本书主要介绍非高斯信号处理(包括基于高阶统计量和分数低阶统计量的信号处理)的理论、方法及其应用。
全书分为9章,内容包括：高斯过程与二阶统计量，高阶累积量和高阶谱，Alpha稳定分布与分数低阶统计量，基于以上信号的处理方法，基于分数低阶统计量数字信号处理的应用等。
第1章绪论1.1预备知识1.1.1信号与信号处理的概念1.1.2随机变量及其分布1.1.3随机信号及随机过程1.1.4统计信号处理的原理与方法1.2矩理论简介1.2.1矩及统计量的概念1.2.2二阶统计量及基于二阶统计量的信号处理1.2.3高阶统计量及基于高阶统计量的信号处理1.2.4分数低阶统计量及基于分数低阶统计量的信号处理1.3非高斯信号处理的发展参考文献第2章高斯分布与高斯过程2.1高斯分布2.1.1中心极限定理2.1.2高斯分布律2.2高斯过程参考文献第3章基于二阶统计量的信号处理方法3.1基本估计理论3.1.1最小二乘估计3.1.2线性最小方差估计3.1.3最小方差估计3.1.4最大似然估计3.1.5最大后验概率估计3.2维纳滤波与卡尔曼滤波3.2.1连续信号的维纳滤波3.2.2离散维纳滤波3.2.3卡尔曼滤波3.3参数模型功率谱估计3.3.1平稳随机信号的参数模型3.3.2AR模型功率谱估计3.3.3MA模型功率谱估计3.3.4ARMA模型功率谱估计3.4自适应数字滤波器3.4.1横向LMS自适应数字滤波器3.4.2递推自适应数字滤波器3.4.3自适应格型数字滤波器3.4.4递归型自适应数字滤波器参考文献第4章高阶累积量和高阶谱4.1高阶矩和高阶累积量4.1.1高阶累积量和高阶矩的定义4.1.2高阶累积量和高阶矩的关系4.1.3高阶矩和高阶累积量的性质4.1.4平稳随机过程的高阶矩和高阶累积量4.1.5随机过程的互累积量4.2随机过程的高阶累积量谱和高阶矩谱4.2.1累积量谱和高阶矩谱的定义4.2.2累积量谱的特例4.2.3k阶相干函数和互累积量谱4.3高阶谱估计的非参数方法4.3.1直接法4.3.2间接法4.4非高斯过程与线性系统4.4.1非高斯白噪声过程4.4.2非高斯白噪声过程与线性系统参考文献第5章基于高阶统计量的信号处理方法5.1基于高阶统计量的系统辨识5.1.1非最小相位系统5.1.2基于高阶统计量的系统辨识5.1.3高阶统计量用于MA系统辨识5.1.4高阶统计量用于非因果AR模型辨识5.1.5ARMA模型参数估计方法5.2有色噪声中的信号提取5.2.1复信号累积量的定义5.2.2谐波过程的累积量5.2.3高斯有色噪声中的谐波恢复5.2.4非高斯有色噪声中的谐波恢复5.3基于高阶累积量的参数模型阶数的确定参考文献第6章高阶统计量在信号处理中的应用6.1基于高阶累积量的自适应信号处理6.1.1基于高阶累积量的自适应FIR算法6.1.2基于累积量的MMSE准则6.1.3RLS自适应算法6.2高阶统计量在独立分量分析中的应用6.2.1问题的数学描述6.2.21CA问题的解法6.3基于高阶累积量的时间延迟估计6.3.1基于双谱估计的时延估计6.3.2基于互双倒谱的时延估计6.3.3自适应时延估计方法参考文献第7章Alpha稳定分布与分数低阶统计量7.1历史回顾7.1.1历史回顾7.1.2发展动因7.2Alpha稳定分布的概念7.2.1a稳定分布的概念7.2.2a稳定分布的几种特殊情况7.2.3广义中心极限定理7.2.4a稳定分布的性质7.2.5a稳定分布的概率密度函数7.2.6多变量O稳定分布7.2.7对称O稳定分布随机信号(随机过程)7.3分数低阶统计量7.3.1分数低阶矩7.3.2负阶矩7.3.3零阶矩7.3.4a稳定分布过程的分类7.3.5用于脉冲特性信号建模的其他分布7.4共变及其应用7.4.1共变的概念7.4.2共变的主要性质7.4.3共变在线性回归中的应用7.4.4复SaS分布的共变7.5对称Alpha稳定分布的参数估计7.5.1最大似然估计方法7.5.2基于样本分位数的参数估计方法7.5.3基于样本特征函数的参数估计方法7.5.4无穷方差的检验7.5.5基于负阶矩的方法7.5.6计算机模拟中的若干问题参考文献第8章基于分数低阶统计量的信号处理8.1稳定分布的参数模型方法8.1.1最

针对现有的迭代扩展卡尔曼滤波（EIEKF）跟踪时估计精度较低这一不足，提出了一种改进扩展卡尔曼滤波（NIEKF）新算法。
该算法将迭代滤波理论引入到扩展卡尔曼滤波方法中，重复利用观测信息，采用经典的非线性非高斯模型进行仿真实验，给出了该方法与扩展卡尔曼滤波（EKF）、Unscented卡尔曼滤波（UKF）、现有的迭代扩展卡尔曼滤波（EIEKF）的仿真结果，并分析了其跟踪性能和均方根误差。
仿真结果表明,改进扩展卡尔曼滤波（NIEKF）新方法具有更高的估计精度。

给定控制参数可以输出仿真结果，青霉素生产发酵过程是一种具有时变性、多阶段操作性以及非高斯性等特点的典型的间歇生产过程，可利用青霉素仿真软件对所提出的方法的状态监测性能进行测试与验证，通过改动初始条件和控制参数，模拟出不同的发酵结果。
里面包含了一份软件的使用说明文档，帮助大家学习！

alpha稳定分布产生非高斯的脉冲噪声序列，可用于alpha稳定分布的仿真，适合初学者

给定控制参数可以输出仿真结果，青霉素生产发酵过程是一种具有时变性、多阶段操作性以及非高斯性等特点的典型的间歇生产过程，可利用青霉素仿真软件对所提出的方法的状态监测性能进行测试与验证，通过改动初始条件和控制参数，模拟出不同的发酵结果。

提出一种基于维纳-辛钦定理计算光学相干层析成像(OCT)系统轴向分辨率δz的通用方法:对光源的功率谱密度分布进行傅里叶逆变换,得到其自相干函数,由其半峰全宽值来获得δz。
利用该方法计算了高斯和非高斯分布光谱光源OCT系统的δz,通过与厂商给出的产品标称值相比较,验证了本方法对于高斯和非高斯分布光谱光源的正确性。
以超宽带白光光源为例,使用滤光片滤除边缘部分光谱后形成非高斯分布光谱,搭建实验系统,实测δz,所得结果与本方法的计算结果较为接近,实验验证了本方法的正确性。
本方法对于非高斯分布光谱光源OCT系统δz的计算结果,能为系统设计时的参数考虑与器件选择等提供依据。

kkphoon文章给出了基于K-L展开的非高斯非平稳随机过程模拟（kkphoon的该篇文章在matlab中的实现可在我另一份上传资源里找到，对于协方差函数的特征函数与特征值的数值解，另一份资源中也将给出）

一类具有非高斯变量的随机系统的基于观测器的反馈控制器设计

被动傅里叶变换红外（FTIR）遥感是一种具有应用潜力的生物气溶胶远程探测技术。
红外遥感测量中目标光谱特征上往往存在噪声信号和基线漂移。
而生物气溶胶的光谱特征相对较宽，传统的基线校正方法都不适用。
由于生物气溶胶红外光谱和不同形式的基线漂移都是非高斯信号，把非高斯性作为独立性度量，基于独立成分分析(ICA)技术设计了生物气溶胶红外光谱信号的预处理算法。
试验结果表明，该算法可以把未知干扰成分、基线漂移等作为独立分量分离出来，从而不影响进一步的定性、定量分析。

小波域双谱优于传统双谱,特别是在非高斯噪声情况下,小波域双谱更有优势;研究为滚动轴承故障诊断提供了一种新的有效方法。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。