时域离散随机信号处理第3章.ppt

2 前向线性预测滤波器fM n  设定前向线性预测滤波器的权向量fM n ［f1 n , f2 n , …, fM n ］T，输入信号为x n ［x n-1 , x n-2 , …, x n-M ］T,通过前向线性预测滤波器fM n 的输出为 ,n时刻的前向预测误差向量为ef n|n ［ef 1|n , ef 2|n , …,ef n|n ］T，根据3.4.4节的分析结果，得到在最小二乘的意义下，fM n 的最佳解和最佳估计向量 分别为 3.4.108 3.4.109 其中 3.4.110 3.4.111 最佳预测误差向量ef［n|n］和n时刻的最佳预测误差ef n|n : ? 3.4.112 3.4.113 根据前向线性预测滤波器的输入输出关系，n时刻的前向线性预测误差ef n|n 也可以写成 3.4.114 这里 前向预测误差能量 3.4.115 3 后向线性预测滤波器bM n  设定后向线性预测滤波器的权向量bM n ［b1 n , b2 n , …, bM n ］T，输入信号为x n-M ［x n-1 , x n-2 , …, x n-M ］T， 通过后向线性预测滤波器bM n 的输出为 ，eb n|n 表示根据n时刻的后向线性预测滤波器的权向量bM n 估计所测得的误差向量，且eb n|n ［eb 1|n , eb 2|n , …,eb n|n ］T。eb n|n-1 表示根据n-1时刻的后向线性预测滤波器的权向量bM n-1 估计所得的误差向量，那么 3.4.116a 3.4.116b 同理，推导得到在最小二乘意义下，bM n 的最佳解和最佳估计 分别为 3.4.117 3.4.118 其中 3.4.119 最佳预测误差向量eb n|n , eb n|n-1 和n时刻的最佳预测误差eb n|n 为 后向预测误差能量为 3.4.122 4 增益滤波器gM n  增益滤波器，更确切地讲是关于角参量的滤波器，当时间从n-1变为n时，数据矩阵所张成的空间发生了变化，这个变化的实质是空间的角度发生了变化，转角的大小可以用该空间的投影矩阵的变化来描述，如图 3.4.9 所示。图中所示的数据空间为一维的情况，即x n x n 。 计算π n 在x n 上的投影。设定投影算子为Px n ，投影所得为Px n π n 。因为投影在x n 上，所以可写成g n x n ，g n 表示增益系数， 即 x n g n Px n π n 3.4.123 图 3.4.9 单一系数情况下最佳LS增益滤波器的构造 推广到M维情况，用gM n 表示增益向量，可以得到 3.4.124 在 3.4.121 式两边同时左乘 3.4.125 在n-1时刻，得到 3.4.126 下面证明 证明 将 3.4.58 式代入横向滤波算子的展开式中 将内积逆的计算，放入矩阵当中 其中， 为π n 对x n 的正交投影。图 3.4.5 画出了子空间 x n , π n ，图中i,j是该子空间的正交单位矢量。 这里θ为矢量x 2 和x 3 之间的夹角，可以看出 计算得到 3.4.67 当子空间｛U n-1 ｝变成子空间｛U n ｝时，子空间转了一个角度θ，角参量γU n 就是这个角度大小的度量，也是γU n 的名称的含义。令 则 θ为子空间 X0,M-1 n-1 变成 X0,M-1 n 时的转角。并且，将 展开，利用 3.4.58 式，可以证明 3.4.68 图 3.4.5 子空间中最小二乘参量的角度关系 3.4.4 最小二乘格型算法 LSL 1. 用向量空间法描述前后向线性预测滤波器 已知n个数据组成输入向量x n ［x 1 , x 2 , …, x n ］T， 送入M个权的前向预测滤波器，其权向量为  ，前向预测估计为 ， 如图 3.4.6 所示。 由线性系统的基本理论 3.4.69 图 3.4.6 LS前向线性预测滤波器 应用 3.4.17 式，得到在最小二乘意义下的 的最佳解和最佳前向预测向量 ， 即 3.4.70 用P1,M n 表示输入数据矩阵张成的空间｛X1,M n ｝的投影矩阵， 3.4.71 最佳估计可以表示为 3.4.72 n时刻的前向预测误差向量  和前向预测误差eMf n 分别为 3.4.73 3.4.74 同理，当n个数据组成的输入向量x n ［x 1 , x 2 , …, x n ］T， 在前加窗法的约定下，送入M个权的后向预测滤波器，设定该滤波器权向量为 ，如图