离散维纳滤波器的z域解.PPTVIP

补充：逆Z变换 方法有：幂级数法（长除法），部分分式法，留数法（围线积分法）。 围线积分法推导： Z变换定义是： 两边同乘zm-1,然后沿一闭合路径C作积分，得： 2.4 维 纳 预 测 预测:根据观测到的过去数据来估计当前或将来的信号。 Wiener预测：已知以前时刻P个数据x(n-1),x(n-2),. …x(n-p),来估计当前时刻或未来n+N时刻的信号值，估计结果仍然满足均方误差最小准则。 信号是可预测的。信号内部存在关联性，关联愈紧密，预测愈准确；完全无关联，则不能预测。如周期信号可完全预测；而白噪声则无法预测。我们，研究平稳随机信号，信号内部有关联，可预测。 系统是惯性的，一个具有有理谱密度函数的信号，可以看成是白噪声激励一个线性系统的输出，输入一个无关联的信号，而输出却是一个关联信号，表明系统是惯性的。 最优预测，选择使预测误差的均方值为最小作为最优标准。 实际信号带噪声干扰，既有滤波，也有预测，即预测滤波。 若不考虑噪声干扰，即为纯预测。 考虑到B(z)必须是因果稳定的系统，得到 (1) 首先分析物理可实现情况，应用公式（2.3.38）: 上式中将Sxs(z)用Sss(z)代入，为什么？令 F(z)的极点为0.8和2，考虑到因果性、稳定性，仅取单位圆内的极点zi=0.8, f(n)为F(z)的Z反变换。用Res表示留数，应用留数定理，有 取因果部分， f+(n)=0.6×0.8n×u(n) 令 单位圆内只有极点Zi=0.5, 未经滤波器的均方误差 (2) 对于非物理可实现情况, 应用公式(2.3.20)和(2.3.28), 有 令 单位圆内有两个极点0.8和0.5, 应用留数定理，有 比较两种情况下的最小均方误差,可以看出非物理可实现情况的最小均方误差小于物理可实现情况的均方误差。 2.4 维 纳 预 测 2.4.1 维纳预测的计算 在维纳滤波中，期望的输出信号yd(n)=s(n)，实际的输出为y(n)=s(n)。在维纳预测中，期望的输出信号yd(n)=s(n+N)， 实际的输出y(n)=s(n+N)。前面已经推导得到维纳滤波的最佳解为 ^ ^ （2.4.1） 其中,Sxx(z)是观测数据的功率谱;Sxyd(z)是观测数据与期望信号的互功率谱，即互相关函数rxyd(k)的傅里叶变换 （2.4.2） 对应于维纳预测器， 其输出信号y(n)和预测误差信号e(n+N)分别为 （2.4.3） （2.4.4） 同理，要使预测误差的均方值为最小，须满足 （2.4.5） 其中，hk表示h(k)。 * 第二章 维纳滤波和卡尔曼滤波 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 2.3 离散维纳滤波器的z域解 若不考虑滤波器的因果性，（2.2.20）式可以写为 设定d(n)=s(n)，对上式两边做Z变换，得到 Sxs(z)=Hopt(z)Sxx(z) 考虑x(n)=s(n)+v(n) 假设信号与噪声不相关,即rsv(m)=E[s(n)v(n+m)]=0 rxs(m)=E[x(n)s(n+m)]=E{[s(n)+v(n)]s(n+m)} =E[s(n)s(n+m)]+E[v(n)s(n+m)] =rss(m) 两边作Z变换得:Sxs(z)=Sss(z) 注意：序列x(n)的 Z变换， 单边Z变换X(z)= ，双边Z变换X(z)= 同理 rxx(m)=E[x(n)x(n+m)] =E{[s(n)+v(n)][s(n+m)+v(n+m)]} =E[s(n)s(n+m)]+E[v(n)v(n+m)] =rss(m)+rvv(m) 两边作Z变换得:Sxx(z)=Sss(z)+Svv(z) 假设信号和噪声不相关，即rsv(m)=0，则 Sxs(z)=Sss(z) Sxx(z)=Sss(z)+Svv(z) （2.3.2）式可以写成 （2.3.5）式表示，当噪声为0时，信号全部通过；当信号为0时， 噪声全部被抑制掉，因此维纳滤波确有滤除噪声的能力。把信号的频谱用Pss(ejω)表示，噪声的频谱用Pvv(ejω)表示，那么非因果的维纳滤波器的传输函数Hopt(ejω)的幅频特性如图2.3.1所示。 Pss(ejω)≠0, Pvv(ejω)=0 Pss(ejω)≠0, Pvv(ejω) ≠ 0 Pss(ejω)=0, Pvv(ejω) ≠ 0 然而实际的系统都是因果的。对于一个因果系统，不能直接转入频域求解的原因是由于输入信号与期望信号的互相关序