Применение теории рекуррентной фильтрации в задачах спектрального анализа на фоне шумов

• Автор: Павлов, Константин Николаевич
• Шифр специальности: 05.12.13
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Москва
• Количество страниц: 125 с.

Содержание
Введение
Глава 1. Применение теории линейной фильтрации к задачам спектрального анализа случайных процессов на фоне шума
§1.1. Постановка задачи
§ 1.2. Спектральный анализ случайных процессов в условиях априорной неопределенности
§ 1.3. Синтез линейного рекуррентного алгоритма спектрального анализа в шумах
§ 1.4. Сравнительный анализ характеристик линейного алгоритма спектрального анализа в шумах
§1.5. Выводы
Глава 2. Применение теории нелинейной фильтрации к задачам спектрального анализа случайных процессов на фоне шумов
§ 2.1. Постановка задачи нелинейного рекуррентного спектрального анализа на фоне шумов
§ 2.2. Синтез нелинейного рекуррентного алгоритма спектрального анализа в шумах
§ 2.3. Об учете априорной информации об анализируемом процессе на этапе синтеза нелинейного рекуррентного алгоритма спектрального анализа в шумах
§ 2.4. Сравнительный анализ нелинейного рекуррентного алгоритма спектрального анализа в шумах
с параметрическими методами
§ 2.5. Выводы

Глава 3. Анализ результатов сравнения характеристик алгоритмов линейного и нелинейного спектрального анализа в шумах.
§ 3.1. Анализ характеристик алгоритмов линейного и нелинейного спектрального анализа в условиях априорной неопределенности.
§ 3.2. Анализ характеристик алгоритмов линейного и нелинейного спектрального анализа при анализе коротких выборок данных.
§ 3.3. Выводы.
Глава 4. Синтез рекуррентных алгоритмов статистической обработки речевых сигналов.
§ 4.1. Введение.
§ 4.2. Рекуррентное оценивание параметров основного тона с априорно заданной формой импульсов.
§ 4.3. Рекуррентное оценивание параметров основного тона в условиях априорной неопределенности.
§ 4.5. Выводы.
Заключение.
Литература.

Условные обозначения и сокращения, принятые в диссертационной работе.
АКП - автокорреляционная последовательность АР - авторегрессия
АРСС - модель авторегрессии со скользящим средним
ВОТ - выделитель основного тона
ДПФ - дискретное преобразование Фурье
ЯП - линейное предсказание
ОТ - основной тон
СПМ - спектральная плотность мощности
СС - скользящее среднее
М1РЭ - миллион операций в секунду

Рисунок 1.5. Графики зависимости разрешающей способности ДГ алгоритмов (1.11) (2 и 4) и ДПФ (1 и 3) от отношения сигнал/шум к с вероятностью разрешения двух гармонических сигналов не менее 90 % при обработке выборки данных объема 0=512 (графики 1-2) и 0=1024 (графики 3-4).