现代数字信号处理4齐齐哈尔大学.pptVIP

现代数字信号处理;第四章 维纳滤波和卡尔曼滤（Wiener and Kalman Filtering）;;设有一个线性系统，它的单位脉冲响应是，当输入一个观测到的随机信号，简称观测值，且该信号包含噪声和有用信号，简称信号，也即;;;从图4-1的系统框图中估计到的信号和我们期望得到的有用信号可能不完全相同，这里用来表示真值和估计值之间的误差;显然是随机变量，维纳滤波和卡尔曼滤波的误差准则就是最小均方误差准则：;;第一节 维纳滤波器的时域解（Time domain solution of the Wiener filter）;一、因果维纳滤波器;要使得均方误差最小，则将上式对各，m＝0，1，…，求偏导，并且令其等于零，得：;即;由式（4-9）进一步化简得：;二、有限脉冲响应法求解维纳－霍夫方程; (4-12) ;于是得到N个线性方程：;简化形式：;只要Rxx是非奇异的，就可以求到H：;由式（4-15）进一步化简得：;意到式（4-15）的表现形式和有关AR模型参数估计的矩阵形式类似，因而也可以用L-D快速算法实现求解。 ;则式（4-15）和式（4-19）化为：;，代入式（4-20）得 ;三、预白化法求解维纳－霍夫方程;其中A(z) 表示系统的传递函数。由于x(n) = s (n) + w(n)，在图4-2的基础上给出x(n)的信号模型，图4-3所示。把这两个模型合并最后得到维纳滤波器的信号模型，图4-4所示，其中传递函数用B(z)表示。;白噪声的自相关函数为 ，它的z变换就等于 。图4-2中输出信号的自相关函数为 ，;对式（4-22）进行Z变换得到系统函数和相关函数 的z变换之间的关系：;两边z变换得到;从图4-4可得;将图4-1重新给出，待求的问题就是最小均方误差下的最佳 ，如图4-5(a)所示，为了便于求这个 ，将图7-5(a)的滤波器分解成两个级联的滤波器： 和G（z）， ;有了上述的模型后，白化法求解维纳－霍夫方程步骤如下：;在上述步骤中， 可以通过已知的观测信号的自相关函数来求得，因而求解 的问题就归结为求解G（z）的问题了。由于G（z）的激励源是白噪声，求解变得容易多了，下面我们分析步骤3的求解过程。;由于 ，代入上式，并且进行配方得：;均方误差最小也就是上式的中???一项最小，所以;由式（4-25）上式可以表示为：;利用帕塞伐尔(Parseval)定理，上式可用z域来表示： ;步骤1;步骤3;步骤4;第二节 维纳预测器（Wiener’s Predictor）;一、因果的维纳预测器;对于图4-6模型，设;即;借鉴维纳滤波器的结果类似给出维纳预测器的最佳 传递函数，对应维纳预测器;【例4-3】已知图4-6中;求z变换：;求z变换：;对括号里面求z反变换，注意括号内的收敛域为：;最小均方误差为： ;二、纯预测器（N步）;将上式代入式（4-41）、（4-43）得：; ;容易找到最小相位系统和白噪声方差:;回到z域有：;它说明当N越大，误差越大，当N＝0时，没有误差。 把上述结果用模型表示如图4-8所示。;三、一步线性预测器;式中p为阶数，;最小均方误差：;例4-5】已知图7-7中x(n)=s(n)，其中;解得：;第三节 维纳滤波器的应用（Application of Wiener Filter） ;;一、观测样本;对每次观测用短时傅立叶变换求时频表示（TFR）：;二、公式修正;三、TFPW的计算过程;图4-10 TFPW的模拟实验结果注：原信号是两个正弦波，观测信号混有白噪声；;原信号是线性调频信号，观测信号混有白噪声 在图4-10中每一个图中从上至下分别表示：测量的单个样本，样本平均，TFPW滤波器估计的信号，原始信号。图9-10的初始信噪比设为－12dB，TFPW与叠加平均法相比，信噪比有5个dB左右的改善。;图4-10 TFPW的模拟实验结果注：(上图)原信号是两个正弦波，观测信号混有白噪声；(下图)原信号是线性调频信号，观测信号混有白噪声。;五、需要进一步研究的问题;Rudolf Emil Kalman;;简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。 他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。 近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边