我想知道我应该开始学习哪些课程/主题以跟随他的脚步。我并不是完全在寻找统计和信号处理之类的东西，我都拥有基本的类，但是仍然很难理解他的工作。
#1 楼
有时会有一门名为“统计信号处理”的课程，这是一个不错的起点：-)如果您的大学没有此课程，请尝试寻找“检测和估计”或“高级信号处理”。如果您没有方便的大学，可以尝试http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-432-stochastic-processes-detection-and-estimation-spring -2004 /许多统计信号处理都是线性的，因此您应该学习尽可能多的线性代数。僵化过程是基础课程。控制理论与SSP有很多共同之处，将非常有用。
开始就足够了：-)
#2 楼
这些经典参考文献是一个不错的开始：B。 Porat，《随机信号的数字处理》，Prentice-Hall，1994年。图书馆编号2144342。
A. Papoulis，概率，随机变量和随机过程，第三版。 ，McGraw-Hill，1991年。图书馆序列号21111643。
S。 M. Kay，《统计信号处理基础知识》，第一卷：估计理论，Prentice-Hall，1993年。图书馆编号2157997。
您也可以尝试KT Wong的（滑铁卢大学）的讲义
您可能还会在YouTube上找到M.Chakraborty教授关于自适应信号处理的本系列讲座中的一些内容
#3 楼
嗨，假设您有兴趣在该领域进行研究，我将建议您遵循在数学的牢固基础上建立的道路。
我知道这一点，因为我只是已经完成了“估计与检测”课程的教学，我可以向您保证，作品的质量和新颖性与您的数学知识之间有很强的相关性。
什么样的数学？
线性代数：
您需要了解向量空间和矩阵代数，因为；正如其他人以前发布的那样，有很多理论和算法都在研究这种类型的模型。经常使用的一些结果是逆矩阵引理，它们与矩阵分解有关。
概率论和随机过程
这也是关键。统计信号处理是关于使用也可能是随机的现象的错误观察（嘈杂）来检测和估计信息（推断）的方法。
因此，您需要了解如何处理此类对象。基本的概率课程可以为您提供一个很好的起点（涵盖随机变量和随机向量，并希望谈论随机序列和过程），但是最好选择第二个过程，侧重于随机过程。您需要对这些想法有一定的信心，因为它们将使您了解研究和技术中使用的许多应用程序和实际实现。
在第二层，我还将考虑参加课程在优化中，由于估算器的计算主要基于解决最大化和最小化的问题（最大似然估计器，最小均方误差估计器等）
当然，也存在“算法”观点，您将精力更多地集中在统计信号处理过程上，以进行快速计算，收敛，低复杂度等，但是最终，新思想的发展需要数学的良好基础。
请注意，您对给定现象的内部运作的了解对于生成计划在给定设置中使用的模型也是至关重要的。从这个意义上讲，您可以从数字通信，数字信号处理乃至电子电路课程中获得的实践经验非常宝贵，可以为您提供作为研究人员的优势。
如果您还有其他问题，请随时与我联系。
干杯，
帕特里西奥
#4 楼
正如tdc所引用的那样，Papoulis（该领域领先者之一的RIP）是最好的书之一，但您可能需要先通过http://www.amazon.com/Discrete-Time- Signal-Processing-2nd-Prentice-Hall / dp / 0137549202（如果您还没有信号处理方面的本科/研究生课程很好）（我没有，那会有点痛）。从更统计的角度（但对于工程师来说仍然非常有效）是http://www.amazon.com/Random-Data-Measurement-Procedures-Probability/dp/0470248777/ref=sr_1_1?s=books&ie=UTF8&qid=1323737134&sr= 1-1。这是带有信息的g，因此阅读速度很慢。
#5 楼
我已阅读Van Den Bos, Adriaan: "Parameter Estimation for Scientists and Engineers"
它解释了参数估计（最大似然，最小二乘），估计器的属性（精度，准确性）以及如何估计这些属性。
这本书包含一些用于估算的数值方法的说明。