维纳滤波基本概念：.doc

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，估计一个期望信号，输入信号是宽平稳的，和是联合宽平稳的, 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，使 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 由输入和它的1至（M-1）阶延迟，估计期望信号，确定权系数使估计误差均方值最小，均方误差定义为： 这里估计写为： 除了现在是波形估计外，与线性Bayesian估计一一对应。 R（零均值假设） 这里, 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，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 结论： 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。 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） 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，时， §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。 · 输入过程。 · 滤波器系数，（权系数） ·希望的响应 d[n] ·输出误差： ·正交性原理 对复数据情况，推导一般结论，实数据是特例。 = 均方误差是： 设权系数: 定义递度算子 . 其中 符号是递度算子作用于J，其中第k项为： 要求的值, 使得J最小,即 等价： 由 得： 由 得到： 代入表达式整理得： 当 时，J达到最小。 设J达最小时，用表示权系数和误差e[n]，且 则有：， 以上为正交性原理，达到最优滤波时，误差和输入正交。 推论： ·维纳－霍夫方程（Wiener-Hopf） 由正交性原理得 定义： 有 这就是Wiener-Hopf方程，解此方程，可得到最优权。 对于M阶FIR滤波器，（横向滤波器）Wiener-Hopf方程变为： ， ·矩阵形式： 令 和 Winer-Hopf方程： 这里 解方程求得： ·最小均方误差： 在达最优时，也写成，表示由张成的空间对d[n]的估计（最优线性估计）。 也可以写成： 由和正交性得： 即： 由 得 则 ·误差性能表面 由 直接代入 整理得： 由上式，可以看出，J是Wk的二次曲面，是碗状曲面，碗口向上，Jmin在碗底，其实，由上式直接对wk求导，得到一组方程，正是wiener-Hopf方程。 矩阵形式 在时，达最小， 性能表面可以写成： 由于 故 令 通过坐标变换，得到如上规范形式，对于一个给定, 有： 这是超橢圆，为其一个轴。 数值例子1： 有一信号，它的自相关序列为，被一白噪声所污染，噪声方差为，被污染信号作为Wiener滤波器的输入，求2阶FIR滤波器使输出信号是的尽可能的恢复。 解：本题中，， 。 由于只需要2阶滤波器设计，因此 ＝ ＃ 数值例子2： ①希望响应是一个AR(1)过程，，是白噪声，, 由白噪声驱动的产生该过程的传输函数为: ②经过了一个通信信通，信道的传输函数为，并加入了白噪声即： 通道模型如图5所示: 图5. 通道模型 ③求解：一个二阶FIR结构Wiener滤波器，目的是由x[n]尽可能恢复d[n] 解： ①是一个过程， ②在中,是一个二阶过程,相当于 由二阶参数，确定, 由Yule-walker方程： 反解.得 由上确定s[