Fundamentals of Statistical Signal Processing--Estimation and Detection Theory

\"Foundations of Statistical Signal Processing: Estimation and Detection Theory\" is a classic and authoritative book on statistical signal processing. The book is divided into two volumes, which respectively explain the estimation theory and detection theory of the foundation of statistical signal processing. The first volume introduces the classical estimation theory and Bayesian estimation in detail, summarizes various estimation methods, considers Wiener filtering and Kalman filtering, and introduces the estimation methods for complex data and parameters. This volume gives a large number of application examples, ranging from high-resolution spectrum analysis, system identification, digital filter design, adaptive noise cancellation, adaptive beamforming, tracking and positioning, etc.; and a large number of exercises are designed to deepen the understanding of basic concepts. The second volume comprehensively introduces the optimal detection algorithm implemented on the computer, and focuses on the real-world signal processing applications, including modern voice communication technology and traditional sonar/radar systems. This volume starts with the basic theory of detection, reviews Gaussian, c2, F, Rayleigh and Rice probability density; explains the quadratic form of Gaussian random variables, as well as asymptotic Gaussian probability density and Monte Carlo performance evaluation; introduces the theoretical basis of detection based on simple hypothesis testing, including Neyman-Pearson theorem, processing of irrelevant data, Bayesian risk, multivariate hypothesis testing, and detection of deterministic and random signals. Finally, a detailed analysis of composite hypothesis testing suitable for unknown signals and unknown noise parameters is given.