维纳滤波及卡尔曼滤.pptVIP

第七章 维纳滤波和卡尔曼滤（Wiener and Kalman 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可以分为白噪声（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 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，如图7-1。这个系统的单位脉冲响应也称为对于的一种估计器。 如果该系统是因果系统，式(7-2)的m＝0，1，2，…，则输出的可以看成是由当前时刻的观测值和过去时刻的观测值、、…的估计值。用当前的和过去的观测值来估计当前的信号称为滤波；用过去的观测值来估计当前的或将来的信号，N，称为预测；用过去的观测值来估计过去的信号，N，称为平滑或者内插。本章将讨论滤波和预测问题。 从图7-1的系统框图中估计到的信号和我们期望得到的有用信号可能不完全相同，这里用来表示真值和估计值之间的误差 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： 维纳滤波和卡尔曼滤波都是解决线性滤波和预测问题的方法，并且都是以均方误差最小为准则的，在平稳条件下两者的稳态结果是一致的。但是它们解决问题的方法有很大区别。维纳滤波是根据全部过去观测值和当前观测值来估计信号的当前值，因此它的解形式是系统的传递函数或单位脉冲响应；卡尔曼滤波是用当前一个估计值和最近一个观测值来估计信号的当前值，它的解形式是状态变量值。维纳滤波只适用于平稳随机过程，卡尔曼滤波就没有这个限制。设计维纳滤波器要求已知信号与噪声的相关函数，设计卡尔曼滤波器要求已知状态方程和量测方程，当然两者之间也有联系。 第一节 维纳滤波器的时域解（Time domain solution of the Wiener filter） 设计维纳滤波器的过程就是寻求在最小均方误差下滤波器的单位脉冲响应或传递函数的表达式，其实质就是解维纳－霍夫（Wiener－Hopf）方程。我们从时域入手求最小均方误差下的，用表示最佳线性滤波器。这里只讨论因果可实现滤波器的设计。 一、因果维纳滤波器 设是物理可实现的，也即是因果序列： 因此，从式(7-1)、 (7-2)、(7-3)、(7-4)推导： 要使得均方误差最小，则将上式对各，m＝0，1，…，求偏导，并且令其等于零，得： 二、有限脉冲响应法求解维纳－霍夫方程 如何去求解维纳－霍夫方程，即式（7-9）中解的问题，设是一个因果序列且可以用有限长（N点长）的序列去逼近它，则式(7-5) －(7-10)分别发生变化 意到式（7-15）的表现形式和第三章的AR模型参数估计的矩阵形式类似，因而也可以用前面介绍的L-D快速算法实现求解。 若信号 与 噪声互不相关，即， 三、预白化法求解维纳－霍夫方程 从上面分析知求解维纳－霍夫方程比较复杂，本节用波德（Bode）和香（Shannon） 其中A(z) 表示系统的传递函数。由于x(n) = s (n) + w(n)，在图7-2的基础上给出x(n)的信号模型，图7-3所示。把这两个模型合并最后得到维纳滤波器的信号模型，图7-4所示，其中传递函数用B(z)表示。 图7-2 的信