The 10 references with contexts in paper P. Klimenchenko V., V. Zhurakovsky N., П. Клименченко В., В. Жураковский Н. (2017) “Авторегрессионный алгоритм Берга для обнаружения целей и определения их скоростей на фоне пассивных помех, основанный на спектральных и статистических различиях целей и помех. // Berg's Autoregressive Algorithm to Detect Targets and Determine Their Velocities in Presence of Passive Interference, Based on Spectral and Statistical Target and Interference Differences” / spz:neicon:radiovega:y:2017:i:4:p:1-15

1
Kay S.M., Marple S.L. Spectrum analysis – a modern perspective // Proc. of the IEEE. 1981. Vol. 69. No. 11. Pp. 1380-1419. DOI: 10.1109/PROC.1981.12184
Total in-text references: 2
  1. In-text reference with the coordinate start=2038
    Prefix
    Существует множество методов спектрального оценивания для решения такого рода проблемы. Обычно оценивание спектра случайных или дискретизированных детерминированных процессов обычно выполняется с помощью быстро преобразования Фурье
    Exact
    [1-5]
    Suffix
    . Такой подход к анализу спектра эффективен с точки зрения вычислений и обеспечивает получение приемлемых результатов для большого класса сигнальных процессов. Однако, подходы, основанные на вычислении БПФ, имеют ряд ограничений.

  2. In-text reference with the coordinate start=3853
    Prefix
    При увеличении N качество оценки не улучшается, поскольку мы оцениваем пропорционально увеличивающееся число параметров. Предложен ряд модификаций, суть которых сводится к сглаживанию оценки путем введения псевдоусреднения по некоторому ансамблю
    Exact
    [1]
    Suffix
    ,[6],[8]. Существует так же и другие классические методы. Помимо них часто используют параметрическое оценивание СПМ на основе моделей авторегрессии-скользящего скользящего среднего (АРСС) [4],[8]. Здесь оценка СПМ по наблюдаемым данным может быть сведена к оценке коэффициентов фильтра и дисперсии белого шума.

2
Blanchet G., Charbit M. Digital signal and image processing using MATLAB. L.; Newport Beach: ISTE Ltd, 2006. 763 p.
Total in-text references: 1
  1. In-text reference with the coordinate start=2038
    Prefix
    Существует множество методов спектрального оценивания для решения такого рода проблемы. Обычно оценивание спектра случайных или дискретизированных детерминированных процессов обычно выполняется с помощью быстро преобразования Фурье
    Exact
    [1-5]
    Suffix
    . Такой подход к анализу спектра эффективен с точки зрения вычислений и обеспечивает получение приемлемых результатов для большого класса сигнальных процессов. Однако, подходы, основанные на вычислении БПФ, имеют ряд ограничений.

3
Cooley J.W., Tukey J.W. An algorithm for the machine calculation of complex Fourier series // Mathematics of Computation. 1965. Vol. 19. No. 90. Pp. 297-301. DOI: 10.1090/S0025-5718-1965-0178586-1
Total in-text references: 1
  1. In-text reference with the coordinate start=2038
    Prefix
    Существует множество методов спектрального оценивания для решения такого рода проблемы. Обычно оценивание спектра случайных или дискретизированных детерминированных процессов обычно выполняется с помощью быстро преобразования Фурье
    Exact
    [1-5]
    Suffix
    . Такой подход к анализу спектра эффективен с точки зрения вычислений и обеспечивает получение приемлемых результатов для большого класса сигнальных процессов. Однако, подходы, основанные на вычислении БПФ, имеют ряд ограничений.

4
Гольденберг Л.М., Матюшкин Б.Д., Поляк М.Н. Цифровая обработка сигналов: Справочник. М.: Радио и связь, 1985. 312 с.
Total in-text references: 3
  1. In-text reference with the coordinate start=2038
    Prefix
    Существует множество методов спектрального оценивания для решения такого рода проблемы. Обычно оценивание спектра случайных или дискретизированных детерминированных процессов обычно выполняется с помощью быстро преобразования Фурье
    Exact
    [1-5]
    Suffix
    . Такой подход к анализу спектра эффективен с точки зрения вычислений и обеспечивает получение приемлемых результатов для большого класса сигнальных процессов. Однако, подходы, основанные на вычислении БПФ, имеют ряд ограничений.

  2. In-text reference with the coordinate start=4045
    Prefix
    Предложен ряд модификаций, суть которых сводится к сглаживанию оценки путем введения псевдоусреднения по некоторому ансамблю [1],[6],[8]. Существует так же и другие классические методы. Помимо них часто используют параметрическое оценивание СПМ на основе моделей авторегрессии-скользящего скользящего среднего (АРСС)
    Exact
    [4]
    Suffix
    ,[8]. Здесь оценка СПМ по наблюдаемым данным может быть сведена к оценке коэффициентов фильтра и дисперсии белого шума. Оценки СПМ на основе АРСС-модели имеют высокую разрешающую способность в сравнении с классическими процедурами получения оценок СПМ, в которых АКП вне интервала наблюдений полагается нулевой или периодически повторяющейся, что обычно не соответствует поведению реальной АКП.

  3. In-text reference with the coordinate start=4835
    Prefix
    Наибольшее внимание специалистов в практическом применении нашли АР-модели, поскольку для них характерны спектры с острыми пиками, что часто связывается с высоким частотным разрешением. Разработан целый набор эффективных алгоритмов нахождения оценок параметров АР-модели, в числе которых алгоритм Берга
    Exact
    [4]
    Suffix
    ,[6],[8],[9],[10]. Алгоритм Берга основан на оценивании АР-параметров по последовательности коэффициентов отражения. Достоинства данного метода: высокая разрешающая способность при анализе коротких сигналов, гарантированная стабильность рассчитанного формирующего фильтра.

5
Оппенгейм А., Шафер Р. Цифровая обработка сигналов: пер. с англ. М.: Техносфера, 2006. 855 с. [Oppenheim A., Schafer R. Digital signal processing. Englewood Cliffs: Prentice-Hall, 1975. 585 p.].
Total in-text references: 1
  1. In-text reference with the coordinate start=2038
    Prefix
    Существует множество методов спектрального оценивания для решения такого рода проблемы. Обычно оценивание спектра случайных или дискретизированных детерминированных процессов обычно выполняется с помощью быстро преобразования Фурье
    Exact
    [1-5]
    Suffix
    . Такой подход к анализу спектра эффективен с точки зрения вычислений и обеспечивает получение приемлемых результатов для большого класса сигнальных процессов. Однако, подходы, основанные на вычислении БПФ, имеют ряд ограничений.

6
Марпл С.Л. Цифровой спектральный анализ и его приложения: пер с англ. М.: Мир, 1990. 584 с. [Marple S.L. Digital spectral analysis: with applications. Englewood Cliffs: Prentice-Hall, 1987. 492 p.].
Total in-text references: 3
  1. In-text reference with the coordinate start=3078
    Prefix
    Существуют два различных класса методов спектрального анализа: классические и параметрические. Одним из самых часто применяемых классических методов является периодограммное оценивание СПМ. Показано в
    Exact
    [6]
    Suffix
    и [7], что среднее значение оценки совпадает с истинной СПМ, а дисперсия оценки не стремится к нулю при стремлении количества отсчетов в бесконечности, ее среднеквадратическое значение при любом N сравнимо со средним значением.

  2. In-text reference with the coordinate start=3857
    Prefix
    При увеличении N качество оценки не улучшается, поскольку мы оцениваем пропорционально увеличивающееся число параметров. Предложен ряд модификаций, суть которых сводится к сглаживанию оценки путем введения псевдоусреднения по некоторому ансамблю [1],
    Exact
    [6]
    Suffix
    ,[8]. Существует так же и другие классические методы. Помимо них часто используют параметрическое оценивание СПМ на основе моделей авторегрессии-скользящего скользящего среднего (АРСС) [4],[8]. Здесь оценка СПМ по наблюдаемым данным может быть сведена к оценке коэффициентов фильтра и дисперсии белого шума.

  3. In-text reference with the coordinate start=4839
    Prefix
    Наибольшее внимание специалистов в практическом применении нашли АР-модели, поскольку для них характерны спектры с острыми пиками, что часто связывается с высоким частотным разрешением. Разработан целый набор эффективных алгоритмов нахождения оценок параметров АР-модели, в числе которых алгоритм Берга [4],
    Exact
    [6]
    Suffix
    ,[8],[9],[10]. Алгоритм Берга основан на оценивании АР-параметров по последовательности коэффициентов отражения. Достоинства данного метода: высокая разрешающая способность при анализе коротких сигналов, гарантированная стабильность рассчитанного формирующего фильтра.

7
Кривошеев В.И. Современные методы цифровой обработки сигналов (цифровой спектральный анализ): учебно-методические материалы. Н. Новгород, 2006. 117 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=3084
    Prefix
    Существуют два различных класса методов спектрального анализа: классические и параметрические. Одним из самых часто применяемых классических методов является периодограммное оценивание СПМ. Показано в [6] и
    Exact
    [7]
    Suffix
    , что среднее значение оценки совпадает с истинной СПМ, а дисперсия оценки не стремится к нулю при стремлении количества отсчетов в бесконечности, ее среднеквадратическое значение при любом N сравнимо со средним значением.

8
Кривошеев В.И., Лупов С.Ю. О некоторых возможностях и проблемах современного цифрового спектрального анализа // Вестник Нижегородского ун-та им. Н.И. Лобачевского. 2011. No 5(3). С. 109-117.
Total in-text references: 3
  1. In-text reference with the coordinate start=3861
    Prefix
    При увеличении N качество оценки не улучшается, поскольку мы оцениваем пропорционально увеличивающееся число параметров. Предложен ряд модификаций, суть которых сводится к сглаживанию оценки путем введения псевдоусреднения по некоторому ансамблю [1],[6],
    Exact
    [8]
    Suffix
    . Существует так же и другие классические методы. Помимо них часто используют параметрическое оценивание СПМ на основе моделей авторегрессии-скользящего скользящего среднего (АРСС) [4],[8]. Здесь оценка СПМ по наблюдаемым данным может быть сведена к оценке коэффициентов фильтра и дисперсии белого шума.

  2. In-text reference with the coordinate start=4049
    Prefix
    Предложен ряд модификаций, суть которых сводится к сглаживанию оценки путем введения псевдоусреднения по некоторому ансамблю [1],[6],[8]. Существует так же и другие классические методы. Помимо них часто используют параметрическое оценивание СПМ на основе моделей авторегрессии-скользящего скользящего среднего (АРСС) [4],
    Exact
    [8]
    Suffix
    . Здесь оценка СПМ по наблюдаемым данным может быть сведена к оценке коэффициентов фильтра и дисперсии белого шума. Оценки СПМ на основе АРСС-модели имеют высокую разрешающую способность в сравнении с классическими процедурами получения оценок СПМ, в которых АКП вне интервала наблюдений полагается нулевой или периодически повторяющейся, что обычно не соответствует поведению реальной АКП.

  3. In-text reference with the coordinate start=4843
    Prefix
    Наибольшее внимание специалистов в практическом применении нашли АР-модели, поскольку для них характерны спектры с острыми пиками, что часто связывается с высоким частотным разрешением. Разработан целый набор эффективных алгоритмов нахождения оценок параметров АР-модели, в числе которых алгоритм Берга [4],[6],
    Exact
    [8]
    Suffix
    ,[9],[10]. Алгоритм Берга основан на оценивании АР-параметров по последовательности коэффициентов отражения. Достоинства данного метода: высокая разрешающая способность при анализе коротких сигналов, гарантированная стабильность рассчитанного формирующего фильтра.

9
Шахтарин Б.И., Ковригин В.А. Методы спектрального оценивания случайных процессов: учеб. пособие. М.: Гелиос АРВ, 2005. 247 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=4847
    Prefix
    Наибольшее внимание специалистов в практическом применении нашли АР-модели, поскольку для них характерны спектры с острыми пиками, что часто связывается с высоким частотным разрешением. Разработан целый набор эффективных алгоритмов нахождения оценок параметров АР-модели, в числе которых алгоритм Берга [4],[6],[8],
    Exact
    [9]
    Suffix
    ,[10]. Алгоритм Берга основан на оценивании АР-параметров по последовательности коэффициентов отражения. Достоинства данного метода: высокая разрешающая способность при анализе коротких сигналов, гарантированная стабильность рассчитанного формирующего фильтра.

10
Овчарук В.Н. Спектральный анализ сигналов акустической эмиссии // Ученые записки Тихоокеанского гос. ун-та. 2013. Т. 4. No. 4. С. 974-986.
Total in-text references: 1
  1. In-text reference with the coordinate start=4851
    Prefix
    Наибольшее внимание специалистов в практическом применении нашли АР-модели, поскольку для них характерны спектры с острыми пиками, что часто связывается с высоким частотным разрешением. Разработан целый набор эффективных алгоритмов нахождения оценок параметров АР-модели, в числе которых алгоритм Берга [4],[6],[8],[9],
    Exact
    [10]
    Suffix
    . Алгоритм Берга основан на оценивании АР-параметров по последовательности коэффициентов отражения. Достоинства данного метода: высокая разрешающая способность при анализе коротких сигналов, гарантированная стабильность рассчитанного формирующего фильтра.