Digital Signal Processing and Spectral Analysis for Scientists: Concepts and Applications

این کتاب اصول پردازش و تحلیل طیفی سیگنال‌های زمان گسسته تک متغیره را پوشش می‌دهد. این رویکرد عملی است و هدف این است که خواننده را با نشانه ها و اشکالات روش های مختلف آشنا کند و سوء استفاده های احتمالی را برجسته کند. این کتاب سرشار از ایده‌های بدیع است، به روش‌های جدید و روشنگر تجسم شده است، و به گونه‌ای ساختار یافته است که می‌توان بدون از دست دادن تداوم بخش‌ها را نادیده گرفت. مثال‌های زیادی بر اساس داده‌های مصنوعی و اندازه‌گیری‌های واقعی از زمینه‌های فیزیک، زیست‌شناسی، پزشکی، اقتصاد کلان و غیره گنجانده شده‌اند، و مجموعه کاملی از تمرین‌های متلب که نیازی به تجربه قبلی برنامه‌نویسی ندارند، ارائه شده است. برای درک مطالب به مهارت های ریاضی پیشرفته قبلی نیازی نیست: تسلط کافی به تجزیه و تحلیل پایه ریاضی کافی است. در مواردی که ابزارهای ریاضی پیشرفته تری لازم است، در یک پیوست گنجانده شده و به روشی ساده ارائه شده است. با این کتاب، پردازش سیگنال دیجیتال حوزه مهندسی را ترک می‌کند تا به نیازهای دانشمندان و محققان در رشته‌های سنتی کمتر کمی پاسخ دهد، که اکنون با حجم فزاینده‌ای از داده‌ها مواجه است.

This book covers the basics of processing and spectral analysis of monovariate discrete-time signals. The approach is practical, the aim being to acquaint the reader with the indications for and drawbacks of the various methods and to highlight possible misuses. The book is rich in original ideas, visualized in new and illuminating ways, and is structured so that parts can be skipped without loss of continuity. Many examples are included, based on synthetic data and real measurements from the fields of physics, biology, medicine, macroeconomics etc., and a complete set of MATLAB exercises requiring no previous experience of programming is provided. Prior advanced mathematical skills are not needed in order to understand the contents: a good command of basic mathematical analysis is sufficient. Where more advanced mathematical tools are necessary, they are included in an Appendix and presented in an easy-to-follow way. With this book, digital signal processing leaves the domain of engineering to address the needs of scientists and scholars in traditionally less quantitative disciplines, now facing increasing amounts of data.