内容简介：
"本书除了第1章绪论外，包括三大部分。第一部分为
基础理论，介绍了全书所关注的理论基础，由第2～4章组成，分别为：统计推断与贝叶斯预测、优化理论与搜索
计算以及参数估计与
信号检测。这部分主要讨论在贝叶斯统计框架下，搜索与观测数据最佳匹配的模型，并利用各种
评价规则来估计模型的参数。第二部分为主题应用，包括第5～8章，包含了四个方面应用：数据建模与系统辨识、自适应
信号处理、模式识别的统计方法和基于统计的数据挖掘
技术。这部分是全书的应用部分，学生可以根据自己专业的特点有选择地学习。第三部分是本书的提高部分，包括第9章和第10章，分别讨论了人工神经网络和机器学习。
第2～4章是学习本书其余各章节所必不可少的基础，必须仔细体会和琢磨。而有关应用的章节（第5～8章），读者可以按照自己的兴趣或选择阅读或暂时跳过，不必考虑章节次序。最后两章是为学有余力或希望提高自己能力的同学准备的，其他同学目前不研究也没有影响。每章末尾的
习题有两个作用：一是加深理解正文的内容；二是介绍一些正文中未能包括的新成果和新应用。每章都介绍一些参考文献。
本书的对象是
通信工程、电子信息工程和机电工程专业的高年级本科生和低年级研究生，参考学时32～48。作者希望学习本课程的学生已经学过系统理论课程和概率论与随机过程课程。系统理论课程的内容应包括连续时间系统和离散时间系统的状态变量法和各种变换技术等。
本书备有作者制作的电子教学课件以及相关的仿真程序源代码，免费赠送，需要的任课教师可与责任编辑联系（Email:xuzhengda@163.com)
"
精彩片段：
"信号处理通常被理解为从
物理观测结果（数据）中恢复信息（模型）的过程和操作。如果观测结果中明确地包含了信息，并且对出现的任何干扰都能精确地加以描述，那么要求的处理是比较简单的。但观测信息要使用观测装置，传达或观测信息还要通过媒质，它们的物理特性和实际限制，往往使问题复杂化（其中，噪声、畸变和数据丢失，统称为干扰，是使问题复杂化的主要原因）。事实上，干扰通常是随机性的，只能用它的平均特性或统计特性来描述。为恢复信息而对这种随机性观测结果进行的处理称为统计信号处理，本书将致力于研究这个课题和它的一些应用。
在理论研究方面，本书所讨论的统计信号处理，其核心内容是反演、推断和优化，我们将始终围绕这三个关键词展开讨论。反演是一个过程，就是从已知的结果（观测）出发去寻找其未知原因（模型）的过程。统计信号处理就是试图反演这种因果关系。例如，根据观测数据来估计产生数据的可能的密度函数，这个统计学中的主要问题就是反演。而现实中的一些很重要的反演问题又是不适定的，即使这种因果关系形成了一对一的映射，它的反演问题仍然可能是不适定的。贝叶斯统计推断为信号处理和数据建模反演的这种不适定性问题提供了统一的解决框架。在这个框架中，所有的目的都是在寻找与所给数据最佳匹配的模型，并且利用这些模型对数据给出最佳预测。推断是解决不适定性问题的框架，而搜索和优化计算是进行推断和反演具体操作的重要手段。
在实际应用方面，统计信号处理有极其广阔的应用领域。例如，在因特网领域，目前的现状是大量获得的信息中大约只有1% 可以被使用。消耗了大量资源的信息不仅未能被有效地使用，而且由于有用的信息正在更深地被掩埋在无用信息之中，变得更难以利用。花费了大量人力、物力而获得的信息, 却无法有效使用，这与未获得信息毫无区别。统计信号处理可以帮助我们有效利用这些被掩埋的有用信息。与此有关的研究在不同的计算机分支有着不同的说法。例如，在图像处理中，它称为基于内容的检索，在文本
分析中称为文本摘抄、文本检索，在数据分析中称为数据挖掘等，但是，这些任务的本质都是试图从不同媒体表示的信息（观测数据）中发掘出对用户有意义的知识（规律和模型）。无论从何种角度理解和解释这个反演或推断的任务，建立模型和理解数据是两个必须解决的问题。特别是图像与文本这类非结构化或半结构化数据，直接使用这类数据建立模型存在着大量的困难。因此，通常情况下，我们首先利用用户的领域知识或先验知识（贝叶斯先验分布）进行特征提取，以将这类非结构化或半结构化数据变换为结构化数据, 并根据这个结构化数据建立模型。 由此, 统计信号处理就成为解决这类反演、推断问题的有力工具。
编者在书中阐述的某些学术观点，可能仅为一家之言，同时由于编者水平有限，错漏之处恳请广大读者批评指正。
本书的出版要感谢
中国地质大学（武汉）“十一五”
教材建设项目的资助，同时感谢湖北省统计科研基金项目“3S集成中误差传播模型的蒙特卡罗模拟研究与应用（批准号：HB08208）”的资助以及国家自然科学基金“油气圈闭异常场源参数全域灰色自适应解法” （批准号：40674069D040901）的资助。特别要对以下老师表示感谢：中国地质大学（武汉）机电学院张友纯教授、许鸿文副教授和地球物理与空间信息学院的潘和平教授，没有他们的大力帮助本书不可能顺利出版。
编者
2008年12月24日
"
章节目录：
"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无约束最优化方法()
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()
5.3AR(1)模型()
5.4ARMA（n，m）模型()
5.5AR模型参数的直接估计法()
5.6AR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()
9.6Hopfield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()
"
