Statistical Signal Processing: Modelling and Estimation

سیستم‌های اطلاعاتی مدرن باید حجم عظیمی از داده‌ها را با منشأهای طبیعی یا فناوری مختلف مدیریت کنند. پردازش خودکار این بارهای سیگنال فزاینده نیاز به آموزش متخصصانی دارد که قادر به رسمیت بخشیدن به مشکلات پیش آمده هستند. این کتاب یک ارائه رسمی و مختصر از اساس پردازش سیگنال آماری را ارائه می دهد. تاکید یکسان بر رویکردهای مربوط به مدل‌سازی سیگنال و تخمین سیگنال است. به منظور ارائه مبانی نظری مطلوب به خواننده و امکان پیشرفت در این رشته، نتایج ارائه شده در اینجا به دقت توجیه شده است. نمایش سیگنال های تصادفی در حوزه فوریه و فیلتر کردن آنها در نظر گرفته شده است. این ابزارها تئوری پیش‌بینی خطی و تکنیک‌های فیلتر کلاسیک مرتبط را قادر می‌سازند تا به روشی ساده مورد بررسی قرار گیرند. مسئله شناسایی طیف به عنوان اولین گام به سمت تخمین طیف ارائه شده است که در چارچوب های ناپارامتریک و پارامتریک مورد مطالعه قرار می گیرد. فصل‌های بعدی تکنیک‌های پیشرفته‌تری را به‌طور مصنوعی معرفی می‌کنند که خواننده را قادر می‌سازد تا مشکلات پردازش سیگنال با ماهیت کلی را حل کند. این کتاب به‌جای ارائه توصیفی جامع از تکنیک‌های موجود، برای دانشجویان، دانشمندان و مهندسان محققی که به پردازش سیگنال‌های آماری علاقه‌مند هستند و برای پرداختن به مشکلات خاصی که ممکن است با آن‌ها مواجه می‌شوند، نیاز به پایه‌های لازم را کسب کنند، طراحی شده است. همچنین مقدمه ای منظم برای ادبیات ارائه می دهد.

Modern information systems must handle huge amounts of data having varied natural or technological origins. Automated processing of these increasing signal loads requires the training of specialists capable of formalising the problems encountered. This book supplies a formalised, concise presentation of the basis of statistical signal processing. Equal emphasis is placed on approaches related to signal modelling and to signal estimation. In order to supply the reader with the desirable theoretical fundamentals and to allow him to make progress in the discipline, the results presented here are carefully justified. The representation of random signals in the Fourier domain and their filtering are considered. These tools enable linear prediction theory and related classical filtering techniques to be addressed in a simple way. The spectrum identification problem is presented as a first step toward spectrum estimation, which is studied in non-parametric and parametric frameworks. The later chapters introduce synthetically further advanced techniques that will enable the reader to solve signal processing problems of a general nature. Rather than supplying an exhaustive description of existing techniques, this book is designed for students, scientists and research engineers interested in statistical signal processing and who need to acquire the necessary grounding to address the specific problems with which they may be faced. It also supplies a well-organized introduction to the literature.