数字信号处理DSP9-1.pptVIP

对方差求极值： 由此得到最佳滤波器系数应该满足的线性方程组： 线性预测 通过线性方程组求解预测系数，并利用该组系数及过去N次测量值，可以得到最佳预测值，此时测试误差（方差）表现为： 线性预测 第十章 自适应滤波 1 信号与噪声 2 维纳滤波与线性预测 3 递推算法与格型滤波 4 卡尔曼滤波 数字信号处理 维纳滤波与线性预测求解时，都涉及到求解下述形式的线性方程组：Yule-Walker方程 滤波器系数的递推算法 采用高斯法求解该方程，乘法运算量为N的三次方，需要寻求快速运算方式：递推算法 零阶方程： 滤波器系数的递推算法 一阶方程： 滤波器系数的递推算法 二阶方程： 滤波器系数的递推算法 递推关系： 滤波器系数的递推算法 采用递推公式，可以从低阶系数推导高阶系数，同时能够根据所需要的预测误差控制预测阶数，有效减少运算量，提高运算效率。 滤波器系数的递推算法 乘法运算量 第九章 自适应滤波 1 信号与噪声 2 维纳滤波与线性预测 3 递推算法与格型滤波 4 卡尔曼滤波 数字信号处理 信号与噪声 在信号检测的很多领域中，待测信号的频段未知，并且可能处于变化之中；同时微弱信号混杂于强大噪声之中。 信号处理系统需要进行信号与噪声的分离，尽可能提取信号的特征，消除噪声的影响。 信号与噪声 设置信号模型如下： 信号测量值中包含量信号与噪声。通常携带信息的信号体现出具有一定规律的变化；而噪声则是完全无规律的随机变化信号；带有噪声的信号也体现为随机信号。 信号与噪声 从测量值中消除噪声的最常见方式是通过多次测量获取平均值；由于噪声的最大特点为多次测量的均值趋于0；若对特定时刻的信号值进行多次测量，则有可能消除噪声，确定信号值： 信号与噪声 然而实际工程中，测量需要时间，信号在测量过程中是变化的，通常不会保持为常数；对于随时间变化的信号，可以通过对信号和噪声各自相关性特征的分析，寻找信号与噪声的分离的方法。 信号与噪声 信号相关性的基本定义 信号互相关序列 信号与噪声 自相关序列 均方值 均方差 重要的相关性特征 信号与噪声 自相关序列的计算： 信号与噪声 从一般数字音频信号中截取一段信号序列，与同样长度的随机序列进行比较，分析相关性特征（统计特征）的规律和差别。 信号与噪声 [y,fs,bit]=wav_read(audio1.wav);% sound(y,fs);pause; y1=3.4*y(198025:199048); n=1:1024;figure(1), plot(n1,y1); axis([1,1024,-0.5,0.5]);x=rand(100000,1);x1=x(18025:19048); x2=x1-0.5;figure(2), plot(n1,x2);axis([1,1024,-0.5,0.5]); m=-1023:1023;yc=xcorr(y1);xc=xcorr(x2); figure(3),plot(m,(yc));axis([-1024,1024,-100,100]); figure(4),plot(m,(xc));axis([-1024,1024,-100,100]); yx=xcorr(y1,x2);figure(5),plot(m,(yx)); axis([-1024,1024,-100,100]); 信号与噪声 信号与噪声的波形 信号与噪声 自相关序列 信号与噪声 互相关序列 含噪声信号的自相关序列 信号与噪声 噪声特点：均值为0，自相关序列为冲激信号，与信号的互相关为0 (不相关）。 信号与噪声 含噪声信号的自相关序列 噪声方差可以从含噪信号的自相关序列中估计 信号与噪声 通过对含噪信号的自相关性分析，容易分离出其中的噪声，但对信号的特点却难以具体表达； 考虑到信息表达的直观方式是频谱表达，采用相关序列对应的频谱（功率谱）能够更明确表达信号的特征。 信号与噪声 对含噪信号的自相关序列进行付氏变换，得到对应的频谱（功率谱） 信号与噪声 由功率谱分析可以看出，从带噪信号的功率谱中扣除噪声背底（常数值），就可以得到去除噪声信号的功率谱；采用此种方式，可以方便地估计出带噪信号中的信息种类及强度。（经典谱分析方法） 信号与噪声 经典谱分析方法存在的问题 需要提取有限长度的信号进行自相关序列的计算以及功率谱的计算。 在高速计算时，狭窄窗口的加窗效应会导致强烈的能量外泄，信号强度和分辨率受到严重影响，纹波效应也会使信号的判断受到干扰。 信号与噪声 经典谱分析方法存在的问题 采用窗口修真方法可以有效消除纹波的影响，但会加重能量外