维纳滤波器和卡尔曼滤波器
合集下载
相关主题
- 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)。
一种最佳线性滤波器，当信号和干扰以及随机噪声同时 输入该滤波器时，在输出端能将信号尽可能精确地 表现出来。维纳滤波和卡尔曼滤波就是用来解决这 样一类问题的方法：从噪声中提取出有用的信号。 实际上，这种线性滤波方法也被看成是一种估计问 题或者线性预测问题。
可编辑ppt
2
设有一个线性系统，它的单位脉冲响应是，当输入一 个观测到的随机信号，简称观测值，且该信号包含噪 声和有用信号，简称信号，也即
用相关函数R来表达上式，则得到维纳－ 霍夫方程的离散形式：
(7-8)
Rxs ( j) hopt (m)Rxx ( j m) m0
j0
从维纳－霍夫方程中解出的h就是最小均方误 差下的最佳h，即 hopt (n)
求到 hopt (n) ，这时的均方误差为最小：
E
e2 (n)
m in
E(s(n)
可编辑ppt
8
第一节 维纳滤波器的时域解 （Time domain solution of the Wiener filter）
▪ 设计维纳滤波器的过程就是寻求在最小均方误差下 滤波器的单位脉冲响应或传递函数的表达式，其实 质就是解维纳－霍夫（Wiener－Hopf）方程。我们 从时域入手求最小均方误差下的，用表示最佳线性 滤波器。这里只讨论因果可实现滤波器的设计。
可编辑ppt
9
h(n) 0,当n 0
一、因果维纳滤波器
▪ 设是物理可实现的，也即是因果序列：
h(n) 0,当n 0
▪ 因此，从式(7-1)、 (7-2)、(7-3)、(7-4)推导：
y(n) sˆ(n) h(m)x(n m) (7-5) m0
可编辑ppt
10
E e2 (n)
▪ x(n) s(n) w(n)
(7-1)
则输出 y(n) 为
y(n) x(n) h(n) h(m)x(n m) (7-2) m
可编辑ppt
3
▪ 我们希望输出得到的与有用信号尽量接近， 因此称为的估计值，用来表示，我们就有了 维纳滤波器的系统框图，如图7-1。这个系统 的单位脉冲响应也称为对于的一种估计器。
m0
m0
r 0
由式（7-9）进一步化简得：
E[e2 (n)]min Rss (0) hopt (m)Rxs (m) m0
(7-10)
可编辑ppt
13
二、有限脉冲响应法求解维纳－霍夫方程
x(n) s(n) w(n)
h(n)
y(n) sˆ(n)
图7-1 维纳滤波器的输入输 出关系
可编辑ppt
4
▪ 如果该系统是因果系统，式(7-2)的m＝0，1， 2，…，则输出的可以看成是由当前时刻的观 测值和过去时刻的观测值、、…的估计值。 用当前的和过去的观测值来估计当前的信号
称为滤波；用过去的观测值来估计当前的或 将来的信号，N，称为预测；用过去的观测 值来估计过去的信号，N，称为平滑或者内 插。本章将讨论滤波和预测问题。
可编辑ppt
5
ຫໍສະໝຸດ Baidu 从图7-1的系统框图中估计到的信号和我们期望得到 的有用信号可能不完全相同，这里用来表示真值和估 计值之间的误差
e(n) s(n) sˆ(n)
(7-3)
可编辑ppt
6
显然是随机变量，维纳滤波和卡尔曼滤波的误差准则 就是最小均方误差准则：
E e2 (n) E (s(n) sˆ(n)) 2 (7-4)
可编辑ppt
1
▪ 干扰可以是确定信号，如国内的50Hz工频干扰。干扰也可 以是噪声，纯随机信号（白噪声）加上一个直流成分（确定 性信号），就成了最简单的混合随机信号。医学数字信号处 理的目的是要提取包含在随机信号中的确定成分，并探求它 与生理、病理过程的关系，为医学决策提供一定的依据。例 如从自发脑电中提取诱发脑电信号，就是把自发脑电看成是 干扰信号，从中提取出需要的信息成分。因此我们需要寻找
可编辑ppt
7
▪ 维纳滤波和卡尔曼滤波都是解决线性滤波和预测问 题的方法，并且都是以均方误差最小为准则的，在 平稳条件下两者的稳态结果是一致的。但是它们解 决问题的方法有很大区别。维纳滤波是根据全部过 去观测值和当前观测值来估计信号的当前值，因此 它的解形式是系统的传递函数或单位脉冲响应；卡 尔曼滤波是用当前一个估计值和最近一个观测值来 估计信号的当前值，它的解形式是状态变量值。维 纳滤波只适用于平稳随机过程，卡尔曼滤波就没有 这个限制。设计维纳滤波器要求已知信号与噪声的 相关函数，设计卡尔曼滤波器要求已知状态方程和 量测方程，当然两者之间也有联系。
hopt
(m)x(n
m))
2
m0
可编辑ppt
12
E[s 2 (n) 2s(n) h(m)x(n m)
hopt (m)x(n m)hopt (r)x(n r)]
m0
m0 r0
Rss (0) 2 hopt (m)Rxs (m) hopt (m) hopt (r)Rxx (m r)
E
(s(n)
m0
h(m)
x(n
m))
2
(7-6)
▪ 要使得均方误差最小，则将上式对各，m＝0， 1，…，求偏导，并且令其等于零，得：
2E(s(n) hopt (m)x(n m))x(n j) 0
j 0,1,2
(7-7)
m0
可编辑ppt
11
即 Es(n)x(n j) hopt (m)Ex(n m)x(n j) j 0 m0
第七章 维纳滤波和卡尔曼滤 （Wiener and Kalman Filtering）
▪ 随机信号或随机过程(random process)是普遍存在 的。一方面，任何确定性信号经过测量后往往就会 引入随机性误差而使该信号随机化；另一方面，任 何信号本身都存在随机干扰，通常把对信号或系统 功能起干扰作用的随机信号称之为噪声。噪声按功 率谱密度划分可以分为白噪声（white noise）和色 噪声（color noise），我们把均值为0的白噪声叫 纯随机信号（pure random signal）。因此，任何 其它随机信号都可看成是纯随机信号与确定性信号 并存的混合随机信号或简称为随机信号。要区别干 扰（interference）和噪声( noise)两种事实和两个 概念。非目标信号（nonobjective signal）都可叫 干扰。
可编辑ppt
2
设有一个线性系统，它的单位脉冲响应是，当输入一 个观测到的随机信号，简称观测值，且该信号包含噪 声和有用信号，简称信号，也即
用相关函数R来表达上式，则得到维纳－ 霍夫方程的离散形式：
(7-8)
Rxs ( j) hopt (m)Rxx ( j m) m0
j0
从维纳－霍夫方程中解出的h就是最小均方误 差下的最佳h，即 hopt (n)
求到 hopt (n) ，这时的均方误差为最小：
E
e2 (n)
m in
E(s(n)
可编辑ppt
8
第一节 维纳滤波器的时域解 （Time domain solution of the Wiener filter）
▪ 设计维纳滤波器的过程就是寻求在最小均方误差下 滤波器的单位脉冲响应或传递函数的表达式，其实 质就是解维纳－霍夫（Wiener－Hopf）方程。我们 从时域入手求最小均方误差下的，用表示最佳线性 滤波器。这里只讨论因果可实现滤波器的设计。
可编辑ppt
9
h(n) 0,当n 0
一、因果维纳滤波器
▪ 设是物理可实现的，也即是因果序列：
h(n) 0,当n 0
▪ 因此，从式(7-1)、 (7-2)、(7-3)、(7-4)推导：
y(n) sˆ(n) h(m)x(n m) (7-5) m0
可编辑ppt
10
E e2 (n)
▪ x(n) s(n) w(n)
(7-1)
则输出 y(n) 为
y(n) x(n) h(n) h(m)x(n m) (7-2) m
可编辑ppt
3
▪ 我们希望输出得到的与有用信号尽量接近， 因此称为的估计值，用来表示，我们就有了 维纳滤波器的系统框图，如图7-1。这个系统 的单位脉冲响应也称为对于的一种估计器。
m0
m0
r 0
由式（7-9）进一步化简得：
E[e2 (n)]min Rss (0) hopt (m)Rxs (m) m0
(7-10)
可编辑ppt
13
二、有限脉冲响应法求解维纳－霍夫方程
x(n) s(n) w(n)
h(n)
y(n) sˆ(n)
图7-1 维纳滤波器的输入输 出关系
可编辑ppt
4
▪ 如果该系统是因果系统，式(7-2)的m＝0，1， 2，…，则输出的可以看成是由当前时刻的观 测值和过去时刻的观测值、、…的估计值。 用当前的和过去的观测值来估计当前的信号
称为滤波；用过去的观测值来估计当前的或 将来的信号，N，称为预测；用过去的观测 值来估计过去的信号，N，称为平滑或者内 插。本章将讨论滤波和预测问题。
可编辑ppt
5
ຫໍສະໝຸດ Baidu 从图7-1的系统框图中估计到的信号和我们期望得到 的有用信号可能不完全相同，这里用来表示真值和估 计值之间的误差
e(n) s(n) sˆ(n)
(7-3)
可编辑ppt
6
显然是随机变量，维纳滤波和卡尔曼滤波的误差准则 就是最小均方误差准则：
E e2 (n) E (s(n) sˆ(n)) 2 (7-4)
可编辑ppt
1
▪ 干扰可以是确定信号，如国内的50Hz工频干扰。干扰也可 以是噪声，纯随机信号（白噪声）加上一个直流成分（确定 性信号），就成了最简单的混合随机信号。医学数字信号处 理的目的是要提取包含在随机信号中的确定成分，并探求它 与生理、病理过程的关系，为医学决策提供一定的依据。例 如从自发脑电中提取诱发脑电信号，就是把自发脑电看成是 干扰信号，从中提取出需要的信息成分。因此我们需要寻找
可编辑ppt
7
▪ 维纳滤波和卡尔曼滤波都是解决线性滤波和预测问 题的方法，并且都是以均方误差最小为准则的，在 平稳条件下两者的稳态结果是一致的。但是它们解 决问题的方法有很大区别。维纳滤波是根据全部过 去观测值和当前观测值来估计信号的当前值，因此 它的解形式是系统的传递函数或单位脉冲响应；卡 尔曼滤波是用当前一个估计值和最近一个观测值来 估计信号的当前值，它的解形式是状态变量值。维 纳滤波只适用于平稳随机过程，卡尔曼滤波就没有 这个限制。设计维纳滤波器要求已知信号与噪声的 相关函数，设计卡尔曼滤波器要求已知状态方程和 量测方程，当然两者之间也有联系。
hopt
(m)x(n
m))
2
m0
可编辑ppt
12
E[s 2 (n) 2s(n) h(m)x(n m)
hopt (m)x(n m)hopt (r)x(n r)]
m0
m0 r0
Rss (0) 2 hopt (m)Rxs (m) hopt (m) hopt (r)Rxx (m r)
E
(s(n)
m0
h(m)
x(n
m))
2
(7-6)
▪ 要使得均方误差最小，则将上式对各，m＝0， 1，…，求偏导，并且令其等于零，得：
2E(s(n) hopt (m)x(n m))x(n j) 0
j 0,1,2
(7-7)
m0
可编辑ppt
11
即 Es(n)x(n j) hopt (m)Ex(n m)x(n j) j 0 m0
第七章 维纳滤波和卡尔曼滤 （Wiener and Kalman Filtering）
▪ 随机信号或随机过程(random process)是普遍存在 的。一方面，任何确定性信号经过测量后往往就会 引入随机性误差而使该信号随机化；另一方面，任 何信号本身都存在随机干扰，通常把对信号或系统 功能起干扰作用的随机信号称之为噪声。噪声按功 率谱密度划分可以分为白噪声（white noise）和色 噪声（color noise），我们把均值为0的白噪声叫 纯随机信号（pure random signal）。因此，任何 其它随机信号都可看成是纯随机信号与确定性信号 并存的混合随机信号或简称为随机信号。要区别干 扰（interference）和噪声( noise)两种事实和两个 概念。非目标信号（nonobjective signal）都可叫 干扰。