维纳滤波(Wiener Filtering)课件.ppt

　第6章 维纳滤波（Wiener Filtering）;随机信号或随机过程(random process)是普遍存在的。 一方面，任何确定性信号经过测量后往往就会引入随 机性误差而使该信号随机化；另一方面，任何信号本 身都存在随机干扰，通常把对信号或系统功能起干扰 作用的随机信号称之为噪声。噪声按功率谱密度划分 为白噪声（white noise）和色噪声（color noise），我 们把均值为0的白噪声叫纯随机信号（pure random signal）。因此，任何其它随机信号都可看成是纯随 机信号与确定性信号并存的混合随机信号或简称为随 机信号。要区别干扰（interference）和噪声( noise)两 种事实和两个概念。非目标信号（nonobjective signal 都可叫干扰。 ;干扰可以是确定信号，如国内的50Hz工频干扰。干扰也可以是噪声，纯随机信号（白噪声）加上一个直流成分（确定性信号），就成了最简单的混合随机信号。医学数字信号处理的目的是要提取包含在随机信号中的确定成分，并探求它与生理、病理过程的关系，为医学决策提供一定的依据。例如从自发脑电中提取诱发脑电信号，就是把自发脑电看成是干扰信号，从中提取出需要的信息成分。因此我们需要寻找一种最佳线性滤波器，当信号和干扰以及随机噪声同时输入该滤波器时，在输出端能将信号尽可能精确地表现出来。维纳滤波和卡尔曼滤波就是用来解决这样一类问题的方法：从噪声中提取出有用的信号。实际上，这种线性滤波方法也被看成是一种估计问题或者线性预测问题。;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 　　　　　　　 (1);我们希望输出得到的　　与有用信号　 尽量接近，因此称　　为　　的估计值，用　　来表示 ，我们就有了维纳滤波器的系统框图 .这个系统的单位脉冲响应也称为对于　 的一种估计器。; 系统框图中估计到的　　信号和我们期望得到的有用信号　　不可能完全相同，这里用　　来表示真值和估计值之间的误差 　　　　　　　　　 (3) 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 　　　　　　　　　　　 (4) ;１维纳滤波器的时域解（Time domain solution of the Wiener filter）;１.１因果的维纳滤波器; 要使得均方误差最小，则将上式对各　 m＝0，1，…，求偏导，并且等于零，得： 　　　　　　　　　　　　　 　 　 　　　　　　　　　　　　　 　 　　　　　　　　　　　　　　　　 　;于是得到N个线性方程：;简化形式：;;若信号与噪声互不相关，即，;;【例1】如图，　　　　　　　，信号与噪声统计独立，其中 　　　　 噪声是方差为1的单位白噪声，试设计一个N＝2的维纳滤波器来估计　　，并求最小均方误差。;解：已知信号的自相关和噪声的自相关为：　　　　　　　　　 ;2　维纳滤波器的应用 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。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信号的谱估计和噪声的谱