前面讲了两个用LMS训练FIR滤波器,实现噪声抑制的例子。
Review:普通LMS算法训练FIR滤波器
Review:含辅助观测数据的LMS噪声抑制
在《含辅助观测数据的LMS噪声抑制》文章的末尾,我说,如果能拿到辅助观测的噪声,当然最好,但是
1. 需要另外增加一个信号采集装置,增加成本;
2. 这个额外的信号采集装置还要能很好地接收到基本纯净的噪声或通过一定线性信道(我们用的FIR滤波器)的噪声;
这两个因素,能不能实现,就要具体情况具体分析了。
所以,这篇文章就是采用另一种思路,来回避这个问题。如果能用不含辅助观测数据的FIR滤波器,用LMS去更新其系数,但实际上是盲均衡(blind equalization)(或叫无监督学习),该怎么做呢?
理论上,可以用如下框图表示的去噪系统。(实际上,我自己做了一下,并没有什么效果…暂时不知道为什么……)
x是含噪信号,d是所希望得到的有用信号,v1是噪声信号。
有一堆假定:
1. d,v是零均值过程;
2. d,v互不相关;
3. d是窄带过程(语音大概算是吧,相对于一般情况下的噪声而言);
4. v是宽带过程(大概也可以这么想,一般情况下,噪声覆盖了很大的频率范围)
这时,误差可以选为 e = x - d^。
看上去觉得很神奇。为什么误差就可以选为这个?
换句话说,最小化这个误差的平方的期望,就等于是“最佳”地抑制掉噪声了?
证明。
重新画个图。打草稿,字丑,莫见怪。
所以,…,误差信号,可以选择上述的那个。
应用。
好多书上也没有找到这种应用。
我暂时也没做出效果来。
也不知道实际上是不是真的没什么效果………