简介现代信号处理复习题资料面向通信、自动化、电子信息等专业的本科生与研究生适用于期末考试、考研复试或自学巩固能够系统检验对核心概念与计算方法的掌握程度。资源以一份Word文档形式整理共1个文件压缩包大小1.88MB排版规整便于打印自测或导入移动设备随时查阅。目前已有1330人在线学习与下载。文档覆盖采样理论、傅里叶变换、数字信号处理、滤波器设计、系统稳定性分析和数字滤波器等核心模块通过典型计算题与概念辨析题逐步讲清解题思路比如根据谱分辨率确定最小记录时间、采样间隔和采样点数分析提高采样频率对改善模拟频率分辨率的影响说明A/D变换前后低通滤波器分别起抗混叠和平滑作用判断z变换系统在不同收敛域下的因果性与稳定性并横向比较FIR与IIR滤波器在相位特性、稳定性、设计方法上的差异。每道题大多附有推导过程或得分要点便于对照反思适合期望强化信号处理计算能力、查漏补缺的读者。1. 现代信号处理复习题的真正考点集中在三个地方现代信号处理复习题跟本科《数字信号处理》完全是两种考法不再让你手算 FFT 蝶形或者画差分方程流图而是集中考时频分析、自适应滤波和小波/稀疏表示的方向。期末、复试或者岗位面试复习现代信号处理复习题最忌把教材从头翻到尾因为考试真正落笔的只有三类题给参数算 STFT 分辨率、给自相关求 Wiener/LMS 参数、给小波系数写阈值去噪或 OMP 重建步骤。这篇文章按这三条主线来搭复习框架把能直接代入做题的公式、参数取舍、计算代码和典型失分点铺开照着刷会比较省时间。2. 现代信号处理复习题之频域篇——时频分析与谱估计的推导套路这一章的复习题题型相对固定概念题多但计算题往往只考四个点STFT 窗参数换算、WVD 交叉项位置、AR 模型 Yule-Walker 方程和 MUSIC 与经典方法的对比。把这四个点列成一张清单填空题基本能拿下一半。2.1 短时傅里叶变换窗长题分清谱线间隔与可分辨分辨率短时傅里叶变换是“现代信号处理复习题”里出现频率最高的送分题失分点不在公式而在单位换算和“谱线间隔”与“主瓣分辨能力”的混用。最核心的公式是相邻谱线间隔Δf fs / N其中 fs 是采样率N 是窗长包含的采样点数。题目如果给窗长是 25 ms、采样率 8000 Hz第一步必须换算成点N 0.025 × 8000 200然后 Δf 8000 / 200 40 Hz。考场上这一步的正确率很高但下一步才是真正的坑题目问“两个分量能否分辨”需要比较的是主瓣宽度而不是谱线间隔。各种窗函数的主瓣宽度在归一化频率轴上可以用“点数倒数乘系数”来估算物理频域就是 Δf 乘系数。矩形窗是 2/NHann 窗是 4/NHamming 窗也是 4/NBlackman 窗是 6/N。沿用上面的数字Hann 窗的主瓣对应物理宽带是 4 × 40 160 Hz。若两个正弦分量相差 60 Hz虽然谱线间隔 40 Hz 能“放下”这两个频率但 60 Hz 远小于 160 Hz两峰的主瓣会叠成一个宽包络从幅度谱上读不出两个独立峰值。所以规范的解答顺序是先算 Δf再算主瓣物理宽度最后拿频率差和主瓣宽度比较。下面这张表是按复习题考法整理的直接背系数即可窗函数主瓣宽度点数倒数系数旁瓣衰减水平高频题考点矩形窗2/N最差约 13 dB频率突变信号用矩形窗Hann 窗4/N中等约 31 dB通用分析能分辨相邻峰Hamming 窗4/N较好约 43 dB语音处理常用Blackman 窗6/N最好约 58 dB强调旁瓣抑制时选择提示如果题干给的是数字角频率主瓣宽度直接写 4π/N 之类无需再用 fs 换算。最容易丢分的不是算错而是把单位混在一起。2.2 Wigner-Ville 分布的性质题交叉项与解析信号WVD 在复习题中不会考大计算通常只考三条结论时域边缘等于信号瞬时功率 |z(t)|²频域边缘等于 |Z(f)|²二维积分等于总能量。这三条在简答题里经常只写一半丢分很可惜。另外题目如果不提醒直接给实信号做 WVD记住要先构造解析信号 z(t) x(t) j·H{x(t)}H 表示 Hilbert 变换。实数信号的频谱同时包含正负频率直接计算会产生频谱负频率区与正频率区之间的交叉干扰项结果完全失去物理意义。答题时第一行写出 z(t) 的构造式能明显提高得分。交叉项位置的判断题有固定规律当信号由两个时频成分组成时WVD 包含三个部分两个自项加一个交叉项交叉项中心位于两个自项时频坐标的中点。若两个分量分别出现在时间和频率坐标不同的位置交叉项落在二者连线的中央振荡快慢与两成分距离成正比。常考场景是两个正弦信号它们的 WVD 在一个方形区域里有两条平行线交叉项出现在两条线中间表现为叠加的振荡条纹。画出这个区域位置分就可以拿满。2.3 AR 谱估计与 MUSIC 的分辨力对比Yule-Walker 方程的求解顺序AR 模型谱估计的复习题高频出现在“给出自相关值求 AR(2) 系数”这一点。以 AR(2) 为例需要写的等式是 Yule-Walker 方程$$ \begin{bmatrix} R[0] R[1] \ R[1] R[0] \end{bmatrix} \begin{bmatrix} a_1 \ a_2 \end{bmatrix} \begin{bmatrix} -R[1] \ -R[2] \end{bmatrix} $$做题顺序固定三步排矩阵、解出 a1 和 a2、算噪声方差 σ² R[0] a1·R[1] a2·R[2]。代入具体数字比如 R[0]1.0、R[1]0.5、R[2]0.25解得 a1-0.5、a20σ²0.75。看到 a20 不要慌这说明该序列本质是 AR(1) 过程用 AR(2) 拟合时多余阶数自动归零这是常见考题不是题目给错。真正要留意的是负数方差算出的 σ² 小于零时说明自相关矩阵数值不自洽或者阶数取得过高这类题型在选择题里专门用来考验判断力。MUSIC 的复习重点则是与 AR 性质做对比常考表格如下方法核心参数分辨力特征典型失分点周期图窗型和窗长受数据点数限制短数据时分辨力差忘记加窗谱泄漏明显AR(p)模型阶数 p对自相关做外推分辨力高于周期图p 过大出现假峰MUSIC信号子空间维数可估计相隔极近的等幅正弦频率维数设错伪谱峰消失MUSIC 与 AR 的本质差别在于AR 是对数据建模外推MUSIC 则直接对自相关矩阵特征分解把信号方向向量与噪声子空间做正交扫描。复习题如果只要求写原理把“噪声子空间投影接近零导致伪谱峰”这层因果关系写清楚即可课后习题里很少真的要求手算特征分解。3. 现代信号处理复习题之自适应篇——Wiener、LMS 与 RLS 的求解步骤自适应滤波是复习题里最吃“套路”的章节几乎不给绕弯子的题目。Wiener 求解是矩阵逆LMS 是步长判断RLS 是参数权衡。这三者只要分别练熟一条流程计算题得分率会很高。3.1 Wiener-Hopf 方程计算题先构造矩阵再做逆Wiener 滤波的常规题型是给出自相关 R[0]、R[1]、R[2] 和互相关 p[0]、p[1]求最优权重 w。解题固定流程为把自相关排成 Toeplitz 矩阵 R互相关排成向量 p然后解 w R⁻¹p。2×2 矩阵直接用逆矩阵公式不需要绕路。以 R [[1.0, 0.5], [0.5, 1.0]]p [0.8, 0.3] 为例行列式为 0.75算得权重 w [0.8667, -0.1333]。检查手段是计算 Rw−p残差应当接近零。如果残差很大几乎可以肯定是排矩阵时把 R[1] 写到了错的位置。2×2 时副对角线取 R[1]3×3 时第一条副对角线仍是 R[1]第二条才是 R[2]逐层向外展开。很多考生在阶数超过 2 时漏排对角线导致后面全错这在平时练习时值得多写两遍。提示如果 det(R)0说明输入分量完全相关最优权不唯一。考试中给出这种条件通常想看到阻尼最小二乘或加对角加载的处理而不是直接写求逆。3.2 LMS 步长选择与收敛条件的计算验证LMS 复习题的高频考点是给一个输入相关矩阵或输入功率判断步长 μ 是否在收敛范围。理论收敛条件为 0 μ 2/λmax但测绘题经常不直接给最大特征值所以更常用的充分条件是 0 μ 2/tr(R)。若输入近似白噪声且每抽头功率为 P_x则 tr(R) N·P_x于是收敛条件简化为 μ 2/(N·P_x)。这样套用一个具体场景N16、P_x1则 μ 必须小于 0.125若题目把输入功率放大 4 倍步长应随之缩小到原来的 1/4。这个“步长与输入功率成反比”的结论比背公式更有用选择题和判断题都围绕它设置干扰项。用下面这段 Python 代码检查步长边界import numpy as np def check_lms_step(R, mu): 判断给定相关矩阵 R 和步长 mu 是否满足 LMS 收敛条件 R : 输入相关矩阵N x N mu : 候选步长 eig_max np.linalg.eigvalsh(R).max() mu_max 2.0 / eig_max print(最大特征值 lambda_max , round(eig_max, 4)) print(步长上界 2/lambda_max , round(mu_max, 4)) if 0 mu mu_max: print(步长可用) else: print(步长越界需要减小 mu) return mu_max R np.array([[1.0, 0.5, 0.0], [0.5, 1.0, 0.5], [0.0, 0.5, 1.0]]) check_lms_step(R, 0.3)代码逻辑说明np.linalg.eigvalsh求出对称相关矩阵全部特征值取最大后用收敛公式算出步长上界。实际该矩阵的特征值上界约 1.707因此精确 μ_max ≈ 1.172若用 tr(R)3 代进充分条件得到 0.667明显更保守。选择题里碰到“步长取 0.8 是否安全”用精确特征值判断是安全但用充分条件判断会误以为不安全因此题目若给的是相关矩阵优先按特征值算。3.3 RLS 遗忘因子与初始化的参数选择题RLS 不考递推推导高频考点是“改变两个参数会带来什么结果”遗忘因子 λ 和逆相关矩阵初始化 δ。λ 越接近 1历史数据权重保持越久收敛变慢但稳态均方误差小λ 减小跟踪能力增强但噪声容忍度下降。非平稳场景选 λ0.950.98平稳场景选 λ0.999 左右。试卷里如果题干说“信号频点在 t100 处突然跳变”答案基本落在偏小 λ 的一档。RLS 的第二个参数是 δ对应 P(0)δI。δ 应与噪声方差同量级δ 过小则早期收敛慢δ 过大则前几步权重波动大稳态后不再有影响。把常见场景和参数映射整理成下表场景推荐参数选择理由输入非平稳频率缓慢漂移λ 0.98 附近兼顾跟踪速度与稳态噪声输入近似平稳噪声较大λ 0.999 附近长时平均压低噪声影响噪声方差 σ² 已知δ σ²初始协方差与实际量级匹配要求快速启动δ 10σ²初期大步长快速脱离原点除参数外RLS 与 LMS 的复杂度对比是简答题常客RLS 每次迭代的乘加量随滤波器阶数平方增长LMS 随阶数线性增长。工程中在阶数几十以内用 RLS 可以接受超过后更常见 NLMS 或频域分块自适应结构。4. 现代信号处理复习题之现代篇——小波变换与压缩感知的默写骨架小波和压缩感知题目在复习题里以“默写算法流程”为主强调按顺序写出步骤。考试时间有限平时建议先把固定流程背熟再理解每一步在做什么。4.1 Mallat 算法的三步记忆法Mallat 算法描述的是从尺度系数 a_j 分解到下一层尺度系数 a_{j1} 与细节系数 d_{j1} 的过程。记忆主链只有三步低通滤波、高通滤波、隔点采样。公式是 a_{j1}[n] Σ_k h[k−2n]·a_j[k]d_{j1}[n] Σ_k g[k−2n]·a_j[k]。h 由尺度函数决定g 由小波函数决定且两滤波器满足 g[k] (-1)^k·h[L−1−k]L 是滤波器长度。常见失分点在公式里滤波器的下标写法。有的教材写 h[k−2n]有的写 h[2n−k]两种在卷积方向上互为翻转。写答案时选定一种并在整道题中保持混用会让系数顺序错乱。多分辨率分析层面只需要记一个包含关系V_{j1} ⊂ V_j且 V_j V_{j1} ⊕ W_{j1}W 是细节子空间。从包含关系推正交补和两层之间的系数递归比单独背每个公式更稳。4.2 小波阈值去噪中的参数选择与软硬阈值换算小波去噪复习题最经典的题型是写出通用阈值 T σ·√(2·ln N)并比较软硬阈值的差异。如果噪声方差未给出用最细一层细节系数 d1 估计σ ≈ median(|d1|)/0.6745。0.6745 来源于标准正态分布四分位数属于复习题里需要直接记的常数。软硬阈值的区别要会从表达式中读出来硬阈值公式保留大于阈值的原系数、小于阈值置零在阈值处不连续软阈值则把大于阈值的部分统一向零收缩一个阈值长度整体连续但幅度被压缩。重建时图像边缘容易过平滑就是因为软阈值把代表边缘的大系数也削掉了一块。用代码观察更直观import numpy as np def threshold_process(coeff, sigma): 软阈值与硬阈值处理对比 coeff : 某一层小波细节系数 sigma : 噪声标准差估计 N len(coeff) thr sigma * np.sqrt(2 * np.log(N)) # 硬阈值大于阈值保留原值小于阈值置零 hard np.where(np.abs(coeff) thr, coeff, 0) # 软阈值大于阈值后向零收缩 soft np.sign(coeff) * np.maximum(np.abs(coeff) - thr, 0) print(阈值 T , round(thr, 4)) print(硬阈值保留系数数:, int(np.sum(hard ! 0))) print(软阈值保留系数数:, int(np.sum(soft ! 0))) return hard, soft, thr代码说明两组处理保留的系数数量可能相同但软阈值输出的每个系数绝对值都比原始值小 T这体现的是“收缩”而不是“截断”。考试中看到重建图像出现振铃多半是硬阈值看到图像过分平滑多半是软阈值。4.3 压缩感知 OMP 重建题的迭代步骤与停止条件OMP 是压缩感知复习题里最值得动手默写的算法。步骤固定为六步初始化残差 r y、支撑集为空计算测量矩阵每一列与残差的内积绝对值并找到最大位置把该位置加入支撑集用最小二乘解系数 x (Φ_ΛᵀΦ_Λ)⁻¹Φ_Λᵀy更新残差 r y − Φ_Λ·x按停止条件判断是否迭代。其中最小二乘的闭式解必须写对这是整个算法能否得分的关键。停止条件有两个常用形式题干不同选择不同停止条件判断表达式适用场景预设稀疏度迭代次数达到稀疏度 K已知信号稀疏度残差能量比‖r‖₂² / ‖y‖₂² ε噪声环境下按残差剩余能量判断常见做法是两个条件同时使用先跑到 K 次再检查残差能量比是否低于 ε。若测量矩阵列之间相关性强可能出现连续两次选中同一列支撑集不增长、残差不下降的情况这时候需要改用带阻尼的正则化匹配追踪。5. 考前冲刺用的数值自检方法与公式记忆卡5.1 数值自检残差与量级判断计算题复习最怕的是“以为自己算对了其实矩阵都写错了”。做 Wiener、AR 或 OMP 题时可以利用残差来检验解出 w 后回代检查 Rw−p 是否接近零向量只要残差非零就说明权重算错或者矩阵排错。另一个快速判断方法是看数量级特征LMS 步长通常远小于 1算出来大于 10 就需要检查是否把输入功率和抽头数漏掉了。AR 谱估计如果算出的噪声方差为负值说明自相关矩阵与模型阶数不匹配回查 Yule-Walker 方程最有效。5.2 默写前的验证脚本用一小段代码验证手算结果比反复翻书更高效。以 Wiener 题为例import numpy as np def self_check(R, p): Wiener 解自检R w - p 应接近零向量 w np.linalg.solve(R, p) residual R.dot(w) - p print(权重:, np.round(w, 4)) print(残差:, np.round(residual, 8)) return w self_check(np.array([[1.0, 0.5], [0.5, 1.0]]), np.array([0.8, 0.3]))代码逻辑说明np.linalg.solve直接解线性方程组随后把权重回代并打印残差。手算的每一步数值可能因四舍五入有微小差异但残差应当控制在 10⁻⁶ 以下。这样验证一次可以快速定位是矩阵构造错误还是逆矩阵算错。5.3 考前一小时只需默记的参数点真正容易在考场混淆的只有三个点STFT 窗主瓣系数 Hann 为 4、矩形为 2LMS 的 μ 与输入功率成反比而 RLS 的 λ 越大收敛越慢两个方向相反OMP 初始化残差 r y不是 r Φᵀy。把这些写在一张卡片上开考后先抄在草稿纸边上后面所有题都以这组参数为基准检查能挡掉大部分低级失分。本文还有配套的精品资源点击获取
现代信号处理复习题核心考点：时频分析、自适应滤波与压缩感知备考指南
简介现代信号处理复习题资料面向通信、自动化、电子信息等专业的本科生与研究生适用于期末考试、考研复试或自学巩固能够系统检验对核心概念与计算方法的掌握程度。资源以一份Word文档形式整理共1个文件压缩包大小1.88MB排版规整便于打印自测或导入移动设备随时查阅。目前已有1330人在线学习与下载。文档覆盖采样理论、傅里叶变换、数字信号处理、滤波器设计、系统稳定性分析和数字滤波器等核心模块通过典型计算题与概念辨析题逐步讲清解题思路比如根据谱分辨率确定最小记录时间、采样间隔和采样点数分析提高采样频率对改善模拟频率分辨率的影响说明A/D变换前后低通滤波器分别起抗混叠和平滑作用判断z变换系统在不同收敛域下的因果性与稳定性并横向比较FIR与IIR滤波器在相位特性、稳定性、设计方法上的差异。每道题大多附有推导过程或得分要点便于对照反思适合期望强化信号处理计算能力、查漏补缺的读者。1. 现代信号处理复习题的真正考点集中在三个地方现代信号处理复习题跟本科《数字信号处理》完全是两种考法不再让你手算 FFT 蝶形或者画差分方程流图而是集中考时频分析、自适应滤波和小波/稀疏表示的方向。期末、复试或者岗位面试复习现代信号处理复习题最忌把教材从头翻到尾因为考试真正落笔的只有三类题给参数算 STFT 分辨率、给自相关求 Wiener/LMS 参数、给小波系数写阈值去噪或 OMP 重建步骤。这篇文章按这三条主线来搭复习框架把能直接代入做题的公式、参数取舍、计算代码和典型失分点铺开照着刷会比较省时间。2. 现代信号处理复习题之频域篇——时频分析与谱估计的推导套路这一章的复习题题型相对固定概念题多但计算题往往只考四个点STFT 窗参数换算、WVD 交叉项位置、AR 模型 Yule-Walker 方程和 MUSIC 与经典方法的对比。把这四个点列成一张清单填空题基本能拿下一半。2.1 短时傅里叶变换窗长题分清谱线间隔与可分辨分辨率短时傅里叶变换是“现代信号处理复习题”里出现频率最高的送分题失分点不在公式而在单位换算和“谱线间隔”与“主瓣分辨能力”的混用。最核心的公式是相邻谱线间隔Δf fs / N其中 fs 是采样率N 是窗长包含的采样点数。题目如果给窗长是 25 ms、采样率 8000 Hz第一步必须换算成点N 0.025 × 8000 200然后 Δf 8000 / 200 40 Hz。考场上这一步的正确率很高但下一步才是真正的坑题目问“两个分量能否分辨”需要比较的是主瓣宽度而不是谱线间隔。各种窗函数的主瓣宽度在归一化频率轴上可以用“点数倒数乘系数”来估算物理频域就是 Δf 乘系数。矩形窗是 2/NHann 窗是 4/NHamming 窗也是 4/NBlackman 窗是 6/N。沿用上面的数字Hann 窗的主瓣对应物理宽带是 4 × 40 160 Hz。若两个正弦分量相差 60 Hz虽然谱线间隔 40 Hz 能“放下”这两个频率但 60 Hz 远小于 160 Hz两峰的主瓣会叠成一个宽包络从幅度谱上读不出两个独立峰值。所以规范的解答顺序是先算 Δf再算主瓣物理宽度最后拿频率差和主瓣宽度比较。下面这张表是按复习题考法整理的直接背系数即可窗函数主瓣宽度点数倒数系数旁瓣衰减水平高频题考点矩形窗2/N最差约 13 dB频率突变信号用矩形窗Hann 窗4/N中等约 31 dB通用分析能分辨相邻峰Hamming 窗4/N较好约 43 dB语音处理常用Blackman 窗6/N最好约 58 dB强调旁瓣抑制时选择提示如果题干给的是数字角频率主瓣宽度直接写 4π/N 之类无需再用 fs 换算。最容易丢分的不是算错而是把单位混在一起。2.2 Wigner-Ville 分布的性质题交叉项与解析信号WVD 在复习题中不会考大计算通常只考三条结论时域边缘等于信号瞬时功率 |z(t)|²频域边缘等于 |Z(f)|²二维积分等于总能量。这三条在简答题里经常只写一半丢分很可惜。另外题目如果不提醒直接给实信号做 WVD记住要先构造解析信号 z(t) x(t) j·H{x(t)}H 表示 Hilbert 变换。实数信号的频谱同时包含正负频率直接计算会产生频谱负频率区与正频率区之间的交叉干扰项结果完全失去物理意义。答题时第一行写出 z(t) 的构造式能明显提高得分。交叉项位置的判断题有固定规律当信号由两个时频成分组成时WVD 包含三个部分两个自项加一个交叉项交叉项中心位于两个自项时频坐标的中点。若两个分量分别出现在时间和频率坐标不同的位置交叉项落在二者连线的中央振荡快慢与两成分距离成正比。常考场景是两个正弦信号它们的 WVD 在一个方形区域里有两条平行线交叉项出现在两条线中间表现为叠加的振荡条纹。画出这个区域位置分就可以拿满。2.3 AR 谱估计与 MUSIC 的分辨力对比Yule-Walker 方程的求解顺序AR 模型谱估计的复习题高频出现在“给出自相关值求 AR(2) 系数”这一点。以 AR(2) 为例需要写的等式是 Yule-Walker 方程$$ \begin{bmatrix} R[0] R[1] \ R[1] R[0] \end{bmatrix} \begin{bmatrix} a_1 \ a_2 \end{bmatrix} \begin{bmatrix} -R[1] \ -R[2] \end{bmatrix} $$做题顺序固定三步排矩阵、解出 a1 和 a2、算噪声方差 σ² R[0] a1·R[1] a2·R[2]。代入具体数字比如 R[0]1.0、R[1]0.5、R[2]0.25解得 a1-0.5、a20σ²0.75。看到 a20 不要慌这说明该序列本质是 AR(1) 过程用 AR(2) 拟合时多余阶数自动归零这是常见考题不是题目给错。真正要留意的是负数方差算出的 σ² 小于零时说明自相关矩阵数值不自洽或者阶数取得过高这类题型在选择题里专门用来考验判断力。MUSIC 的复习重点则是与 AR 性质做对比常考表格如下方法核心参数分辨力特征典型失分点周期图窗型和窗长受数据点数限制短数据时分辨力差忘记加窗谱泄漏明显AR(p)模型阶数 p对自相关做外推分辨力高于周期图p 过大出现假峰MUSIC信号子空间维数可估计相隔极近的等幅正弦频率维数设错伪谱峰消失MUSIC 与 AR 的本质差别在于AR 是对数据建模外推MUSIC 则直接对自相关矩阵特征分解把信号方向向量与噪声子空间做正交扫描。复习题如果只要求写原理把“噪声子空间投影接近零导致伪谱峰”这层因果关系写清楚即可课后习题里很少真的要求手算特征分解。3. 现代信号处理复习题之自适应篇——Wiener、LMS 与 RLS 的求解步骤自适应滤波是复习题里最吃“套路”的章节几乎不给绕弯子的题目。Wiener 求解是矩阵逆LMS 是步长判断RLS 是参数权衡。这三者只要分别练熟一条流程计算题得分率会很高。3.1 Wiener-Hopf 方程计算题先构造矩阵再做逆Wiener 滤波的常规题型是给出自相关 R[0]、R[1]、R[2] 和互相关 p[0]、p[1]求最优权重 w。解题固定流程为把自相关排成 Toeplitz 矩阵 R互相关排成向量 p然后解 w R⁻¹p。2×2 矩阵直接用逆矩阵公式不需要绕路。以 R [[1.0, 0.5], [0.5, 1.0]]p [0.8, 0.3] 为例行列式为 0.75算得权重 w [0.8667, -0.1333]。检查手段是计算 Rw−p残差应当接近零。如果残差很大几乎可以肯定是排矩阵时把 R[1] 写到了错的位置。2×2 时副对角线取 R[1]3×3 时第一条副对角线仍是 R[1]第二条才是 R[2]逐层向外展开。很多考生在阶数超过 2 时漏排对角线导致后面全错这在平时练习时值得多写两遍。提示如果 det(R)0说明输入分量完全相关最优权不唯一。考试中给出这种条件通常想看到阻尼最小二乘或加对角加载的处理而不是直接写求逆。3.2 LMS 步长选择与收敛条件的计算验证LMS 复习题的高频考点是给一个输入相关矩阵或输入功率判断步长 μ 是否在收敛范围。理论收敛条件为 0 μ 2/λmax但测绘题经常不直接给最大特征值所以更常用的充分条件是 0 μ 2/tr(R)。若输入近似白噪声且每抽头功率为 P_x则 tr(R) N·P_x于是收敛条件简化为 μ 2/(N·P_x)。这样套用一个具体场景N16、P_x1则 μ 必须小于 0.125若题目把输入功率放大 4 倍步长应随之缩小到原来的 1/4。这个“步长与输入功率成反比”的结论比背公式更有用选择题和判断题都围绕它设置干扰项。用下面这段 Python 代码检查步长边界import numpy as np def check_lms_step(R, mu): 判断给定相关矩阵 R 和步长 mu 是否满足 LMS 收敛条件 R : 输入相关矩阵N x N mu : 候选步长 eig_max np.linalg.eigvalsh(R).max() mu_max 2.0 / eig_max print(最大特征值 lambda_max , round(eig_max, 4)) print(步长上界 2/lambda_max , round(mu_max, 4)) if 0 mu mu_max: print(步长可用) else: print(步长越界需要减小 mu) return mu_max R np.array([[1.0, 0.5, 0.0], [0.5, 1.0, 0.5], [0.0, 0.5, 1.0]]) check_lms_step(R, 0.3)代码逻辑说明np.linalg.eigvalsh求出对称相关矩阵全部特征值取最大后用收敛公式算出步长上界。实际该矩阵的特征值上界约 1.707因此精确 μ_max ≈ 1.172若用 tr(R)3 代进充分条件得到 0.667明显更保守。选择题里碰到“步长取 0.8 是否安全”用精确特征值判断是安全但用充分条件判断会误以为不安全因此题目若给的是相关矩阵优先按特征值算。3.3 RLS 遗忘因子与初始化的参数选择题RLS 不考递推推导高频考点是“改变两个参数会带来什么结果”遗忘因子 λ 和逆相关矩阵初始化 δ。λ 越接近 1历史数据权重保持越久收敛变慢但稳态均方误差小λ 减小跟踪能力增强但噪声容忍度下降。非平稳场景选 λ0.950.98平稳场景选 λ0.999 左右。试卷里如果题干说“信号频点在 t100 处突然跳变”答案基本落在偏小 λ 的一档。RLS 的第二个参数是 δ对应 P(0)δI。δ 应与噪声方差同量级δ 过小则早期收敛慢δ 过大则前几步权重波动大稳态后不再有影响。把常见场景和参数映射整理成下表场景推荐参数选择理由输入非平稳频率缓慢漂移λ 0.98 附近兼顾跟踪速度与稳态噪声输入近似平稳噪声较大λ 0.999 附近长时平均压低噪声影响噪声方差 σ² 已知δ σ²初始协方差与实际量级匹配要求快速启动δ 10σ²初期大步长快速脱离原点除参数外RLS 与 LMS 的复杂度对比是简答题常客RLS 每次迭代的乘加量随滤波器阶数平方增长LMS 随阶数线性增长。工程中在阶数几十以内用 RLS 可以接受超过后更常见 NLMS 或频域分块自适应结构。4. 现代信号处理复习题之现代篇——小波变换与压缩感知的默写骨架小波和压缩感知题目在复习题里以“默写算法流程”为主强调按顺序写出步骤。考试时间有限平时建议先把固定流程背熟再理解每一步在做什么。4.1 Mallat 算法的三步记忆法Mallat 算法描述的是从尺度系数 a_j 分解到下一层尺度系数 a_{j1} 与细节系数 d_{j1} 的过程。记忆主链只有三步低通滤波、高通滤波、隔点采样。公式是 a_{j1}[n] Σ_k h[k−2n]·a_j[k]d_{j1}[n] Σ_k g[k−2n]·a_j[k]。h 由尺度函数决定g 由小波函数决定且两滤波器满足 g[k] (-1)^k·h[L−1−k]L 是滤波器长度。常见失分点在公式里滤波器的下标写法。有的教材写 h[k−2n]有的写 h[2n−k]两种在卷积方向上互为翻转。写答案时选定一种并在整道题中保持混用会让系数顺序错乱。多分辨率分析层面只需要记一个包含关系V_{j1} ⊂ V_j且 V_j V_{j1} ⊕ W_{j1}W 是细节子空间。从包含关系推正交补和两层之间的系数递归比单独背每个公式更稳。4.2 小波阈值去噪中的参数选择与软硬阈值换算小波去噪复习题最经典的题型是写出通用阈值 T σ·√(2·ln N)并比较软硬阈值的差异。如果噪声方差未给出用最细一层细节系数 d1 估计σ ≈ median(|d1|)/0.6745。0.6745 来源于标准正态分布四分位数属于复习题里需要直接记的常数。软硬阈值的区别要会从表达式中读出来硬阈值公式保留大于阈值的原系数、小于阈值置零在阈值处不连续软阈值则把大于阈值的部分统一向零收缩一个阈值长度整体连续但幅度被压缩。重建时图像边缘容易过平滑就是因为软阈值把代表边缘的大系数也削掉了一块。用代码观察更直观import numpy as np def threshold_process(coeff, sigma): 软阈值与硬阈值处理对比 coeff : 某一层小波细节系数 sigma : 噪声标准差估计 N len(coeff) thr sigma * np.sqrt(2 * np.log(N)) # 硬阈值大于阈值保留原值小于阈值置零 hard np.where(np.abs(coeff) thr, coeff, 0) # 软阈值大于阈值后向零收缩 soft np.sign(coeff) * np.maximum(np.abs(coeff) - thr, 0) print(阈值 T , round(thr, 4)) print(硬阈值保留系数数:, int(np.sum(hard ! 0))) print(软阈值保留系数数:, int(np.sum(soft ! 0))) return hard, soft, thr代码说明两组处理保留的系数数量可能相同但软阈值输出的每个系数绝对值都比原始值小 T这体现的是“收缩”而不是“截断”。考试中看到重建图像出现振铃多半是硬阈值看到图像过分平滑多半是软阈值。4.3 压缩感知 OMP 重建题的迭代步骤与停止条件OMP 是压缩感知复习题里最值得动手默写的算法。步骤固定为六步初始化残差 r y、支撑集为空计算测量矩阵每一列与残差的内积绝对值并找到最大位置把该位置加入支撑集用最小二乘解系数 x (Φ_ΛᵀΦ_Λ)⁻¹Φ_Λᵀy更新残差 r y − Φ_Λ·x按停止条件判断是否迭代。其中最小二乘的闭式解必须写对这是整个算法能否得分的关键。停止条件有两个常用形式题干不同选择不同停止条件判断表达式适用场景预设稀疏度迭代次数达到稀疏度 K已知信号稀疏度残差能量比‖r‖₂² / ‖y‖₂² ε噪声环境下按残差剩余能量判断常见做法是两个条件同时使用先跑到 K 次再检查残差能量比是否低于 ε。若测量矩阵列之间相关性强可能出现连续两次选中同一列支撑集不增长、残差不下降的情况这时候需要改用带阻尼的正则化匹配追踪。5. 考前冲刺用的数值自检方法与公式记忆卡5.1 数值自检残差与量级判断计算题复习最怕的是“以为自己算对了其实矩阵都写错了”。做 Wiener、AR 或 OMP 题时可以利用残差来检验解出 w 后回代检查 Rw−p 是否接近零向量只要残差非零就说明权重算错或者矩阵排错。另一个快速判断方法是看数量级特征LMS 步长通常远小于 1算出来大于 10 就需要检查是否把输入功率和抽头数漏掉了。AR 谱估计如果算出的噪声方差为负值说明自相关矩阵与模型阶数不匹配回查 Yule-Walker 方程最有效。5.2 默写前的验证脚本用一小段代码验证手算结果比反复翻书更高效。以 Wiener 题为例import numpy as np def self_check(R, p): Wiener 解自检R w - p 应接近零向量 w np.linalg.solve(R, p) residual R.dot(w) - p print(权重:, np.round(w, 4)) print(残差:, np.round(residual, 8)) return w self_check(np.array([[1.0, 0.5], [0.5, 1.0]]), np.array([0.8, 0.3]))代码逻辑说明np.linalg.solve直接解线性方程组随后把权重回代并打印残差。手算的每一步数值可能因四舍五入有微小差异但残差应当控制在 10⁻⁶ 以下。这样验证一次可以快速定位是矩阵构造错误还是逆矩阵算错。5.3 考前一小时只需默记的参数点真正容易在考场混淆的只有三个点STFT 窗主瓣系数 Hann 为 4、矩形为 2LMS 的 μ 与输入功率成反比而 RLS 的 λ 越大收敛越慢两个方向相反OMP 初始化残差 r y不是 r Φᵀy。把这些写在一张卡片上开考后先抄在草稿纸边上后面所有题都以这组参数为基准检查能挡掉大部分低级失分。本文还有配套的精品资源点击获取
![3个硬核降AI率工具，让你的论文AIGC检测全绿通过[必看]](http://pic.xiahunao.cn/yaotu/3个硬核降AI率工具，让你的论文AIGC检测全绿通过[必看])
