5-1维纳滤波与卡尔曼滤波---FIR滤波器资料.pptVIP

§6.2.3 基于维纳滤波器的噪声抑制 例4. 噪声抑制。观测信号x(n)= d(n)+v1(n), 假定d(n)是一个正弦序列d(n)=sin(n?0+?), ?0=0.05?, 噪声序列v1(n)和v2(n)都是AR(1)过程, 分别由一阶差分方程: v1(n)=0.8v1(n?1)+g(n)和v2(n)=-0.6v2(n?1)+g(n)产生,式中g(n)是零均值、单位方差的白噪声,与d(n)不相关。试估计d(n)。 §6.2.3 基于维纳滤波器的噪声抑制 解: 可画出观测信号x(n)= d(n)+v1(n)和v2(n)的200个采样值, 如图(a), (b) , 参考信号v2(n)将用于估计v1(n)。 §6.2.3 基于维纳滤波器的噪声抑制 例4. 噪声抑制。观测信号x(n)= d(n)+v1(n), 假定d(n)是一个正弦序列d(n)=sin(n?0+?), ?0=0.05?, 噪声序列v1(n)和v2(n)都是AR(1)过程, 分别由一阶差分方程: v1(n)=0.8v1(n?1)+g(n)和v2(n)=-0.6v2(n?1)+g(n)产生,式中g(n)是零均值、单位方差的白噪声,与d(n)不相关。试估计d(n)。 解: 实际中v2(n)的产生模型是未知的, 因此其自相关序列应该用其采样观测值进行估计: 互相关 也由采样值估计: §6.2.3 基于维纳滤波器的噪声抑制 例4. 噪声抑制。观测信号x(n)= d(n)+v1(n), 假定d(n)是一个正弦序列d(n)=sin(n?0+?), ?0=0.05?, 噪声序列v1(n)和v2(n)都是AR(1)过程, 分别由一阶差分方程: v1(n)=0.8v1(n?1)+g(n)和v2(n)=-0.6v2(n?1)+g(n)产生,式中g(n)是零均值、单位方差的白噪声,与d(n)不相关。试估计d(n)。 解: 分别取FIR Wiener滤波器阶数p=6和p=12, 则将 和 代入式 可解得滤波器系数w, v2(n)经滤波后可估计出v1(n), 将x(n)减去估计出的 即得d(n)的估计, 如图(c)和(d)。 若d(n)和v1(n)是非平稳的, 应采用自适应维纳滤波器。 §6.2.3 基于维纳滤波器的噪声抑制 p=6 p=12 第六章 FIR维纳滤波器 应用练习-滤波 例3. 一个平衡随机信号的自相关序列为： （1）设计该信号的一阶、二阶最优前向一步预测器。 （2）计算三阶前向预测误差滤波器的系统及预测误差。 小 结 ? 本课研究如何从噪声观测中最优地估计源信号的滤波器设计问题。 Thank you! 前一章简要介绍离散时间信号处理的一些基本内容和重要概念，主要包括离散时间信号的表示、变换和滤波等，如离散信号的z变换、离散时间傅里叶变换、数字滤波器、离散傅里叶变换等。 * 简要介绍离散随机信号处理的一些基本内容和重要概念，主要包括离散随机过程的描述、宽平稳随机通过滤波器、宽平稳随机过程的谱因子分解，其他类型的正交变换和参数估计等。 * 简要介绍离散随机信号处理的一些基本内容和重要概念，主要包括离散随机过程的描述、宽平稳随机通过滤波器、宽平稳随机过程的谱因子分解，其他类型的正交变换和参数估计等。 * * 卡尔曼滤波器 维纳滤波器虽然解决了最小估值方差的最佳线性滤波的问题，但是其前提条件是输入过程是平稳的，并且是在频域范围内解决的。卡尔曼滤波器可以说是维纳滤波器的推广，它不仅可以用于平稳过程，而且同样适用于非平稳过程；不仅可以用来研究线性过滤问题，而且也能用于非线性控制，甚至用于多输入-多输出系统。它的基本特点是在时域内分析，并且应用状态空间的分析方法，因此卡尔曼滤波理论的应用非常广泛，尤其在中发挥了极大的作用。这里我们仅从实现最小估值方差的角度来研究卡尔曼滤波器的最佳线性滤波问题。 现在我们将从实现最小估值方差的积分方程式开始，将它推广到矢量空间。 * 通过对与过程d(n)统计相关的一组观测信号x(n)进行滤波而获得d(n)的最小均方估计。 * 通过对与过程d(n)统计相关的一组观测信号x(n)进行滤波而获得d(n)的最小均方估计。 * 通过对与过程d(n)统计相关的一组观测信号x(n)进行滤波而获得d(n)的最小均方估计。 * 通过对与过程d(n)统计相关的一组观测信号x(n)进行滤波而获得d(n)的最小均方估计。 * * 第六章 FIR维纳滤波器 应用练习-滤波 例1.在测试某正弦信号 的过程中，叠加有零均值单位方差白噪声v(n)，即测试结果为 ，试设计一个二阶的