尹其畅第2章.ppt

第二章 维纳滤波和卡尔曼滤波 2.1 引言 2.2 维纳滤波器的离散形式——时域解 2.3 离散维纳滤波器的z域解 2.4 维纳预测 2.5 卡尔曼(Kalman)滤波 2.1 引 言 在生产实践中，我们所观测到的信号都是受到噪声干扰的。如何最大限度地抑制噪声，并将有用信号分离出来，是信号处理中经常遇到的问题。换句话说，信号处理的目的就是要得到不受干扰影响的真正信号。相应的处理系统称为滤波器。这里， 我们只考虑加性噪声的影响，即观测数据x(n)是信号s(n)与噪声v(n)之和（如图2.1.1所示）, 即 x(n)=s(n)+v(n) （2.1.1） 图 2.1.1 观测信号的组成 图 2.1.2 信号处理的一般模型 维纳滤波是在第二次世界大战期间，由于军事的需要由维纳提出的。1950年，伯特和香农给出了当信号的功率谱为有理谱时，由功率谱直接求取维纳滤波器传输函数的设计方法。 维纳滤波器的求解，要求知道随机信号的统计分布规律（自相关函数或功率谱密度），得到的结果是封闭公式。采用谱分解的方法求解，简单易行，具有一定的工程实用价值，并且物理概念清楚，但不能实时处理；维纳滤波的最大缺点是仅适用于一维平稳随机信号。这是由于采用频域设计法所造成的， 因此人们逐渐转向在时域内直接设计最佳滤波器的方法。 2.2 维纳滤波器的离散形式——时域解 2.2.1 维纳滤波器时域求解的方法 　　根据线性系统的基本理论，并考虑到系统的因果性，可以得到滤波器的输出y(n), n=0, 1, 2, … （2.2.2） 设期望信号为d(n)，误差信号e(n)及其均方值E［|e(n)|2］分别为 e(n)=d(n)-y(n)=s(n)-y(n) （2.2.３） （2.2.４） 要使均方误差为最小，须满足 （2.2.5） 这里，hj表示h(j); 同理，可以用aj，bj分别表示a(j)，b(j)。由于误差的均方值是一标量，因此（2.2.5）式是一个标量对复函数的求导问题， 它等价于 j=0, 1, 2, … （2.2.6） 记 j=0, 1, 2, … （2.2.７） 则（2.2.6）式可以写为 （2.2.8） 将（2.2.8）式展开 （2.2.9） 又根据（2.2.1）~(2.2.3)式 将（2.2.10）～（2.2.13）式代入（2.2.9）式， 得 （2.2.14) 因此 E［x*(n-j)e(n)］=0 　　j=0, 1, 2, … （2.2.15） 上式说明，均方误差达到最小值的充要条件是误差信号与任一进入估计的输入信号正交，这就是通常所说的正交性原理。它的重要意义在于提供了一个数学方法，用以判断线性滤波系统是否工作于最佳状态。 下面计算输出信号与误差信号的互相关函数 (2.2.16) 假定滤波器工作于最佳状态，滤波器的输出yopt(n)与期望信号d(n)的误差为eopt(n)，把（2.2.15）式代入上式，得到 (2.2.17) 图 2.2.1 期望信号、 估计值与误差信号的几何关系 　　图2.2.1表明在滤波器处于最佳工作状态时， 估计值加上估计偏差等于期望信号， 即 2.2.2 维纳—霍夫方程 　　将（2.2.15）式展开， 可以得到 将输入信号分配进去， 得到 k=0, 1, 2, … 对上式两边取共轭，利用相关函数的性质: ryx(-k)=r*xy(k), 得到 k=0, 1, 2, … (2.2.20) 　　(2.2.20)式称为维纳-霍夫（Wiener－Hopf）方程。当h(n)是一个长度为M的因果序列(即h(n)是一个长度为M的FIR滤波器)时， 维纳-霍夫方程表述为 k=0, 1, 2, … (2.2.21) 把k的取值代入(2.2.21)式， 得到 (2.2.22) 定义 （2.2.22）式可以写成矩阵的形式， 即 (2.2.23) 对上式求逆，得到 (2.2.24) 上式表明已知期望信号与观测数据的互相关函数及观测数据的自相关函数时，可以通过矩阵求逆运算， 得到维纳滤波器的最佳解。同时可以看到，直接从时域求解因果的维纳滤波器， 当选择的滤波器的长度M较大时， 计算工作量很大， 并且需要计算Rxx的逆矩阵，从而要求的存贮量也很大。此外， 在具体实现时，滤波器的长度是由实验来确定的，如果想通过增加长度提高逼近的精度，就需要在新M基础上重新进行计算。因此，从时域求解维纳滤波器，并不是一个有效的方法。 2.2.3 估计误差的均方值 假定所研究的信号都是零均值的，滤波器为FIR型，长度等于M，将(2.2.2)式和(2.2.3)式代入(2.2.4)式，可以得到 (