微弱信号滤波

对于噪声中的信号检测，通常会涉及三个方面：信号滤波、信号判决、信号参量估计。信号滤波是信号处理中经常采用的方法，主要是从被噪声污染的信号中恢复信号波形；信号判决主要是解决从强干扰噪声中发现和分辨微弱信号的问题，即判断噪声中有无信号的问题；信号参量估计是关于噪声中信号未知参量的测量问题，是在肯定信号存在的情况下计算信号的参数。

微弱信号滤波问题：
1.匹配滤波器
2.维纳滤波器
3.卡尔曼滤波器
4.自适应噪声抵消滤波器（希望滤波器能够自动适应系统或周围环境的变化，则需要滤波器的参数可以随时间做些简单的变化。）

在设计滤波器时，应采用某些准则，使最终的采集到的信号满足人们的需求；通常采用两种准则：一种是使滤波器输出的信号的信噪比(SNR)达到最大；另一种是使用滤波器输出信号的均方误差最小。采用第一种准则的称为匹配滤波器；采用第二种准则的称为维纳(Wiener)滤波器。

1.匹配滤波器：
性质：
（1）在所有线性滤波器中，匹配滤波器输出信号的信噪比最大。
（2）常数c表示匹配滤波器的相对放大量，不影响输出信号的信噪比，故取值是任意的。
（3）匹配滤波器输出信号在t=T0时刻的瞬时功率达到最大，该时刻T0应该选取等于原信号的持续时间。
2.维纳滤波器
维纳滤波是一种在最小均方误差准则下的最佳线性滤波器，它可用于平滑、滤波和预测。
最小均方误差准则：
用一个滤波器h(t)对随机观测数据x(t)=s(t)+n(t)进行滤波，以实现对信号是s(t)的恢复或估计y(t)。设y0(t)为希望输出信号，也称期望输出，通常令y0(t)=s(t+η)：
当η=0时，称为信号复现，是利用直到当前时刻的随机过程的观察值来得到当前信号值的估计。
当η<0时，称为信号平滑，是利用直到当前时刻的随机过程的观察值来得到过去某个时刻信号的估值。
当η>0时，称为信号预测，是利用直到当前时刻的随机过程的观察值来得到将来某个时刻的估值。
期望输出y0(t)不会等于滤波器的实际输出信号y(t),存在误差e(t)=y0(t)-y(t),该误差为随机变量，不适合作为滤波器的性能评价标准，而均方误差是确定值，是滤波器性能的主要测度之一。最小均方误差准则就是对于滤波器h(t),使得均方误差达到最小，这种滤波器又称为维纳滤波器。
3.卡尔曼滤波器
维纳滤波器针对平稳随机过程，具有最小均方误差输出信号，在知道信号与噪声的相关函数或功率谱密度函数的情况下，通过求解维纳-霍夫方程，求出被噪声污染的信号的最优滤波值或预测值。该方法求解困难，并且不容易实现滤波要求的滤波网络。目前主要采用卡尔曼滤波方法，该方法针对时间序列，以最小均方误差作为准则，使用递推估计算法，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的测量值来更新状态变量，从而求出现在时刻的估计值，它适合计算机实时处理。其实质是由观测值重构系统状态向量，以‘预测、实测和修正’的顺序递推，根据测量值来消除干扰，或恢复信号。
4.自适应噪声抵消滤波器：
自适应滤波器是指根据环境的改变，使用自适应算法来改变滤波器的参数和结构的滤波器。通常情况下，为方便解决问题，不改变自适应滤波器的结构。而自适应滤波器的系数是自适应算法更新的时变系数。即其系数自动连续地适应给定信号，以获得期望响应，从而实现最优滤波。自适应滤波最重要的特征是：它能够在未知的环境中有效工作，并能够跟踪输入信号的时变特征。