最优滤波的三种方法论

优滤波解决系统的状态或信号的最优估计问题,即由被噪声污染的观测信号求在某种性能指标和某种意义下状态或信号的最优估值器，也叫最优滤波器。术语“滤波”来源于无线电学科领域，其含义为滤掉或过滤噪声还状态或信号本来面目之意。在有传感器或检测仪表的系统中,常常会遇到这类问题。这是由于方面传感器或检测仪表对状态或信号的检测带有一定 量测(观测)噪声(即量测随机误差),另方面在检测过程中还可能存在其他干扰噪声。“最优”是相对的。通常人们选择线性估值器，即滤波器是观测信号历史数据的线性函数，并且选择最优化性能指标为求最优估值器极小化均方误差,即极小化估计误差平方的数学期望。这类最优滤波器就是线性最小方差估值器。

解决最优滤波问题有三种方法论:Wiener滤波方法,Kalman滤波方法2]和现代时间序列分析方法。

经典Wiener滤波方法是由控制论创始人N.Wiener在20世纪40年代初(第二次世界大战期间)由于研究火炮控制系统的需要提出的。它是一种 频域滤波方法,它的基本工具是平稳随机过程谱分解。其缺点和局限性是要求信号为平稳随机过程,要求存贮全部历史数据,滤波器是非递推的,计算量和存贮量大，不便于实时应用。它仅适用于单通道平稳随机信号。虽然经典Wiener滤波方法有上述缺点和局限性,但它仍是改进滤波器设计的重要方法和工具。现代Wiener滤波方法即多项式方法[14,15]是经典滤波方法的新发展，形成于20世纪80年代。它最终通过求解相互耦合的Diophantine 方程可得到递推Wiener滤波器，可处理多维、非平稳随机信号,克服了经典Wiener 滤波方法的局限性。

随着电子计算机军事和空间技术的发展，经典Wiener滤波方法已不能满足实际应用的需要。首先要求滤波算法是递推的，便于计算机实时计算，其次要求滤波算法可处理多变量非平稳随过程或时变系统滤波问题。在这种背景下,R.E.Kalman在20世纪60年代初提出了Kalman滤波方法。Kalman滤波方法是一种时域方法，它基于状态空间模型和射影理论来解决最优滤波问题,且最终将问题归结为计算或求解Riccati方程。它的优点是Kalman滤波算法是递推的，便于在计算机上实现和实时应用，可处理时变系统、非平稳信号、多维信号滤波问题，克服了经典Wiener滤波方法的缺点和局限性。但其缺点是要求精确已知系统模型和噪声方差。
Kalman滤波方法的基本特征和关键技术是状态空间方法。Kalman滤波器是基于状态空间模型来设计的。状态空间方法的基本概念是系统的状态变量的概念。系统状态变量是描述系统特征的n维列向量，它的取值空间为n维欧氏空间。例如对于一个沿直线做变速运动的目标，可用运动目标的位置、速度和加速度表示其状态。假如对其加速度不感兴趣的话,亦可用其位置和速度表示系统的状态。
状态变量是比信号概念更广泛、更一般的概念。根据具体情况,信号可看成状态，也可看成是状态的某个或某些分量。因此状态估计问题包括信号估计问题作为特例。
状态空间方法的基本模型和出发点是状态空间模型。状态空间模型包括状态方程和观测方程。状态方程(状态模型)是描写状态变化规律的模型,而观测方程(观测模型)则表示对状态进行线性观测的方程，通常含有随机观测噪声。所谓线性观测是指被观测信号可以使状态本身，也可以是状态的某个或某些分量，也可以是状态分量的线性组合。观测方程也可以非线性的。

现代时间序列分析方法是经典时间序列分析与经典Kalman滤波相互渗透、相互交叉的产物。自回归滑动平均( Autoregressive Moving Average, ARMA)模型是时间序列分析的基本模型，状态空间模型是经典Kalman滤波的基本模型。ARMA新息模型是现代时间序列分析方法的基本模型。
现代时间序列分析方法的特色和基本工具是ARMA新息模型和白噪声估值器。ARMA新息模型提供了最优估计(最优滤波)所需的全部信息,它揭示了系统观测、新息、输人白噪声和观测白噪声之间的数量关系。现代时间序列分析方法将状态或信号最优滤波问题转化为白噪声估计问题。

以上概要介绍了最优滤波的三种方法论。经典Wiener滤波方法的基本工具是谱分解,现代Wiener滤波方法的基本工具是Diophantine方程。经典Kalman滤波方法的基本工具是Riccati方程。现代时间序列分析方法的基本工具是ARMA新息模型和白噪声估值器。