维纳滤波与卡尔曼滤波.doc

PAGE PAGE 43 第二章 维纳滤波与卡尔曼滤波 §2.1 引言 信号处理的实际问题，常常是要解决在噪声中提取信号的问题，因此，我们需要寻找一种所谓有最佳线性过滤特性的滤波器。这种滤波器当信号与噪声同时输入时，在输出端能将信号尽可能精确地重现出来，而噪声却受到最大抑制。 维纳(Wiener)滤波与卡尔曼(Kalman)滤波就是用来解决这样一类从噪声中提取信号问题的一种过滤(或滤波)方法。 实际上这种线性滤波问题，可以看成是一种估计问题或一种线性估计问题。 一个线性系统，如果它的单位样本响应为h(n)，当输入一个随机信号x(n)，且 (2.1) 其中s(n)表示信号，表示噪声，则输出y(n)为 (2.2) 我们希望x(n)通过线性系统h(n)后得到的y(n)尽量接近于s(n)，因此称y(n)为s(n)的估计值，用表示，即 (2.3) 图2.1 维纳滤波器的输入—输出关系 如图2.1所示。这个线性系统称为对于s(n)的一种估计器。 实际上，式(2.2)的卷积形式可以理解为从当前和过去的观察值x(n)，x(n-1)，x(n-2)…x(n-m)，…来估计信号的当前值。因此，用进行过滤的问题可以看成是一个估计问题。由于我们现在涉及的信号是随机信号，所以这样一种过滤问题实际上是一种统计估计问题。 一般，从当前的和过去的观察值x(n)，x(n-1)，x(n-2)，…估计当前的信号值称为过滤或滤波；从过去的观察值，估计当前的或将来的信号值称为预测或外推；从过去的观察值，估计过去的信号值称为平滑或内插。因此维纳过滤与卡尔曼过滤又常常被称为最佳线性过滤与预测或线性最优估计。这里所谓“最佳”与“最优”是以最小均方误差为准则的。本章仅讨论过滤与预测问题。 如果我们以分别表示信号的真值与估计值，而用e(n)表示它们之间的误差，即 (2.4) 显然，e(n)可能是正的，也可能是负的，并且它是一个随机变量。因此，用它的均方值来表达误差是合理的，所谓均方误差最小即它的平方的统计平均值最小： 最小 (2.5) 采用最小均方误差准则作为最佳过滤准则的原因还在于它的理论分析比较简单，不要求对概率的描述。并且在这种准则下导出的最佳线性系统对其它很广泛一类准则而言也是最佳的。 维纳过滤与卡尔曼过滤都是解决最佳线性过滤和预测问题，并且都是以均方误差最小为准则的。因此在平稳条件下，它们所得到的稳态结果是一致的。然而，它们解决的方法有很大区别。维纳过滤是根据全部过去的和当前的观察数据来估计信号的当前值，它的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，因此更常称这种系统为最佳线性过滤器或滤波器。而卡尔曼过滤是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，它是用状态方程和递推的方法进行估计的，它的解是以估计值(常常是状态变量值)形式给出的。因此更常称这种系统为线性最优估计器或滤波器。维纳滤波器只适用于平稳随机过程，而卡尔曼滤波器却没有这个限制。维纳过滤中信号和噪声是用相关函数表示的，因此设计维纳滤波器要求已知信号和噪声的相关函数。卡尔曼过滤中信号和噪声是状态方程和量测方程表示的，因此设计卡尔曼滤波器要求已知状态方程和量测方程(当然，相关函数与状态方程和量测方程之间会存在一定的关系，见图2.13及例3)。卡尔曼过滤方法看来似乎比维纳过滤方法优越，它用递推法计算，不需要知道全部过去的数据，从而运用计算机计算方便，而且它可用于平稳和不平稳的随机过程(信号)，非时变和时变的系统。但从发展历史上来看维纳过滤的思想是40年代初提出来的，1949年正式以书[1]的形式出版。卡尔曼过滤到60年代初才提出来[2]，它是在维纳过滤的基础上发展起来的，虽然如上所述它比维纳过滤方法有不少优越的地方，但是最佳线性过滤问题是由维纳过滤首先解决的，维纳过滤的物理概念比较清楚，也可以认为卡尔曼滤波仅仅是对最佳线性过滤问题提出的一种新的算法。 §2.2 维纳滤波器的离散形式(I) —— 时域解 维纳过滤最初是对连续信号用模拟滤波器的形式出现的，而后才有离散形式。我们这里仅讨论维纳滤波的离散形式。 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样本响应h(n)或传递函数H(z)的表达式，其实质是解维纳-霍夫(Wiener-Hopf)方程。在要求满足因果性即物理可实现性的条件下，求解维纳-霍夫方程是一个典型的难题。本节我们在时域求最小均方误差下的h(n)，并用表示。按图2.1及