| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| 1．1 引言 | 第8页 |
| 1．2 非高斯脉冲噪声模型的研究意义 | 第8-9页 |
| 1．3 非高斯α-稳定分布的统计模型 | 第9-11页 |
| 1．4 α-稳定噪声中自适应信号处理的研究概况 | 第11-12页 |
| 1．5 本文的主要工作和论文安排 | 第12-14页 |
| 第二章 α-稳定分布 | 第14-22页 |
| 2．1 α-稳定分布的定义 | 第14-17页 |
| 2．2 α-稳定分布的基本性质 | 第17-18页 |
| 2．3 分数低阶矩 | 第18-19页 |
| 2．4 最小偏差误差准则 | 第19-20页 |
| 2．5 协L_p差 | 第20-22页 |
| 第三章 线性最小L_p范数估计 | 第22-32页 |
| 3．1 引言 | 第22-23页 |
| 3．2 SaS AR过程的参数估计方法 | 第23-28页 |
| 3．2．1 最小L_p范数估计 | 第23-25页 |
| 3．2．2 迭代加权最小二乘方法 | 第25-28页 |
| 3．3 仿真结果 | 第28-29页 |
| 3．3．1 LPN估计、LS估计和LAD估计的比较 | 第28页 |
| 3．3．2 数据长度对IRLS算法的影响 | 第28-29页 |
| 3．3．3 加性噪声中SaS AR模型的参数估计 | 第29页 |
| 3．4 小节 | 第29-32页 |
| 第四章 α-稳定信号的自适应系统辩识 | 第32-45页 |
| 4．1 线性FIR系统自适应辩识 | 第32-37页 |
| 4．1．1 线性FIR系统自适应辩识的问题描述 | 第32-34页 |
| 4．1．2 随机近似方法 | 第34-37页 |
| 4．2 最小L_p范数估计自适应滤波方法 | 第37-43页 |
| 4．2．1 最小平均L_p范数（LMP）自适应算法 | 第38-39页 |
| 4．2．2 滑窗LMP（SW-LMP）自适应算法 | 第39-40页 |
| 4．2．3 递归最小L_p范数（RLP）算法 | 第40-43页 |
| 4．3 仿真结果 | 第43-44页 |
| 4．4 小节 | 第44-45页 |
| 第五章 总体最小L_p范数估计方法 | 第45-58页 |
| 5．1 总体最小二乘方法 | 第45-49页 |
| 5．1．1 总体最小二乘的基本思想 | 第45-46页 |
| 5．1．2 奇异值分解和总体最小二乘解 | 第46-48页 |
| 5．1．3 总体最小二乘的几何解释 | 第48-49页 |
| 5．2 总体最小L_p范数估计 | 第49-52页 |
| 5．2．1 总体最小L_p范数估计的基本思想 | 第50页 |
| 5．2．2 总体最小L_p范数估计的几何解释 | 第50-52页 |
| 5．3 总体最小L_p范数在α-稳定信号处理中的应用 | 第52-56页 |
| 5．3．1 考虑输入噪声的FIR系统辨识问题 | 第53-54页 |
| 5．3．2 FIR自适应滤波的总体最小L_p范数算法 | 第54-56页 |
| 5．4 仿真结果 | 第56-57页 |
| 5．5 小节 | 第57-58页 |
| 结束语 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
