Adaptive Filter (eBook, PDF) - Moschytz, George; Hofbauer, Markus
-23%
42,25 €
Statt 54,99 €**
42,25 €
inkl. MwSt.
**Preis der gedruckten Ausgabe (Broschiertes Buch)
Sofort per Download lieferbar
Versandkostenfrei*
0 °P sammeln
-23%
42,25 €
Statt 54,99 €**
42,25 €
inkl. MwSt.
**Preis der gedruckten Ausgabe (Broschiertes Buch)
Sofort per Download lieferbar
Versandkostenfrei*

Alle Infos zum eBook verschenken
0 °P sammeln
Als Download kaufen
Statt 54,99 €**
-23%
42,25 €
inkl. MwSt.
**Preis der gedruckten Ausgabe (Broschiertes Buch)
Sofort per Download lieferbar
0 °P sammeln
Jetzt verschenken
Statt 54,99 €**
-23%
42,25 €
inkl. MwSt.
**Preis der gedruckten Ausgabe (Broschiertes Buch)
Sofort per Download lieferbar

Alle Infos zum eBook verschenken
0 °P sammeln
  • Format: PDF


Dieses Lehrbuch vermittelt auf solide und verständliche Weise die Grundlagen der Theorie der adaptiven Filter, wobei nur elementares Wissen aus der Signalverarbeitung und der Linearen Algebra vorausgesetzt wird. Der Schwerpunkt liegt in der Herleitung und der Erläuterung der theoretischen Grundlagen. Aufgaben mit ausführlichen Lösungen und Simulations-Übungen (MATLAB-Code auf CD-ROM) tragen zum intuitiven Verständnis des Stoffes bei. Das Buch wendet sich an Studenten im Fachstudium der Elektrotechnik und der Informa- tik aber auch an Ingenieure, Physiker und Mathematiker.…mehr

  • Geräte: PC
  • ohne Kopierschutz
  • eBook Hilfe
  • Größe: 19.27MB
Produktbeschreibung
Dieses Lehrbuch vermittelt auf solide und verständliche Weise die Grundlagen der Theorie der adaptiven Filter, wobei nur elementares Wissen aus der Signalverarbeitung und der Linearen Algebra vorausgesetzt wird. Der Schwerpunkt liegt in der Herleitung und der Erläuterung der theoretischen Grundlagen. Aufgaben mit ausführlichen Lösungen und Simulations-Übungen (MATLAB-Code auf CD-ROM) tragen zum intuitiven Verständnis des Stoffes bei. Das Buch wendet sich an Studenten im Fachstudium der Elektrotechnik und der Informa- tik aber auch an Ingenieure, Physiker und Mathematiker.

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

  • Produktdetails
  • Verlag: Springer-Verlag GmbH
  • Seitenzahl: 246
  • Erscheinungstermin: 27. Juni 2011
  • Deutsch
  • ISBN-13: 9783642182501
  • Artikelnr.: 53099342
Inhaltsangabe
1 Einführung.- 1.1 Einleitung.- 1.1.1 Aufgaben adaptiver Filter.- 1.1.2 Inhaltsübersicht.- 1.2 Klassifizierung von typischen Anwendungen adaptiver Filter.- 1.2.1 Systemidentifikation.- 1.2.2 Inverse Modellierung.- 1.2.3 Lineare Prädiktion.- 1.2.4 Elimination von Störungen.- 1.3 Beispiele adaptiver Filter.- 1.3.1 Adaptive Störgeräuschunterdrückung.- 1.3.2 Entfernung der Netzstörung bei einem klinischen Diagnostikgerät.- 1.3.3 LPC-Analyse von Sprachsignalen.- 1.3.4 Adaptive Differentielle 'Pulse-Code-Modulation' (ADPCM).- 1.3.5 Egalisation bei drahtloser Multipfad-Übertragung.- 1.3.6 Adaptive Entzerrung bei der Datenübertragung über die Telefonleitung.- 1.3.7 Adaptive Echokompensation.- 1.3.8 Zusammenfassung der Beispiele.- 1.4 Stochastische Prozesse.- 1.4.1 Verteilungs- und Dichtefunktionen.- 1.4.2 Erwartungswert, Korrelations- und Kovarianzfunktion.- 1.4.3 Stationarität und Ergodizität.- 1.4.4 Unabhängigkeit, Unkorreliertheit und Orthogonalität.- 2 Grundlagen adaptiver Filter.- 2.1 Strukturen adaptiver Filter.- 2.2 Das FIR-basierte adaptive Filter.- 2.3 Lineare optimale Filterung.- 2.3.1 Fehlersignal e[k] und mittlerer quadratischer Fehler (MSE).- 2.3.2 Autokorrelationsmatrix R und Kreuzkorrelationsvektor p.- 2.3.3 Wiener-Filter: Minimierung der Fehlerfunktion J(w)und optimaler Gewichtsvektor w°.- 2.3.4 Orthogonalitätsprinzip: Wiener-Filterung als Estimationsproblem.- 2.3.5 Weitere Eigenschaften der Fehlerfunktion J(w).- 2.3.6 Eigenschaften der Eigenwerte und Eigenvektoren der Autokorrelationsmatrix R.- 2.3.7 Geometrische Bedeutung der Eigenvektoren und Eigenwerte.- 2.4 Dekorrelation des Eingangssignals und Konditionierung.- 2.4.1 Konditionszahl.- 2.4.2 Diskrete Karhunen-Loève-Transformation.- 3 Gradienten-Suchalgorithmen für FIR-basierte adaptive Filter.- 3.1 Newton-, Gradienten-Verfahren und LMS-Algorithmus.- 3.1.1 Das Newton-Verfahren.- 3.1.2 Das Gradienten-Verfahren.- 3.1.3 Der LMS-Algorithmus.- 3.2 Konvergenzeigenschaften der Gradienten-Suchalgorithmen.- 3.2.1 Konvergenz des Gradienten-Verfahrens.- 3.2.2 Konvergenz des LMS-Algorithmus.- 3.2.3 Grenzen der Schrittweite µ.- 3.2.4 Die Konvergenzzeit.- 3.2.5 Die Lernkurve.- 3.2.6 Gradientenvektor, LMS-approximierter Gradientenvektor und Gradientenrauschvektor.- 3.2.7 Der Überschussfehler Jex und die Fehleinstellung M beim LMS-Algorithmus.- 3.2.8 Simulation: Systemidentifikation durch den LMS-Algorithmus.- 3.3 Varianten des LMS-Algorithmus.- 3.3.1 Der normierte LMS-Algorithmus (NLMS).- 3.3.2 Der komplexe LMS-Algorithmus.- 3.3.3 Der Newton-LMS-Algorithmus.- 3.3.4 Der P-Vektor- oder Griffiths-Algorithmus.- 3.3.5 Der Vorzeichen-LMS-Algorithmus.- 4 Least-Squares-Adaptionsalgorithmen.- 4.1 Das Least-Squares-Schätzproblem.- 4.2 Der RLS-Algorithmus.- 4.2.1 Initialisierung und Rechenaufwand des RLS-Algorithmus.- 4.3 Der RLS-Algorithmus mit Vergessensfaktor.- 4.4 Analyse des RLS-Algorithmus.- 4.5 Simulation: Systemidentifikation durch den RLS-Algorithmus.- 4.6 Der `Fast'-RLS-Algorithmus.- 5