维纳滤波(Wiener Filter)

Wiener Filter

因为最近看文章接触了维纳滤波，所以这里写一下Weiner Filter的一些简单理解和推导。

基本定义

维纳滤波是一种在含噪声的时序信号把信号提取出来的滤波器，其基本框图如下：

简单的维纳滤波其实就是通过一个FIR滤波器，去除噪声的过程。在这里，$h$的作用也可以理解为： 通过训练集的数据对信号和噪声的建模，然后通过前几个点的信息，预测当前时刻的噪声信号所占的比例，然后去除掉，剩下的就是预测的时序信号了。维纳滤波作为一种使用很广泛的滤波器，其变化的形式也有很多种，可以是单输入输出的，也可以是多输入输出的。$h$所表示的变换也可以写成非线性；$h$可以是有限长的FIR滤波器，也可以是无限长的IIR滤波器。要取决于当前你所解决的问题。但是维纳滤波的基本思想还是一致的。通过滤波（矩阵或者其他模型的形式）来从信号和噪声的混合中提取信号。所以维纳滤波的核心，就是计算这个滤波器（矩阵$h$或者模型的参数）。也就是解Wiener-Hopf方程。

本文用比较简单的单输入输出，且只考虑有限长滤波（即认为当前时刻的信号只和前有限个时间点的信号相关）。

公式推导

首先，对于图1中的滤波器：

$$y(n)=x(n)\ast h(n)=(s(n)+v(n))\ast h(n)\text{\hspace{1em}(1)}$$

其中$\ast$表示卷积，$x(n)$表示输入信号， $y(n)$表示输出信号， $s(n)$表示输入信号中，有用的信号部分；$v(n)$表示输入信号中的噪声部分。

维纳滤波的目标是，保证输出$y(n)$和真实信号$s(n)$的差别最小，由于$y(n)$和$s(n)$是时序信号，所以要保证两者的均方误差最小，所以有：

E { e 2 ( n ) } = E { ( y ( n ) − s ( n ) ) 2 } = E { ( x ( n ) ∗ h ( n ) − s ( n ) ) 2 } (2) E\{e^2(n)\} = E\{(y(n)-s(n))^2\} = E\{(x(n)*h(n)-s(n))^2\} \tag{2} E{ e2(n)}=E{ (y(n)−s(n))2}=E{ (x(n)∗h(n)−s(n))2}(2)

即求使得Eq(2)最小的$h$。所以 E { e 2 } E\{e^2\} E{ e2}对$h$求偏导。有：

∂ E { e 2 ( n ) } ∂ h = 2 E { e ( n ) ∗ ∂ e ( n ) ∂ h } = 0 (3) \frac{\partial{E\{e^2(n)\}}}{\partial{h}} = 2E\{e(n) * \frac{\partial{e(n)}}{\partial{h}}\} = 0 \tag{3} ∂h∂E{ e2(n)}​=2E{ e(n)∗∂h∂e(n)​}=0(3)

∂ E { e 2 ( n ) } ∂ h = 2 E { [ ∑ m = 0 N − 1 h ( m ) x ( n − m ) − s ( n ) ] x ( n − j ) } , j = 0 , 1 , . . . , N − 1 (4) \frac{\partial{E\{e^2(n)\}}}{\partial{h}} = 2E\{[\sum_{m=0}^{N-1}{h(m)x(n-m) - s(n)}]x(n-j)\}, j = 0, 1, ... , N-1 \tag{4} ∂h∂E{ e2(n)}​=2E{ [m=0∑N−1​h(m)x(n−m)−s(n)]x(n−j)},j=0,1,...,N−1(4)

∂ E { e 2 ( n ) } ∂ h = 2 ∑ m = 1 N − 1 h ( m ) E { x ( n − j ) x ( n − m ) } − 2 E { s ( n ) x ( n − j ) } = 0 , j = 0