数字信号处理方式.ppt

非因果维纳预测器的最佳解为 因果维纳预测器的最佳解为 维纳预测的最小均方误差为 维纳预测的求解和维纳滤波器的求解方法是一致的。 3、 纯预测 假设x(n)=s(n)+v(n)，纯预测问题是在v(n)=0情况下对s(n+N), N＞0的预测，此时x(n)=s(n)。  因果情况下，假设s(n)与v(n)不相关，纯预测情况下的输入信号的功率谱及维纳预测器的最佳解分别为 纯预测器的最小均方误差为 应用复卷积定理 取y(n)=x(n) 得到 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 前向预测误差为 AR信号模型为 对比两式可知， （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 后向预测误差的均方值为： 或 E［b (n)x* (n-p+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： 后向预测误差的最小均方值为： 同理，可以得到下面方程组： 将方程组写成Yule-Walker方程形式 Yule-Walker方程具有以下特点：  (1) 除了第一个方程外，其余都是齐次方程; (2) 与维纳-霍夫方程相比，不需要知道rxs(m)。 (3) 由方程组的p+1个方程，可以确定apk,k=1, 2, …, p和E［e2(n)］min，共计p+1个未知数。 Levinson-Durbin算法  Levinson-Durbin算法首先由一阶AR模型开始，一阶AR模型(p=1)的Yule-Walker为 由该方程解出： 计算Hopt (z)： 2、 非因果IIR维纳滤波器的求解 (2.3.9) 求满足最小均方误差条件下的g(k)： 为求得相对于g(k)的最小均方误差值，令 -∞＜k＜∞ -∞＜k＜∞ Z变换后 非因果IIR维纳滤波器的最佳解： s(n)=s(n)*δ(n)， x(n)=w(n)*b(n) rxs(m)=rws(m)*b(-m) Sxs (z)=Sws(z)B(z-1) 非因果IIR维纳滤波器的复频域最佳解的一般表达式 假定信号与噪声不相关，即当E［s(n)v(n)］=0时可以得到： Sxs(z)=Sss(z) Sxx(z)=Sss(z)+Svv(z) 信号和噪声不相关时，非因果IIR维纳滤波器的复频域最佳解和频率响应分别为 由上式可知： 当噪声为0时，Hopt=1，信号全部通过； 当信号为0时， Hopt=0，噪声全部被抑制掉； 当即有信号又有噪声时， Hopt1，大小随Pvv的增加而减小，从而达到降低噪声影响的目的。 Pss(ejω)≠0, Pvv(ejω)=0 Pss(ejω)≠0, Pvv(ejω) ≠ 0 Pss(ejω)=0, Pvv(ejω) ≠ 0 图 2.3.6 非因果维纳滤波器的传输函数的幅频特性 计算最小均方误差E［|e(n)|2］min： 第一项根据围线积分法求逆Z变换的公式, rss(m)用下式表示: 得出 第二项由帕塞伐尔定理： 取y(n)=x(n), 有 因此 得到 假定信号与噪声不相关，E［s(n)v(n)］=0，又因为实信号的自相关函数是偶函数，即rss(m)=rss(-m)，则 Sxs(z)=Sss(z) ，Sxx(z)=Sss(z)+Svv(z)；