维纳滤波基本概念
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
Wiener滤波概述
Wiener滤波器是从统计意义上的最优滤波, 它要求输入信号是宽平稳随机序列, 本章主要集中在FIR结构的Wiener滤波器的讨论。
由信号当前值与它的各阶延迟
)}
1
(
,
),1
(
),
(
{+
-
-M
n
x
n
x
n
xΛ
,估计一个期望信号
)
(n
d,输入信号)
(n
x
是
宽平稳的,
)
(n
x
和
)
(n
d是联合宽平稳的, 要求这个估计的均方误差最小。
在本章中,不特别说明, 假设信号是零均值.
Wiener滤波器的几个实际应用实例如下:①通信的信道均衡器。
图1. 信道均衡器的结构示意②系统辨识:
图2. 线性系统辨识的结构
③一般结构:
图3. Wiener 滤波器的一般结构
Wiener 滤波器的目的是求最优滤波器系数o w ,使
⎥⎦⎤⎢⎣⎡-==22
)(ˆ)(]|)([|)(n d n d E n e E n J 最小。 §3.1 从估计理论观点导出Wiener 滤波
FIR 结构(也称为横向)的Wiener 滤波器的核心结构如图4所示.
图4. 横向Wiener 滤波器
FIR 结构的Wiener 是一个线性Beyesian 估计问题.
为了与第2讲中估计理论一致,假设信号,滤波器权值均为实数
由输入)(n x 和它的1至(M-1)阶延迟,估计期望信号)(n d ,确定权系数}1,0,{-=M i w i Λ使估计误差均方值
最小,均方误差定义为:
这里估计)(ˆn d 写为:∑-=-=1
0)()(ˆM k k k n x w n d
除了现在是波形估计外,与线性Bayesian 估计一一对应。
xx R R (零均值假设)
这里)])()([)((n d k n x E k r xd -=-, Wiener 滤波与线性Bayesian 估计变量之间具有一一对应关系, 设最优滤波器系数
为0w ,由线性Bayesian 估计得到Wiener 滤波器系数对应式:
上式后一个方程称为Wiener-Hopf 方程,
或 xd x xx r R R R 101
--=⇒=w θa
结论:
1) Wiener 滤波器是线性FIR 滤波器中的最优滤波器,但非线性滤波可能会达到更好结果。
2) 在联合高斯条件下,Wiener 滤波也是总体最优的(①从Bayesian 估计意义上讲是这样,②要满足平稳条件)
3) 从线性贝叶斯估计推导过程知,在滤波器系数取非最优的w 时,其误差性能表示:
它是w 的二次曲面,只有一个最小点,0w w =时,m in )(J w J =
§3.2维纳滤波:从正交原理和线性滤波观点分析Wiener 滤波器
Wiener 滤波器是一个最优线性滤波器,滤波器核是IIR 或FIR 的。
导出最优滤波器的正交原理, 并从正交原理出发重新导出一般的Wiener 滤波器方程
推导适应于IIR 和FIR 的一般结论,然后分别讨论FIR 和IIR 。
讨论一般的复数形式。
·
Λ
Λ],
[
,
],
0[n
x
x
输入过程。
·
Λ,
,
,2
1
w
w
w
滤波器系数,(权系数)
·希望的响应d[n]
·输出误差:
]
[
]
[
]
[n
y
n
d
n
e-
=
·正交性原理
对复数据情况,推导一般结论,实数据是特例。
∑∞=-
=
0*) (
]
[
k
k
k
n
x
w
n
y]
[
]
[
]
[n
y
n
d
n
e-
=
=
∑∞
=
-
-
*)
(
]
[
k
k
k
n
x
w
n
d
均方误差是:
{}][*][n
e
n
e
E
J={}2|][|n e E=
设权系数: k k k jb a w +=
定义递度算子
T k ],,[10ΛΛ∇∇∇=∇. 其中k k k k b j a w ∂∂+∂∂=∂∂=∇ 符号J ∇是递度算子作用于J ,其中第k 项为:k k k b J j a J J ∂∂+∂∂=∇
要求Λ,,10w w 的值, 使得J 最小,即 0=∇J
等价:0=∇J k Λ2,1,0=k
由]}[*][{n e n e E J =