 9.7 双向联想存储及其改进 9.8 玻尔兹曼机和平均场理论学习 9.9 神经网络在人脸识别中的应用 习题 参考文献 第10章 机器学习及其应用 10.1 引言与导学 10.2 机器学习的基本问题和方法 10.3 统计学习理论的核心内容 10.4 支持向量机 10.5 支持向量机的应用与研究 参考文献... |
内容加载中，请稍后...
商品评论（0条）