数字信号处理第2章分解.ppt

观测数据与期望的输出的互相关函数rxyd k 和互谱密度Sxyd z 分别为 （2.4.6） （2.4.7） 这样，非因果维纳预测器的最佳解为 （2.4.8） 因果维纳预测器的最佳解为 （2.4.9） 维纳预测的最小均方误差为 从上面分析可以看出， 维纳预测的求解和维纳滤波器的求解方法是一致的。 2.4.2 纯预测 假设x n s n +v n ，式中v n 是噪声，且v n 0，期望信号为s n+N , N＞0，此种情况称为纯预测。  假定维纳预测器是因果的，仍设s n 与v n 不相关，纯预测情况下的输入信号的功率谱及维纳预测器的最佳解分别为 （2.4.11） （2.4.12） 纯预测器的最小均方误差为 （2.4.13） 应用复卷积定理 （2.4.14） 取y n x n （2.4.15） 将上式代入 2.4.13 式, 并考虑到b n 是因果系统，得到 可以看到，随着N增加，E［|e n+N |2］min也增加。这一点也容易理解，当预测的距离越远，预测的效果越差，偏差越大，因而E［|e n+N |2］min越大。 例2.4.1 已知 其中-1＜a＜1， 求: 1 最小均方误差下的s n+N ；  2 E［|e n+N |2］min。 ^ 解 首先对Sxx z 进行功率谱分解。因为 所以 其次，求出B z 的Z反变换 然后，应用Z变换的性质，得到 （2.4.17） 图 2.4.1 纯预测维纳滤波器 由Hopt z aN，此时可以把纯预测的维纳滤波器看作是一个线性比例放大器（如图2.4.1所示）。 根据x n 的信号模型 可以写出x n 的时间序列模型所对应的输入输出方程 x n ω n +ax n-1 将信号x n 通过纯预测维纳滤波器，随着时间的递增，可以得到 当N 1时，x n+1 ax n as n  当N 2时，x n+2 ax n+1 a2s n   当N N时，x n+N ax N+n-1 aNs n … （2.4.19） 以上推导结果相当于在n+N时刻，ω n+N 0，即去掉噪声时的结果。设N＞0时，ω n+N 0，则 x n+N ax n+N-1 此时，从统计意义上讲，当N＞0时，白噪声信号ω n+N 对x n 无影响。  这一结论还可以推广，对于任何均值为零的x n ，要估计s n+N 时，只需要考虑B z 的惯性，即可认为ω n+N 0,N＞0， 这样估计出来的结果将有最小均方误差。 终值定理 ^ 表明一个信号的功率谱在单位圆上没有极点与信号均值等于0等价，因此对于功率谱在单位圆上没有极点的信号，要估计s n+N 时，可认为ω n+N 0, N＞0，即仅需要考虑B z 的惯性，这样估计出来的结果将有最小均方误差。 ^ 2.4.3 一步线性预测的时域解 已知x n-1 , x n-2 ，…,x n-p , 预测x n ，假设噪声v n 0，这样的预测称为一步线性预测。设定系统的单位脉冲响应为h n ，根据线性系统的基本理论，输出信号 令apk -h k ，则 （2.4.21） 预测误差 （2.4.22） 其中, ap0 1, （2.4.23） 要使均方误差为最小值，要求 同维纳滤波的推导过程一样, 可以得到 E［e* n x n-l ］ 0 l 1, 2, …, p （2.4.24） 把 2.4.22 式代入 2.4.24 式, 得到 l 1, 2, …, p （2.4.25） 由于预测器的输出 是输入信号的线性组合，参见（2.4.21 式, 得到 （2.4.26） 2.4.24 式说明误差信号与输入信号满足正交性原理， 2.4.26 式说明预测误差与预测的信号值同样满足正交性原理。 预测误差的最小均方值 2.4.27） 将 2.4.25 式和 2.4.27 式联立， 得到下面的方程组： （2.4.28） 将方程组写成矩阵形式 （2.4.29） 这就是有名的Yule-Walker方程，可以看出Yule-Walker方程具有以下特点：  1 除了第一个方程外，其余都是齐次方程; 2 与维纳-霍夫方程相比，不需要知道观测数据x n 与期望信号s n 的互相关函数。 该方程组有p+1个方程，对应地，可以确定apk,k 1, 2, …, p和E［e2 n ］min，共计p+1个未知数，因此可用来求解AR模型参数。这就是后面要介绍的AR模型法进行功率谱估计的原理，它再一次揭示了时间序列信号模型、功率谱和自相关函数描述一个随机信号的等价性。 例2.4.2 已知 x n 为AR模型，求AR模型参数