一维纳滤波器的计算机实现-Read.DOCVIP

实验一 维纳滤波器的计算机实现 一 实验目的 1 利用计算机编程实现加性干扰信号的维纳滤波。 2 将计算机模拟实验结果与理论分析结果相比较，分析影响维纳滤波效果的各种因素，从而加深对维纳滤波的理解。 3 利用维纳预测方法实现对AR模型的参数估计。 二 实验原理 维纳滤波是一种从噪声背景中提取信号的最佳线性滤波方法，假定一个随机信号x(n)具有以下形式： x(n)=s(n)+v(n)（1-1） 其中，s(n)为有用信号，v(n)为噪声干扰，将其输入一个单位脉冲响应为h(n)的线性系统，其输出为: （1-2） 我们希望x(n)通过这个系统后得到的y(n)尽可能接近于s(n)，因此，称y(n)为信号s(n) 的估值。按照最小均方误差准则，h(n)应满足下面的正则方程： （1-3） 这就是著名的维纳－霍夫方程，其中是x(n)的自相关函数，定义为 （1-4） 是x(n)与s(n)的互相关函数，定义为 （1-5） 这里，E[·]表示求数学期望，*表示取共轭。 在要求h(n)满足因果性的条件下，求解维纳-霍夫方程是一个典型的难题。虽然目前有几种求解h(n)的解析方法，但它们在计算机上实现起来非常困难。因此，本实验中，利用近似方法，即最佳FIR维纳滤波方法，在计算机上实现随机信号的维纳滤波。 设h(n)为一因果序列，其长度为N，则 （1-6） 同样利用最小均方误差准则，h(n)满足下面方程： (1-7) 其中 (1-8) (1-9) (1-10) 这里T表示转置运算, 称为信号x(n)的N阶自相关矩阵，为x(n)与s(n)的互相关 函数向量。当为满秩矩阵时，由公式(1-7)可得 （1-11） 由此可见，利用有限长的h(n)实现维纳滤波器，只要已知和,就可以按上式解 得满足因果性的h。对于ARMA模型或MA模型来说，虽然它不同于理想的维纳滤波器，但是只要N选择的足够大，它就可以很好地逼近理想的维纳滤波器，这一点我们可以在下面实验中得到证实。 在本实验中，s(n)由下式来确定： s(n)=as(n-1)+w(n) (1-12) 其中a=0.95, w(n)是零均值方差为的高斯白噪声，v(n)是与s(n)互不相关 的高斯白噪声，其均值为零，方差。 根据理论推导，此时维纳最佳滤波器为 （1-13） 单位脉冲响应为 （1-14） 由此可以实现对信号x(n)的最佳过滤，即 （1-15） 其中为s(n)的最佳估值。同时，可以推出，经过理想维纳滤波后，均方误差应为 （1-16） 在实验中，我们利用下面公式来统计均方误差： （1-17） 其中L为维纳滤波数据长度。 通过理论推导，我们可以得到s(n)的自相关函数，进而得到x(n)的 自相关函数以及s(n)与x(n)的互相关函数。 实际中，一般很难确切地知道和，通常是利用有限个x(n)和s(n)的样本来估计它们： （1-18） （1-19） 为了在检验实际中某次产生序列的自相关特性与理论值的近似程度，我们可以采用下 式进行度量： （1-20a） （1-20b） 该式表示了自相关函数的理论值与某次实现的实际值的相对平方误差。实验中为了得到与自 相关特性理论值相符的观测序列，往往需要多次产生序列，直到两者的相对平方误差足 2够小。本实验中，我们取K=50，并认为且的序列才是满足要求的。 在上面这部分实验中，s(n)是已知的。但是在实际中如果已知s(n)，维纳滤波也就 没有多少意义了。因此，上述实验纯粹是为了理解维纳滤波原理而设计的。下面我们考虑 维纳滤波器的一种应用，即利用维纳预测方法来估计AR模型的参数。 假定s(n)是一个p阶AR模型，即 （1-21） 其中w(n)是均值为零，方差等于的高斯白噪声。在已知准确自相关函数的情况下，由下面Yule-Walker方程可以得到AR模型参数和 （1-22） 其中为（p+1）(p+1)的自相关矩阵，其意义类似于(1-9)式，只是将N换成p+1, 换成而已，A为（p+1）1的系数向量，定义为 (1-23) 为(p+1)×1的单位列向量，除第一个元素等于1外，其余元素均为零，即 (1-24) 三 实验步骤及结果 1．运行维纳滤波程序，选择L=5000,N=10： （1） x(n)自相关理论值和实际值 x(n)与s(n)互相关函数 最后100个s(n)和x(n) 通过对滤波前后波形的分析和噪声方差的分析，我们可以看出理想维纳滤波器和FIR滤波器都能很好的滤除噪声，还原S（n），X（n）在滤波后非常接近S（n） （2）估计出的h(n)和理想的h(n)比较，如下图： h(n)估计值与理论值 估计出的与理论维纳滤波器的相似度也非常高。 （3）理想的维纳滤波和