现代信号分析 - 第9讲汇编..pptVIP

54 第四章 维纳滤波和卡尔曼滤波 上一章主要内容－－参数估计 非线性估计 贝叶斯估计 最大似然估计 线性估计 线性最小均方误差估计 递归的线性最小均方误差估计 最小二乘估计 本章主要内容－－维纳滤波、卡尔曼滤波 均属于线性最小均方误差估计 主要解决噪声中随机信号的线性估计问题 第一部分 维纳滤波 1 、概述 平稳随机信号s(t)、加性噪声n(t) ? 观察值x(t)为： x(t)= s(t)+n(t) 设计一个维纳滤波器： 从观察值x(t) ? 估计期望信息d(t) 将观察值x(t)作为该滤波器的输入信号 该维纳滤波器的冲激响应为h(t) ? 滤波器的输出信号y(t)可被作为期望值d(t)的估计 根据期望信息d(t)的不同 维纳滤波器可以有三种用途： 当期望信息d(t)=s(t)时，滤波作用 由t0~tf 时间内观察值x(t) ? 估计t=tf时刻信号s(t) 当期望信息d(t)=s(t+a)，a0时，预测作用 由t0~tf 时间内观察值x(t) ? 估计ttf时刻信号s(t) 也被称为外推问题 当期望信息d(t)=s(t-a)，a0时，平滑作用 由t0~tf 时间内观察值x(t) ? 估计t0ttf时刻信号s(t) 也被称为内插问题 2、 波形线性均方估计的正交原理 采用的判据都是使估计的均方误差最小 3、 Wiener-Horf积分方程 x(t)时间为[t0，tf] ? 滤波器输出y(t)为： 已知x(t)的自相关函数Rx、 x(t)和d(t)的互相关 函数 Rxd ? 积分方程中解出h(t) 4、维纳滤波问题 [-?，t]的观察值x(t) ? 估计t 时刻信号s(t) 5、非因果维纳滤波问题的求解 若观察时间tf ? +?，则积分方程变为： 解： 同样放宽条件，则Wiener-Horf方程变为： 解： 6、因果维纳滤波问题的求解 用最近N个观察值x(n)，x(n -1)，?，x(n-N+1)来估计信号s(n) 解： 7、维纳预测问题 解： 解： 8、后验维纳滤波 在维纳滤波或预测问题中，只要已知观察值 x(n)的自相关函数和x(n)与期望信号d(n)的互 相关函数，就可设计相应的维纳滤波器 不失一般性，以非因果维纳滤波器为例 实际应用中，观察可能不只一次，而是多次， 如N次，即：xi(n)=s(n)+ni(n)，i=1~N 其中xi(n)为各次观察值，s(n)为信号，ni(n)为 各次观察噪声 解方程得: 解方程得: 9、互补维纳滤波 维纳滤波器基本假设是信号s(n)随机的 实际中会遇到非随机信号的滤波问题 此时若用前面的维纳滤波器处理,效果未必好 可以采用互补维纳滤波器 以两次观察为例: xi(n)=s(n)+ni(n), i=1,2 设计H1(z)是为有效滤除n2(n),估计n1(n) H1(z)输入不含非随机信号s(n),而是n1(n)-n2(n) 因此满足维纳滤波问题的要求,可得到n1(n)的 最优估计 将x1(n)减去滤波器输出(n1(n)的最优估计), 就 可以得到s(n)的最优估计 第二部分 卡尔曼滤波 1 、概述 线性最小均方误差滤波的另一种处理方法 特点： 用信号模型表示信号的先验知识 在时域上引入状态变量法进行处理 采用的算法是递归形式的线性最小均方误差算法 w(n)是信号模型中的激励白噪声(方差为 ) a 是常数，被称为信号模型的参数 此时实际认为s(n)是一阶自回归(AR)模型 正如下一章现代频谱估计中所介绍的，信号模型可能是多种形式的，但是一个高阶的模型总可以用矩阵形式表示成一阶的矢量方程，所以这里介绍的卡尔曼滤波主要是基于一阶的AR模型 卡尔曼滤波的递归算法，使它能自动地跟随信号统计性质的非平稳变换，这一特性是维纳滤波所不具备的 和维纳滤波问题一样，卡尔曼滤波也可以有滤波问题和预测问题，两者的求解也有不少相似之处 2、标量卡尔曼滤波问题 利用观察值x(n)对信号s(n)进行滤波 表示n及以前时刻观察值x(m)，-?m?n对信号s(n)作出的最优线性估计 表示n-1及以前时刻观察值x(m)，-?m?n-1对信号s(n-1)作出的最优线性估计 在x(n)到来后，可比较预测值和真实值，得到预测误差为： 3、矢量卡尔曼滤波问题 利用观察值同时估计若干个信号 信号的模