维纳滤波、维纳霍夫方程及矩阵形式

最新推荐文章于 2024-11-22 09:57:11 发布

learnrocks100

最新推荐文章于 2024-11-22 09:57:11 发布

阅读量3.4k

点赞数 2

分类专栏： DSP

本文链接：https://blog.csdn.net/cyz_2014/article/details/116083119

版权

DSP 专栏收录该内容

13 篇文章

订阅专栏

本文探讨了如何通过维纳霍夫方程解决FIR滤波器的权系数优化问题，涉及正交性原理、复数信号处理和误差性能曲面。关键步骤包括梯度向量计算、自相关矩阵与互相关函数的定义，以及工程上的矩阵形式求解方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

给定输入序列 $u(0),u(1),u(2)...$ ，通过一个FIR线性滤波器 $h(n)$ ，权系数是 $w_0,w_1,w_2...$

n时刻,FIR滤波器的输出：

$y(n)=\sum_{k=0}^\infty {w_{k}^*u(n-k)}$

n时刻滤波器期望的输出是 $d(n)$ ，期望响应与实际的输出的差值为:

$e(n)=d(n)-y(n)$

随着输入 $u(n)$ 的变化，要让滤波器实际输出逼近期望响应，需要求解新的滤波器抽头系数，求解过程是一个基于统计优化问题的数学求解。

该数学问题有两种方法进行阐述

通过正交性原理推导最优解需满足的条件

令

$J=E[e(n)^*e(n)]$

如果假定 $u(n)$ , $w_k$ 都是复数， $w_k=a_k+j b_k$

$e(n)=d(n)-y(n) \\ =d(n)-\sum _{k=n-M+1}^M w_k^*u(k)\\ =d(n)-\sum _{k=n-M+1}^M (a_k-j b_k)u(k)\\ =d(n)+\sum _{k=n-M+1}^M (-a_k+j b_k)u(k)$

对 $e(n)$ 求偏导得

$\frac{\partial e(n)}{\partial a_k}=-u(n-k) \\ \frac{\partial e(n)}{\partial b_k}=j u(n-k) \\ \frac{\partial e(n)^*}{\partial a_k}=-u^*(n-k) \\ \frac{\partial e(n)}{\partial a_k}=-ju^*(n-k) \\$

多维梯度向量

$\triangledown_k J=E[\frac{\partial e(n)}{\partial a_k}e^* (n) + \frac{\partial e^* (n)}{\partial a_k}e (n) +\frac{\partial e(n)}{\partial b_k}j e^* (n) + \frac{\partial e^* (n)}{\partial b_k}j e(n) ] \\ =E[-u(n-k)e^*(n)-u^*(n-k)e(n)+ju(n-k)je^*(n)-ju^*(n-k)*j e(n)] \\ =-2E[u(n-k)e^*(n)]$

上面是考虑了复数权系数和复数随即信号的推倒过程，更加简单的推导是

$y(n)=\sum _{k=0}^\infty h(n)u(n-k)$

$e(n)$ 对 $h(n)$ 求偏导的

$\frac{\partial e(n)}{h(n)}=u(n-k)$

$\frac{\partial J}{h(n)}=-E[2 e(n)u(n-k)]=-2E[u(n-k)e(n))]$

$\triangledown_k J$ 等于0时， $e(n)$ 取得最优值。

也就是 $u(n)$ 和 $e(n)$ 正交时，实际输出 $y(n)$ 与期望响应 $d(n)$ 更加接近

$E[y(n)e^*(n)]=E[\sum_{k=0}^\infty {w_{k}^*u(n-k)e^* (n)}]=0$

当 $e(n)$ 取最优值时， $y(n)$ 和 $e(n)$ 正交， $e(n),y(n),d(n)$ 构成一个直角三角形， $d(n)$ 是斜边， $e(n)$ 和 $y(n)$ 是直角边， $e(n)$ 最小时 $y(n)$ 接近 $d(n)$

维纳-霍夫方程

当 $e(n)$ 取得最优解时，

$E[u(n-k)e^*(n)]=E[u(n-k)(d^*(n)-\sum_{i=0}^\infty w_{oi}u^*(n-i))]=0$

$k=0,1,2,...$

$\sum_{i=0}^\infty w_{oi}E[u^*(n-i)u(n-k))]=E[u(n-k)d^*(n)]$

$u(n)$ 的自相关函数定义为

$r(i-k)=E[u(n-k)u^*(n-i)]$

$u(n)$ 与 $d(n)$ 的互相关函数定义为

$p(-k)=E[u(n-k)d^* (n)]$

上面的方程可以写为

$\sum_{i=0}^\infty w_{oi}r(i-k)=p(-k)\\ k=0,1,2...$

$w_{oi}$ 是维纳滤波器的最优系数，上面的方程叫做维纳霍夫方程。

通过误差性能曲面推导最优解需满足的条件

$J=E[e(n)e^*(n)] \\ =E[(d(n)-\sum_{k=0}^{M-1} w_k^*u(n-k))(d^*(n)-\sum_{k=0}^{M-1} w_k u^*(n-k))] \\ =E[|d(n)|^2] - \sum_{k=0}^{M-1} w_k^*E[u(n-k)d^*(n) ]- \sum_{k=0}^{M-1} w_k E[u^*(n-k)d(n) ]+ \sum_{k=0}^{M-1}\sum_{i=0}^{M-1} w_k^*w_i u(n-k)u^*(n-i)] \\ = \sigma_d^2 - \sum_{k=0}^{M-1} w_k^*p(-k) - \sum_{k=0}^{M-1} w_k p^*(-k) + \sum_{k=0}^{M-1}\sum_{i=0}^{M-1} w_k^*w_i r(i-k)$

上式成立的条件是抽头输入 $u(n)$ 与期望响应 $d(n)$ 联合平稳，此时代价函数 $J$ 是关于权系数 $w_0,w_1,...,w_{M-1}$ 的二次函数

可以把 $J$ 看作是一个M阶的碗状曲面，对 $w_k$ 求J的梯度向量可得

$\triangledown_kJ=\frac{\partial J}{a_k} + j \frac{\partial J}{b_k} \\ = -2p(-k) + 2\sum_{i=0}^Mw_ir(i-k)$

令 $\triangledown_kJ = 0$ 得到维纳霍夫方程

$\sum_{i=0}^\infty w_{oi}r(i-k)=p(-k)\\ k=0,1,2...$

维纳霍夫方程的矩阵形式求解

$u(n)$ 的自相关矩阵

$\mathbf{R}=E[\mathbf{u}(n)\mathbf{u}^H(n)] \\ \mathbf{u}(n) = [u(n-1), u(n-2), ... u(n-M+1)]^T \\ \mathbf{p }= E[\mathbf{u}(n)d^*(n)] \\ \mathbf{p} = [p(0), p(-1),..., p(1-M))]^T$