维纳滤波和卡尔曼滤波演示文稿.pptVIP

显然，由于不考虑观测噪声的影响，输出信号的估计值与实际值是有误差的，用 表示 (4.5.6) 为了提高状态估计的质量，用输出信号的估计误差 来校正状态变量 (4.5.7) 其中，Hk为增益矩阵，实质是一加权矩阵。经过校正后的状态变量的估计误差及其均方值分别用 和Pk表示，把未经校正的状态变量的估计误差的均方值用 表示 现在是95页\一共有135页\编辑于星期三 取因果部分， f+(n)=0.6×0.8n×u(n) 现在是63页\一共有135页\编辑于星期三 令 现在是64页\一共有135页\编辑于星期三 单位圆内只有极点zi=0.5， 未经滤波器的均方误差 现在是65页\一共有135页\编辑于星期三 (2) 对于非物理可实现情况，有 现在是66页\一共有135页\编辑于星期三 令 单位圆内有两个极点0.8和0.5，应用留数定理，有 比较两种情况下的最小均方误差,可以看出非物理可实现情况的最小均方误差小于物理可实现情况的均方误差。 现在是67页\一共有135页\编辑于星期三 一、 维纳预测的计算 在维纳滤波中，期望的输出信号 yd(n)=s(n)，实际的输出为y(n)=s(n)。在维纳预测中，期望的输出信号yd(n)=s(n+N)，实际的输出y(n)=s(n+N)。前面已经推导得到维纳滤波的最佳解为 ^ ^ 其中,Sxx(z)是观测数据的功率谱;Sxyd(z)是观测数据与期望信号的互功率谱，即互相关函数rxyd(k)的傅里叶变换 4.4 维 纳 预 测 现在是68页\一共有135页\编辑于星期三 对应于维纳预测器，其输出信号y(n)和预测误差信号e(n+N)分别为 同理，要使预测误差的均方值为最小，须满足 其中，hk表示h(k)。 现在是69页\一共有135页\编辑于星期三 观测数据与期望的输出的互相关函数rxyd(k)和互谱密度Sxyd(z)分别为 这样，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 现在是70页\一共有135页\编辑于星期三 维纳预测的最小均方误差为 从上面分析可以看出， 维纳预测的求解和维纳滤波器的求解方法是一致的。 现在是71页\一共有135页\编辑于星期三  假设x(n)=s(n)+v(n)，式中v(n)是噪声，且v(n)=0，期望信号为s(n+N)，N＞0，此种情况称为纯预测。 假定维纳预测器是因果的，仍设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 二、 纯预测 现在是72页\一共有135页\编辑于星期三 纯预测器的最小均方误差为 应用复卷积定理 现在是73页\一共有135页\编辑于星期三 取y(n)=x(n) 并考虑到b(n)是因果系统，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。 现在是74页\一共有135页\编辑于星期三 例 已知 其中-1＜a＜1， 求: (1) 最小均方误差下的s(n+N)；  (2) E［|e(n+N)|2］min。 ^ 解 首先对Sxx(z)进行功率谱分解。因为 所以 现在是75页\一共有135页\编辑于星期三 其次，求出B(z)的Z反变换 然后，应用Z变换的性质，得到 图 4.4.1 纯预测维纳滤波器 现在是76页\一共有135页\编辑于星期三 由Hopt(z)=aN，此时可以把纯预测的维纳滤波器看作是一个线性比例放大器（如图所示）。根据x(n)的信号模型 可以写出x(n)的时间序列模型所对应的输入输出方程 x(n)=ω(n)+ax(n-1) 将信号x(n)通过纯预测维纳滤波器，随着时间的递增，可以得到 当N=1时，x(n+1)=ax(n)=as(n) 当N=2时，x(n+2)=ax(n+1)=a2s(n)  当N=N时，x(n+N)=ax(N+n-1)=aNs(n) … 现在是77页\一共有135页\编辑于星期三 以上推导结果相当于在n+N时刻，ω(n+N)=0，即去掉噪声时的结果。设N＞0时，ω(n+N)=0，则 x(n+N)=ax(n+N-1) 此时，从统计意义上讲，当N＞0时，白噪声信号ω(n+N)对x(n)无影响。  这一结论还可以推广，对于任何均值为零的x(n)，要估计s(n+N)时，只需要考虑B(z)的惯性，即可认为ω(n+N)=0，N＞0，这样估计出来的结果将有最小均方误差。 ^ 现在是7