![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
信号处理
你行你上天
专注:智能硬件,信号处理算法,数据挖掘算法,Labview虚拟仪器
展开
-
信号处理学习笔记1——滤波概述
什么是滤波?按照我个人的理解,滤波就是从观测信号中去除噪声,留下想要信号的过程。线性滤波与非线性滤波根据滤波器的输出是否为输入的线性函数,可将它分为线性滤波器和非线性滤波器两种。若噪声为加性,即噪声是叠加到“干净”信号上的,则可用线性滤波器将噪声滤除。若噪声不是加性,则需要非线性滤波器。典型的线性滤波如经典IIR、FIR滤波,典型的非线性滤波如中值滤波、形态学滤波、同态滤波、基于小波分...原创 2019-03-06 15:21:46 · 2789 阅读 · 0 评论 -
信号处理学习笔记2——维纳滤波器
在讨论维纳滤波之前,先来看看维纳滤波器在线性滤波器体系中处于什么位置。 经典的FIR和IIR滤波器要求已知信号和噪声的频谱信息,并且信号和噪声的频谱没有交叠。信号和噪声的频谱有交叠时,如果硬要使用FIR和IIR当然也可以,但要么会造成噪声滤除不干净,要么会造成滤除噪声的同时对有用信号造成“误伤”。 实际上,在信号和噪声频谱有交叠时,滤波问题演变为在已知观测量的前提下,对未知信号进行最佳估计的问题(所以这里信号也称为估计量)。既然希望估计是最佳,那必然要有个评价准则,不同的评价准则便衍生出不同的估原创 2019-03-07 15:17:37 · 22757 阅读 · 6 评论 -
信号处理学习笔记3——自适应滤波器1-最速下降法理论
关于什么是自适应滤波器,在参考文献1的“关于<自适应滤波器原理>一书”一节中,有如下描述: 自适应信号处理可以在无需先验知识的条件下,通过自学习适应或跟踪外部环境的非平稳随机变化,并最终逼近维纳滤波器和卡尔曼滤波器的最优滤波性能。 由于没有先验知识,自适应滤波器的性能一般只能逼近维纳滤波器和卡尔曼滤波器。这是可以理解的。1. 先导知识——最速下降法最原创 2019-03-07 16:58:15 · 2032 阅读 · 0 评论 -
信号处理学习笔记6——自适应滤波器4-递归最小二乘(RLS)自适应滤波器
前面学习的LMS自适应滤波器的核心思想是最速下降法,并根据当前输入信号和期望输出对代价函数的瞬时梯度进行估计。但它只使用了当前时刻的输入和期望信号,没有充分利用过去的信息。这就导致LMS自适应滤波器误差大、收敛慢。 一个直接的想法就是,如果能把过去的信息也都利用起来,那么梯度估计的误差就会大大减小,算法便会很快收敛。最小二乘(Least Squares,LS)算法正好就实现了这一过程,...原创 2019-03-25 20:46:34 · 7610 阅读 · 1 评论 -
信号处理学习笔记4——自适应滤波器2-最速下降法用于FIR型维纳滤波
几点说明:上面提到的式(4.4)就是最速下降法中的权值更新公式。在维纳滤波中,期望响应一般就是噪声。因为维纳滤波本身就假设信号和噪声是(即这里的抽头输入u(n)和期望响应w(n))广义联合平稳的,所以输入相关矩阵R\bold RR以及输入和噪声的互相关向量p\bold pp是恒定的。因此式(4.9)和式(4.10)的计算结果仅与迭代时的权值向量有关,并且是可以精确计算的(这是与后面LM...原创 2019-03-13 17:23:54 · 1811 阅读 · 0 评论 -
信号处理学习笔记5——自适应滤波器3-LMS自适应滤波器
LMS算法全称最小均方算法(least mean square),是一种线性自适应滤波算法。它不需要计算相关函数,也不需要矩阵求逆计算。由于其简单性,LMS算法成为其它线性自适应滤波算法的参照标准。 LMS一般包含两个基本过程:滤波过程:a. 计算线性滤波器输出对输入信号的响应;b. 通过比较输出结果与期望响应产生估计误差自适应过程:根据估计误差自动调整滤波器参数1.LMS自...原创 2019-03-13 18:01:11 · 4742 阅读 · 0 评论