混合中值线性FIR滤波器研讨.ppt

XXXXX 2015.6.10 7.5 混合中值/线性 有限冲激响应滤波 Ll 和Ljl滤波的不足 Ll 和Ljl滤波利用了数据的排序特性和时序特性，但是有以下两点不足： 1、Ll 和Ljl滤波需要大量的滤波权重 2、Ll 和Ljl滤波的复杂度会随着观察窗尺寸N和参数j的变大而迅速 增加，这限制了实际滤波中所能实现的最小样本尺寸。 在考虑数据排序特性和时序特性的前提下，我们讨论其他滤波的实现方法。 Median and FIR Affinity Trimming 这种方法结合了线性FIR滤波和L滤波的属性，通过更改截尾样本利用了数据的排序特性和时序特性。 当离群值不存在时，截尾均值的效率会大大降低。为此，Lee 和 Kassam在1985年引入了修正截尾均值（MTM）的概念，其基本思想是先将与样本中值相差较大的样本舍弃，然后再取平均。 MTM位置估计： (7.73) 其中 这里的q是一个决定截尾程度的自定义参数。 和截尾均值一样，修正截尾均值是稳定估计，其可以用作相继平滑器。 (7.73)式有多种变形，双窗修正截尾均值（DW MTM）是其中的一种， 其采用两个有重叠的平滑窗。在这种情况下，最小平滑窗内的样本中值 被当作参考点。 (7.74) 另外一类(7.73)式形式的平滑器不采用样本中值，而选用平滑窗内的中间样本作为截尾参考点。 K最近邻平滑和sigma平滑就采用了上述截尾结构，它们的系数αi： 其中，Xc 是观察窗内的中间样本，q是一个决定截尾程度的自定义参数。 这种结构能够很好地保留细节信息，但是对离群值和冲击噪声非常脆弱。 在有了修正截尾均值和K最近邻估计的概念之后，我们可以很自然地拓展出这种样本既被截尾平均又被时间加权的滤波结构。在这种结构中，数据的排序特性和时序特性均得到了利用。 (7.75) Weighted Median Affine Filters Flaig等人在1998年提出Weighted Median Affine Filters的概念，其基本思想是将加权中值作为截尾的参考点，样本依据他们的时间顺序被加权平均。 定义7.6 在一个观测窗中给出含有N个观测值的集合{X1 , X2 ,. . ., Xn }，含有N个实值相似度权重的集合{C1 , C2 , . . . , Cn}，含有N个滤波权重的集合{W1 , W2 , . . . , Wn}，定义截尾参考值μ(n)为加权中值： (7.76) 归一化的WM affine FIR filter被定义为： (7.77) 这里K(n)是归一化常数 函数g(.)衡量了第i个观测样本与加权中值μ(n)的相似度，其分布参数γ是自定义的。 在(7.77)式的滤波结构中，每个观测量都被双重加权：第一，根据其可靠性，通过g(.)加权；第二，根据其自然顺序，通过Wis加权。 WM affine estimates是基于可靠而有效的观测值的，考虑到它们的自然顺序，这些观测值是可靠而有效的。那些不符合上述标准的观测值，对估计结果产生的影响很小。 图7.7 相似度函数与样本Xi的位置以及分布 参数μ(n)、γ(n)的关系 相似度函数可以有多种形式，其中指数距离是常用的一种： (7.78) 相似度函数衡量了样本偏离参考值μ(n)的程度。在不引起歧义的情况下，WM affine FIR filters简称为WM affine filters。 注意，总权重会随着观测值的变化而变化。因此，需要归一化常数K(n)保证位置估计或低通滤波的无偏性。 相似度函数为滤波提供了灵活性。大的γ值强调了滤波的线性性质，而小的γ值强调其顺序统计特性。 值得注意的是两种极限情况： 1、当γ趋于无穷时，相似度函数在整个区间内是常数，所有观测值仅 依据其自然顺序加权，WM affine estimate退化为归一化的线性FIR 滤波。 2、当γ趋于0时，相似度函数是μ(n)处的δ脉冲，因此，权重Wi被舍弃 并且估计值等于加权中值μ(n)，这样： (7.79) (7.80) 若假设参考值等于样本中值，WM affine filter具有一个特别简单的形式，其有效性已经在MTM滤波得到了证明。此时，这个估计被称为median affine filter。 图7.8 median affine filter的结构 中值化的线性FIR滤波 为了应用median affine filter，我们需要设计程序确定分布参数γ和权重值Ci 、Wi。 文献