第一章 概率基础 1
1.1 概率空间(Q，F，P) 1
1.2 可测函数的收敛性 7
1.3 条件期望 11
1.4 Markoff过程和它的生成算子 15
1.5 鞅(martingale) 18
第二章 由递推方程定义的随机过程 26
2.1 由随机递推方程定义的过程 26
2.2 样本函数离开区域G的条件 34
2.3 样本函数的收敛性 45
2.4 在模式识别中的应用 57
3.1 Robbing-Monro(RM)*算法 62
第三章 具有不相关噪声的随机逼近算法 62
3.2 Kiefer-Wolfowitz(KW)算法 79
3.3 极值点不唯一时的随机逼近算法 88
3.4 修正的随机逼近算法 108
第四章 具有相关噪声的随机逼近算法 115
4.1 相关噪声 115
4.2 随机逼近算法与常微分方程解的关系 132
4.3 修正的随机逼近算法 149
第五章 线性随机逼近算法及其应用 167
5.1 线性随机逼近算法 167
5.2 波束形成器 190
5.3 递推最小二乘估计 201
参考文献 212