数字信号处理 研究生课程.pptVIP

(4) 用维纳滤波（因果维纳滤波）的方法分析。采用功率谱分解的方法，得到x(n)的时间序列信号模型的传输函数H(z): 上式说明x是一阶AR模型，对H(z)做Z反变换得到 比较可以看出卡尔曼滤波的稳态解与维纳解是相等的。  维纳滤波： 维纳滤波中则采用物理意义较为间接的频率域语言； 根据全部过去的和当前的观察数据来估计信号的当前值； 解是以均方误差最小条件下所得到的系统的传递函数H(z)或单位样本响应h(n)的形式给出的，或者说其信号模型是从信号与噪声的相关函数得到的； 适用于一维平稳随机信号。 卡尔曼滤波： 卡尔曼滤波中采用物理意义较为直观的时间域语言； 采用递推算法，用前一个估计值和最近一个观察数据(它不需要全部过去的观察数据)来估计信号的当前值； 解是以估计值(常常是状态变量值)形式给出的，或者说其信号模型是从状态方程和量测方程得到的； 适用于多维和非平稳随机信号。 4、应用举例-1 假设一运动目标在x，y平面上沿y=x方向运动，由于外界干扰，其运动轨迹发生了偏移。试采用Kalman滤波方法跟踪估计其运动状态。 受到噪声干扰的运动轨迹 解：定义其在x，y方向的运动状态分别为： x方向位移为x1k，速度为x3k； y方向位移为x2k，速度为x4k； 由此可得其状态方程为： 设其量测矩阵为： 由此可得量测方程为： Kalman滤波后的运动轨迹 Kalman滤波的跟踪性能 纯预测器的最小均方误差为 可以看到，随着N增加，E［|e(n+N)|2］min也增加。这一点也容易理解，当预测的距离越远，预测的效果越差，偏差越大，因而E［|e(n+N)|2］min越大。 4、 一步线性预测的时域解 一步线性预测：采用p个最近的采样值来预测时间序列下一时刻的值，包括前向预测和后向预测两种。 前向预测：在噪声v(n)=0的情况下，已知x(n-1), x(n-2)，…,x(n-p), 预测当前时刻x(n)； 后向预测：在噪声v(n)=0的情况下，已知x(n)，x(n-1)，……，x(n-p+1)基础上，估计x(n-p)。 图 2.4.2 前后向预测数据之间的关系 （1）、前向预测 设定系统的单位脉冲响应为h(n)，其输出信号为 令apk=-h(k)，则 前向预测误差为 其中, ap0=1, 一步前向预测器结构图 前向预测误差的均方值为： 或 E［e (n)x* (n-l)］=0 l=1, 2, …, p 即 由于预测器的输出 是输入信号的线性组合，故预测误差与预测的信号值同样满足正交性原理： 前向预测误差的最小均方值为： 将方程组写成矩阵形式 （Yule-Walker方程） 维纳－霍夫方程 Yule-Walker方程 （2）、后向预测 假设前、后向预测器具有相同的系数，即 后向预测误差为 同理，可以得到下面方程组： 将方程组写成Yule-Walker方程形式 例2.4.2 已知 x(n)为AR模型，求AR模型参数（包括模型阶数和系数）。 rxx(m)=0.8|m| 解 首先对Sxx(z)做傅里叶反变换，得到x(n)的自相关函数rxx(m), （1）、采用试验的方法确定模型阶数p。首先取p=2，各相关函数值由上式计算 计算得到 a1=-0.8， a2=0, σ2ω=0.36 （2）、如果取p=3，可计算出a1=-0.8, a2=a3=0, σ2ω=0.36，说明AR模型的阶数只能是一阶的。 （3）、采用谱分解的方法，即对Sxx(z)进行谱分解，得到的模型也是一阶的，其时间序列模型和差分方程为 2.5 卡尔曼(Kalman)滤波 卡尔曼滤波的状态方程和量测方程 卡尔曼滤波的递推算法 1、卡尔曼滤波的状态方程和量测方程 假设某系统k时刻的状态变量为xk，状态方程和量测方程（也称为输出方程）表示为 Ak为状态转移矩阵，描述系统状态由时间k-1的状态到时间k的状态之间的转移； Ck为量测矩阵，描述状态经其作用，变成可量测或可观测的； xk为状态向量，是不可观测的；yk为观测向量； wk为过程噪声；vk为量测噪声。 图 2.5.1 卡尔曼滤波器的信号模型 假设状态变量的增益矩阵A不随时间发生变化，wk,vk都是零均值白噪声，方差分别是Qk和Rk，并且初始状态x0与wk,vk都不相关，且噪声向量wk,vk也互不相关，即 其中 2、 卡尔曼滤波的递推算法 基本思想： 先不考虑输入信号ωk和观测噪声vk的影响，得到状态变量和输出信号（即观测数据）的估计值 和 再用输出信号的估计误差 加权后校正状态变量的估计值 ，使状态变量估计误差 的均方值最