现代信号处理第2章信号时域分析.pptVIP

1）维纳滤波器 20世纪40年代第二次世界大战期间，由于军事上的需要，Wiener提出并解决了平稳过程的最佳线性滤波问题 采用线性最小均方误差估计准则，设计的最佳滤波器称为维纳(Wiener)滤波器 h(t): 脉冲响应函数，按最小均方误差准则确定 (2.1.8) (2.1.9) 维纳滤波器 维纳滤波器可根据 t 时刻，及 t 以前时刻的观测值x(t)，实现以下三个方面的应用 2）卡尔曼滤波器 维纳滤波器由于计算量大，难以作实时处理，故不能广泛应用，同时它对非平稳信号的滤波也无能为力。 60年代初由于航天事业发展的需要，卡尔曼(Kalman)和布西(Bucy)在解决非平稳、多输入输出随机序列的估计问题中引入了状态变量，在克服维纳滤波某些局限的基础上，提出了被后人称为卡尔曼滤波的新滤波方法。 该方法在雷达、通信、控制、生物和勘探等领域得到了广泛的应用 卡尔曼滤波器 卡尔曼滤波是线性最小均方误差滤波器的另一种处理方法。卡尔曼滤波建立在已知随机信号模型的基础上，包括模型的阶次、模型的参数和激励白噪声的统计特性。 其原理是用信号前一时刻的估计值与测量值的误差项的加权平均作为当前时刻的估计值。 (2.1.10) 信号前一时刻估计值 测量值的误差项 常数 a 和 c 分别表示参数模型和测量模型的参数，用 Gn表示 n 时刻的加权系数。 维纳滤波器与卡尔曼滤波器对比 卡尔曼滤波的特点是把信号的先验知识用信号的模型表达出来；在时域上引入状态变量法进行处理；采用递推型的线性最小均方误差算法。 卡尔曼滤波和维纳滤波都是在应用随机信号和观测噪声的前二阶矩的统计特性，以线性最小均方估计解决随机信号的滤波问题。 维纳滤波需要给出随机信号和噪声的有理谱形式；卡尔曼滤波则要求把随机信号规定为白噪声驱动的线性系统的输出。 维纳滤波理论适应于平稳随机过程；卡尔曼滤波适用于有限初始时间的非平稳随机过程。 2.2 信号的采样 将连续信号转换成离散的数字序列过程就是信号的采样，它包含了离散和量化两个主要步骤。 本节主要介绍采样过程中采样与混频、量化与误差、采样长度与分辨率及窗函数与泄露四方面的内容。 2.2.1 采样与混频 设模拟信号为x(t) ，间距为?t 的采样脉冲函数为p(t) 采样过程是x(t)和p(t)相乘，得到离散信号x(n?t ) 设x(t)的傅里叶变换为X(?)。采样脉冲函数p(t) 的傅里叶变换为 (2.2.1) (2.2.2) 模拟信号、采样脉冲函数及其频谱 离散信号及其频谱 根据频域卷积定理可知，则式(2.2.1)所示离散信号x(n?t )的傅里叶变换为 离散信号 及其频谱 频谱混叠，不能由频谱准确地恢复原信号 (2.2.3) 采样定理 采样定理：为避免混叠，采样频率?s 必须不小于信号中最高频率?max 的两倍 即 或 实际中采样频率的选取往往留有余地，一般选取采样频率?s为处理信号中最高频率的2.5～4倍。 另外，由于测量信号中的高频部分往往是由干扰引起的噪声或我们不感兴趣的频谱，因此采样前须先对信号进行低通滤波(又称抗混滤波)。然后再根据滤波后信号的最高频率?max设定采样间隔 。 p28 2.2.2 量化与误差 量化是对信号采样点取值进行数字化转换的过程。量化结果以一定位数的数字近似表示信号在采样点的取值。 由于模/数转换器的位数有限，模/数转换器的输出只能表达一系列具有一定间隔的电平。当模拟信号在采样点上的取值落在两个相邻电平之间时，就要舍入到相近的一个电平上，我们把这一过程称之为量化。 若设模/数转换器的位数为N ，采用二进制编码，转换器转换的电压范围为?V，则相邻电平之间的增量为 (2.2.4) 2.2.3 窗函数与泄漏 理论上信号的长度是无限的，但任何观测信号都是在有限时间段内进行观测的。 因此，信号采样过程须使用窗函数，将无限长信号截断成为有限长度的信号。 从理论上看，截断过程就是在时域将无限长信号乘以有限时间宽度的窗函数 窗函数与泄漏 最简单的窗函数是矩形窗 无限带宽 泄漏 窗函数与泄漏 泄漏与截断长度、所使用的窗函数等有关。不进行信号截断就没有泄漏误差。 另外，使用不同的窗函数泄漏大小也不同。泄漏取决于窗函数频谱的旁瓣。如果窗函数的旁瓣小，相应的泄漏也小。 其它窗函数 三角窗 其它窗函数 汉宁窗 2.2.4 采样长度与分辩率 数字信号的分辨率包括时间分辨率和频率分辨率。 数字信号的时间分辨率即采样间隔?t ，它反映了数字信号在时域中取值点之间的细密程度。 数字信号的频率分辨率为?? =2? / T ，其中T =N?t 为数字信号的时间跨度，N为数字信号的长度。 频率分辨率表示了数字信号的频谱在频域中取值点之间的细密程度。因此，当采样频率或采样间隔确定后，增大采样点数就可增加信