一、概念
1、信息与信号处理（Signal and information processing）
信息与信号处理是一级学科信息与通信工程（Information and Communication Engineering,ICE）下设的二级学科，是当前信息技术的核心学科之一。它为通信、计算机应用以及各类信息处理技术提供基础理论、基本方法、实用算法和实现方案。随着信号与信息处理理论与技术的发展，信息处理科学与技术已渗透到计算机、通信、交通运输、医学、物理、化学、生物学、军事、经济等各个领域。
2、主要研究方向
信号与信息处理的研究方向包括但不限于以下几个方面：
信号处理与检测：包括信号获取与处理、高速信息处理系统设计、自适应信号处理、智能检测、电子系统设计与仿真等。
现代信号处理：如微弱信号检测与特性分析、智能信息处理、影像处理与分析等。
雷达信号处理：包括雷达成像、目标识别、阵列信号处理等。
二、信号处理与检测
信号检测与处理技术是一个多学科交叉的领域，涉及信号的识别、测量和分析，广泛应用于通信、医疗、工业等多个领域。
1、基本概念
信号检测与处理技术主要包括信号特性的测量、传感器的应用、傅里叶分析、随机过程及其信号特性等内容。
2、检测技术
检测技术是利用各种物理和化学效应，通过合适的方法和装置，将信息赋予定性或定量结果的过程。 它涉及半导体技术、激光技术、光纤技术等多个学科的综合应用，最终目的是从测量对象中获取有用信息。
3、信号处理方法
信号处理包括时域与频域分析（信号与系统）、数字信号处理方法（数字信号处理）、机器学习算法在信号检测中的应用等。
4、机器学习算法在信号检测中的应用
（1）信号预处理与特征提取
信号预处理是信号检测的关键步骤，主要包括去噪、去趋势和重采样等操作 。常用方法包括使用Savitzky-Golay滤波器进行平滑处理，以及通过多项式拟合去除基线漂移。特征提取则通过计算信号的统计特性（如峰值、频谱熵、瞬时频率等）来为机器学习模型提供输入。
（2）机器学习模型的应用
机器学习模型可以用于信号分类和异常检测。例如，随机森林和支持向量机（SVM）常用于信号分类，而深度学习模型（如LSTM）则适合处理时间序列信号。
（3）深度学习与信号处理结合
深度学习模型（如LSTM和CNN）能够自动提取信号特征，适用于复杂信号的分类任务。 例如，在心电信号分类中，可以通过计算频谱图并输入到CNN中进行分类，或者直接使用LSTM处理原始信号。
（4）机器学习和信号检测的关系
信号检测的效果依赖于高质量的预处理和特征提取。对于深度学习模型，数据量和计算资源是关键。 此外，模型的选择应根据信号的特性和任务需求进行调整。
通过结合信号处理和机器学习技术，可以显著提高信号识别的准确性和效率，为通信、生物医学等领域提供强大的技术支持。
三、现代信号处理
现代信号处理涵盖了从随机信号分析到阵列信号处理的多种方法与应用，核心内容可分为以下几个模块：
1、随机信号分析
包括统计描述、平稳随机信号特性、功率谱密度及其通过线性系统的变化规律。
2、参数估计理论
涉及估计量性能分析、Fisher信息与Cramer-Rao下界、Bayes估计、最大似然估计、线性均方估计及最小二乘估计。这些方法用于从观测数据中提取未知参数，广泛应用于信号检测与建模。
3、现代谱估计
包括经典谱估计、参数建模（如AR模型）、最大熵谱估计等，用于分析信号的频谱特性，提升频率分辨率。
4、自适应滤波器
涵盖匹配滤波器、离散维纳滤波器、卡尔曼滤波、LMS与RLS算法及广义旁瓣相消器。这些算法可在未知或变化环境下实时优化滤波性能。
5、高阶统计分析
研究矩与累积量、高阶谱以及非高斯信号处理，用于捕捉传统二阶统计无法描述的信号特征。
6、时频分析与分布
包括短时傅里叶变换、小波变换、Wigner-Ville分布及压缩感知，适用于非平稳信号的时频特征提取。
7、盲信号分离
在未知混合模型下分离源信号，常用独立成分分析（ICA）等方法。
8、阵列信号处理
涉及空域滤波、高分辨DOA估计（如MUSIC、Root MUSIC、ESPRIT）、LCMV波束形成及自适应波束形成，广泛应用于雷达、声纳和无线通信。
四、雷达信号处理
DBF（数字波束形成） → 脉冲压缩 → 杂波/相参处理 → 目标检测 → 参数测量 → 目标跟踪
1、信号分析
对雷达接收到的回波信号进行频域和时域分析，以提取有用信息。
2、雷达方程
描述雷达系统中信号传播的基本关系，用于计算目标的探测距离和回波强度。
3、脉冲压缩
通过调制和匹配滤波技术提高雷达的距离分辨率，同时保持高信噪比。
4、多普勒处理
利用多普勒效应检测目标的速度信息，广泛应用于移动目标检测。
5、目标跟踪
通过滤波和预测算法实现对目标位置和速度的连续跟踪。