维纳滤波基本概念.docx

Wiener 滤波概括 Wiener 滤波器是从统计意义上的最优滤波 , 它要求输入信号是宽安稳随机序列 , 本章主要集中在 FIR 构造的 Wiener 滤波器的议论。 由信号目前值与它的各阶延缓 { x(n), x(n 1), , x(n M 1)} ，预计一个希望信号 d (n) ，输入信号 x(n) 是宽安稳的， x(n) 和 d(n) 是结合宽安稳的 , 要求这个预计的均方偏差最小。 在本章中 ,不特别说明 , 假定信号是零均值 . Wiener 滤波器的几个实质应用实比以下： ①通讯的信道平衡器。 图 1. 信道平衡器的构造表示②系统辨别： 图 2. 线性系统辨别的构造③一般构造 : 图 3. Wiener 滤波器的一般构造 Wiener  滤波器的目的是求最优滤波器系数  wo ，使 J (n)  E[| e(n)  2|  ]  E d (n)  d?(n)  2  最小。 § 从预计理论看法导出  Wiener  滤波 FIR 构造 (也称为横向 )的 Wiener 滤波器的中心构造如图 4 所示 . 图 4. 横向 Wiener 滤波器 FIR 构造的 Wiener 是一个线性 Beyesian 预计问题 . 为了与第 2 讲中预计理论一致，假定信号，滤波器权值均为实数 由 输入 x(n) 和 它的 1 至（ M-1 ）阶 延 迟 ，估 计期 望 信 号 d (n) ， 确 定 权系 数 { wi ,i 0, M 1} 使预计偏差均方值最小，均方偏差定义为： M 1 ? 这里预计 d (n)  ? 写为： d (n) wk x(n k ) k 0 除了此刻是波形预计外，与线性 Bayesian 预计一一对应。 Rxx R（零均值假定） 这里 (rxd ( k ) E[ x(n k)d (n)]) , Wiener 滤波与线性 Bayesian 预计变量之间拥有一一 对应关系 , 设最优滤波器系数为 w 0 ，由线性 Bayesian预计获得 Wiener滤波器系数对应式： 上式后一个方程称为 Wiener-Hopf 方程 , 或 a Rxx1Rx w0 R 1rxd 结论： Wiener 滤波器是线性 FIR 滤波器中的最优滤波器，但非线性滤波可能会达到更好结果。 在结合高斯条件下， Wiener 滤波也是整体最优的（①从 Bayesian 预计意义上讲是这样， ②要知足安稳条件） 3) 从线性贝叶斯预计推导过程知，在滤波器系数取非最优的  w 时，其偏差性能表示： 它是  w 的二次曲面，只有一个最小点，  w  w 0 时，  J (w)  Jmin §维纳滤波：从正交原理和线性滤波看法剖析  Wiener  滤波器 Wiener  滤波器是一个最优线性滤波器，滤波器核是  IIR  或  FIR  的。 导出最优滤波器的正交原理  , 并从正交原理出发从头导出一般的  Wiener  滤波器方程 推导适应于  IIR  和  FIR  的一般结论，而后分别议论  FIR  和  IIR  。 议论一般的复数形式。 · x[ 0],  , x[ n],  输入过程。 w0 , w1 , w2 ,滤波器系数，（权系数） ·希望的响应d[n] ·输出偏差： e[ n] d[ n] y[ n] ·正交性原理 对复数据状况，推导一般结论，实数据是特例。 y[ n] wk* x(n k) e[ n] d[ n] y[ n] = d[n]w* x(n k) k 0 k k 0 均方偏差是： J E e[ n]e* [ n] E | e[ n] |2 设权系数 : wk ak jbk 定义递度算子 [0,1, k] T k wk j . 此中 akbk J J J 符号 J 是递度算子作用于 J，此中第 k 项为： k ak j bk 要求 w0 , w1, 的值 , 使得 J 最小 ,即 J 0 等价： k J 0 k 0,1,2 由 J E{ e[ n]e * [ n]} k J E e[n] e* [n] e[ n] e* [n] 得： e* [ n] e[n] je * [ n] je[ n] ak ak bk bk 由 e[n] d[ n] wk* x[ n k 0 e[ n] 获得： x[ n k] ak 代入 k J 表达式整理得： 当 k J 0 k 0,1,  k ] e[ n] jx[ n k] bk k J 2E[ x[ n k]e* [ n]] 时， J 达到最小。 设 J 达最小时，用 w0 , e0 [ n] 表示权系数和偏差 e[n] ，且 J Jmin