维纳滤波和卡尔曼滤波.pptx

第二章 维纳滤波和卡尔曼滤波 ;2.1 引 言 ; 　　我们的目的是为了得到不含噪声的信号s(n)，也称为期望信号，若滤波系统的单位脉冲响应为h(n)（如图2.1.2所示）， 系统的期望输出用yd(n)表示，yd(n)应等于信号的真值s(n)；系统的实际输出用y(n)表示，y(n)是s(n)的逼近或估计，用公式表示为yd(n)=s(n)， y(n) =　　 。因此对信号x(n)进行处理，可以看成是对期望信号的估计，这样可以将h(n)看作是一个估计器，也就是说, 信号处理的目的是要得到信号的一个最佳估计。那么， 采用不同的最佳准则，估计得到的结果可能不同。所得到的估计， 在通信中称为波形估计; 在自动控制中，称为动态估计。 ;图 2.1.1 观测信号的组成 ;图 2.1.2 信号处理的一般模型 ;　　假若已知x(n-1), x(n-2), …, x(n-m)，要估计当前及以后时刻的信号值s(n+N), N≥0，这样的估计问题称为预测问题；若已知x(n-1), x(n-2), …, x(n-m) ，要估计当前的信号值s(n)，称为过滤或滤波； 根据过去的观测值x(n-1), x(n-2), …, x(n-m)，估计过去的信号值s(n-N), N≥1，称为平滑或内插。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的过滤或预测问题, 并以估计的结果与信号真值之间的误差的均方值最小作为最佳准则。 ; 维纳滤波是在第二次世界大战期间，由于军事的需要由维纳提出的。1950年，伯特和香农给出了当信号的功率谱为有理谱时，由功率谱直接求取维纳滤波器传输函数的设计方法。 维纳滤波器的求解，要求知道随机信号的统计分布规律（自相关函数或功率谱密度），得到的结果是封闭公式。采用谱分解的方法求解，简单易行，具有一定的工程实用价值，并且物理概念清楚，但不能实时处理；维纳滤波的最大缺点是仅适用于一维平稳随机信号。这是由于采用频域设计法所造成的， 因此人们逐渐转向在时域内直接设计最佳滤波器的方法。 ;2.2 维纳滤波器的离散形式——时域解 ;要使均方误差为最小，须满足 ;则（2.2.6）式可以写为 ;将（2.2.10）～（2.2.13）式代入（2.2.9）式， 得 ;因此 ;下面计算输出信号与误差信号的互相关函数 ;图 2.2.1 期望信号、 估计值与误差信号的几何关系 ;　　图2.2.1表明在滤波器处于最佳工作状态时， 估计值加上估计偏差等于期望信号， 即 ;2.2.2 维纳—霍夫方程 　　将（2.2.15）式展开， 可以得到 ;　　(2.2.20)式称为维纳-霍夫（Wiener－Hopf）方程。当h(n)是一个长度为M的因果序列(即h(n)是一个长度为M的FIR滤波器)时， 维纳-霍夫方程表述为 ;定义 ;（2.2.22）式可以写成矩阵的形式， 即 ; 上式表明已知期望信号与观测数据的互相关函数及观测数据的自相关函数时，可以通过矩阵求逆运算， 得到维纳滤波器的最佳解。同时可以看到，直接从时域求解因果的维纳滤波器， 当选择的滤波器的长度M较大时， 计算工作量很大， 并且需要计算Rxx的逆矩阵，从而要求的存贮量也很大。此外， 在具体实现时，滤波器的长度是由实验来确定的，如果想通过增加长度提高逼近的精度，就需要在新M基础上重新进行计算。因此，从时域求解维纳滤波器，并不是一个有效的方法。 ;2.2.3 估计误差的均方值 假定所研究的信号都是零均值的，滤波器为FIR型，长度等于M，将(2.2.2)式和(2.2.3)式代入(2.2.4)式，可以得到 ;上式可以进一步化简得到 ;将（2.2.24）式代入(2.2.26)式，得到最小均方误差 ;图 2.2.2 输入信号与观测数据的模型 ; 解 这个问题属于直接应用维纳-霍夫方程的典型问题， 其关键在于求出观测信号的自相关函数和观测信号与期望信号的互相关函数。 ;　　根据题意，画出这个维纳滤波器的框图，如图2.2.3所示。 用H1(z)和H2(z)分别表示x1(n)和x(n)的信号模型，那么滤波器的输入信号x(n)可以看作是v1(n)通过H1(z)和H２(z)级联后的输出， H1(z)和H２(z)级联后的等效系统用H(z)表示，输出信号y(n)就等于x(n)和v2(n)之和。因此求出输出信号的自相关函数矩阵Ryy和输出信号与期望信号的互相关矩阵Ryd是解决问题的关键。相关函数矩阵由相关函数值组成，已知x(n)与v2(n)不相关，那么 ;　　(1) 求出期望信号的方差。根据图2.2.2(a)，期望信号的时间序列模型所对应的差分方程为 ;　　 (2) 计算输入信号和输出信号的自相关函数矩阵。根据自相关函数、功率谱密度和时间序列信