موضوع این پایان نامه بکارگیری عمدی نمونه برداری غیریکنواخت پریود یک با نرخ متوسط کم جهت افزایش رنج بدون ابهام تخمین طیف سیگنالهای باند باریک است . میدانیم که اگر از یک سیگنال آنالوگ با پریود ثابت بصورت یکنواخت نمونه برداری شود، طیف نمونه های حاصل در میدان فرکانس با پریودی برابر با فرکانس نمونه برداری، متناوب خواهد بود. بنابراین ناحیه بدون ابهام تخمین طیف بین صفر تا فرکانس نمونه برداری است . اما با بکارگیری چند پریود نمونه برداری درآن واحد، که به نمونه برداری غیریکنواخت منجر می شود،قادر خواهیم بود پریود تناوب طیف و در نتیجه ناحیه بدون ابهام تخمین طیف را به میزان قابل توجهی افزایش دهیم. دراین ارتباط ابتدا درفصل اول در قالب یک مثال از رادارهای پالسی روشهائی که درحالت نمونه برداری یکنواخت جهت افزایش رنج بدون ابهام تخمین طیف مطرحند را ملاحظه خواهیم کرد. درفصل دوم نحوه تغییر طیف نمونه ها، دراثراستفاده از چند پریود نمونه برداری را ملاحظه خواهیم کرد. دراین ارتباط دوحالت را درنظر می گیریم، ابتدا درحالتی که زمانهای نمونه برداری معلوم هستند و در تجزیه و تحلیل طیف موردتوجه قرار می گیرد، طیف نمونه ها را بدست می آوریم و سپس بااین فرض که نمونه های سیگنال که درزمانهای غیر یکنواخت گرفته شده اند، توسط یک بافر به نمونه هائی با فواصل زمانی یکسان تبدیل میشوند، رابطه طیف نمونه ها رامحاسبه خواهیم کرد. ونشان خواهیم دادکه بااستفاده از چند پریود نمونه برداری ناحیه بدون ایهام تخمین طیف به چه میزان افزایش می یابد. نهایتا ضعف روشهای تخمین طیفی که برفرض یکنواختی فاصله نمونه ها استوارند را ملاحظه خواهیم کرد. درفصل سوم ضمن مروری بر روشهای تخمین طیف ، نتایج شبیه سازی دوروش تخمین، حداقل واریانس و مدل خود برگشت پذیر را در حالت نمونه برداری غیر یکنواخت ارائه خواهیم کرد دراین ارتباط نقاط ضعف روش حداقل واریانس را ذکر می کنیم و الگوریتمی جهت اجرای بلادرنگ تخمین برای مدل خود برگشت پذیر (ar) ارائه خواهیم کرد. در فصل چهارم نیز نتایج شبیه سازی یک شبکه عصبی جهت تشخیص رنج فرکانسی سیگنالهای سینوسی نمونه برداری شده غیر یکنواخت راارائه می کنیم. دراین ارتباط نحوه انتخاب بردار ویژگی جهت آموزش شبکه و همچنین اثر افزودن نویز به ورودیها جهت افزایش قدرت تعمیم شبکه راخواهیم دید.