维纳滤波的使用说课.ppt

本章内容： 5.1 维纳滤波器的时域解 5.2 维纳预测器 5.3 维纳滤波器的应用 维纳： 开创维纳信息论 他从带直流电流或者至少可看作直流电流的电路出发来研究信息论，将统计方法引入通讯工程，奠定了信息论的理论基础。 创立控制论 1947年10月，维纳写出了划时代的著作《控制论》，1948年出版后，立即风行世界。它揭示了机器中的通信和控制机能与人的神经、感觉机能的共同规律；为现代科学技术研究提供了崭新的科学方法。 引言 在前面章节中已经介绍了噪声中确定性信号的检测和估计； 随机性是生物医学信号的特点之一，因此，讨论噪声中随机信号的估计具有现实意义。维纳滤波器正是解决该问题 。 维纳滤波器的限制：要求被估计的随机信号是平稳的。 基础知识点回顾 1.卷积运算 2.相关运算 3.信号与系统 5.2 维纳预测器 5.2.1 因果的维纳预测器 5.2.2 纯预测器（N步） 5.2.3 一步线性预测器 下面将介绍时－频平面的维纳滤波（time－frequency plane wiener filtering，简称TFPW）在高分辨心电图（HRECG）中的应用。 因为 　 容易找到最小相位系统和白噪声方差 利用式（5－45） 　 因为　　　　　　　 　 只取　　的部分，有 代入 　　得: 最小均方误差为： 它说明当N越大，误差越大，当N＝0时，没有误差 　　　　 图5.8 例题5-3的纯预测模型 y(n)= = x(n)=s(n) 对于纯预测问题，有 　 　 然而预测的问题常常是要求在过去的p个观测值的基础上来预测当前值，也就是 　 　 这就是一步线性预测公式 一步线性预测公式，常常用下列符合表示 　　　　　　　　　　　 (5-48) 　式中p为阶数，　　　　。预测的均方误差为 　 　　　　　　　　　　　　　 　 (5-49) 要使得均方误差最小，将上式右边对 求偏导并且等于零，得到p个等式： 　　　　　　　　　　　 　　 (5-50) 最小均方误差： 　　　　　　　　　　　　 (5-51) 式（5－50）就是Yule－Walker（Y-W）方程. 例5-5 已知图5.7中，x(n)=s(n),　其中s(n)的自相关序列为 　　　　，试设计一个p＝2的可实现的一步线性预测器，并求最小均方误差。 解： 　　　　　　　　　　 利用Y-W方程 　　　　　　　　　　　　 可以列出2个方程式 解得： 　 结果和例（5-4）N=1时一致 要设计维纳滤波器必须知道观测信号和估计信号之间的相关函数，即先验知识。 如果我们不知道它们之间的相关函数，就必须先对它们的统计特性做估计，然后才能设计出维纳滤波器，这样设计出的滤波器被称为“后验维纳滤波器”。 在生物医学信号处理中比较典型的应用就是关于诱发脑电信号的提取。 大脑诱发电位（Evoked Potential，EP）指在外界刺激下，从头皮上记录到的特异电位，它反映了外周感觉神经、感觉通路及中枢神经系统中相关结构在特定刺激情况下的状态反应。在神经学研究以及临床诊断、手术监护中有重要意义。 EP信号十分微弱，一般都淹没在自发脑电（EEG）之中，从EEG背景中提取诱发电位一直是个难题：EP的幅度比自发脑电低一个数量级，无法从一次观察中直接得到；EP的频谱与自发脑电频谱完全重迭，使得频率滤波失效；在统计上EP是非平稳的、时变的脑诱发电位。 通过多次刺激得到的脑电信号进行叠加来提取EP，这是现今最为广泛使用的EP提取方法 为了解决诱发电位提取问题，研究者利用维纳滤波来提高信噪比，先后有Walter、Doyle、Weerd等对维纳滤波方法进行了改进，如时变维纳滤波。 在频域应用后验维纳滤波的核心就是由各次观察信号中分解出EP信号的谱估计和噪声的谱估计，通过设计出的滤波器来提高信噪比,从而来提取出诱发电位。 下面用实际例子说明如何用维纳滤波方法进行诱发电位的提取。（见参考文献） 设一共有N次观测样本： 　　 　 其中s(t)是周期确定的心电信号； 　是第i次记录时的噪声，包括肌电、测量仪器噪声等，假设每次记录的噪声之间互不相关；　　是观测信号；信号和噪声相互独立。 　 对每次观测用