现代数字信号处理
Chapter2:维纳滤波卡尔曼滤波
2.3 信号的自相关序列 Rxx=0.8|m|,m=0,±1,±2,⋯ R x x = 0.8 | m | , m = 0 , ± 1 , ± 2 , ⋯ 。观察信号: x(n)=s(n)+v(n) x ( n ) = s ( n ) + v ( n ) 。其中 v(n) v ( n ) 为零均值方差为0.45的白噪声, s(n),v(n) s ( n ) , v ( n ) 统计独立。设计长度N=3的FIR滤波器 x(n) x ( n ) 。使其输出 s^(n) s ^ ( n ) 与 s(n) s ( n ) 的差的均方差值最小。
解法:
(1).由 x(n)=s(n)+v(n) x ( n ) = s ( n ) + v ( n ) 推出 x(n+m)=s(n+m)+v(n+m) x ( n + m ) = s ( n + m ) + v ( n + m )
x(n)⋅x(n+m)=[s(n)+v(n)]⋅[s(n+m)+v(n+m)]=s(n)⋅s(n+m)–––––––––––––––+v(n)⋅v(n+m)–––––––––––––––+s(n)⋅v(n+m)+v(n)⋅s(n+m) x ( n ) ⋅ x ( n + m ) = [ s ( n ) + v ( n ) ] ⋅ [ s ( n + m ) + v ( n + m ) ] = s ( n ) ⋅ s ( n + m ) _ + v ( n ) ⋅ v ( n + m ) _ + s ( n ) ⋅ v ( n + m ) + v ( n ) ⋅ s ( n + m )
其中下划线的表示自相关,所以也就是推出
Rxx(m)=Rss(m)+Rvv(m)+0=Rss(m)+0.45σ(m)=0.8|m|+0.45σ(m) R x x ( m ) = R s s ( m ) + R v v ( m ) + 0 = R s s ( m ) + 0.45 σ ( m ) = 0.8 | m | + 0.45 σ ( m )
计算出:
Rxx(0)=1+0.45=1.45Rxx(1)=0.8Rxx(2)=0.64 R x x ( 0 ) = 1 + 0.45 = 1.45 R x x ( 1 ) = 0.8 R x x ( 2 ) = 0.64
计算标准方程互相关 P=R⋅h P = R ⋅ h 推出 hopt=R−1⋅P h o p t = R − 1 ⋅ P
计算公式:
其中, P=Rsx(n)=E[s(n)x(n)]=Rss(n)+Rsv(n)=Rss(n)+0––––––––––– P = R s x ( n ) = E [ s ( n ) x ( n ) ] = R s s ( n ) + R s v ( n ) = R s s ( n ) + 0 _
WF & KF 计算
已知信号功率谱为 Sss(z)=0.36(1−0.8z−1)(1−0.8z) S s s ( z ) = 0.36 ( 1 − 0.8 z − 1 ) ( 1 − 0.8 z ) ,测量时,混入了加性噪声 v(n) v ( n ) ,及测量信号为 x(n)=s(n)+v(n) x ( n ) = s ( n ) + v ( n ) 。其中 v(n) v ( n ) 方差为1均值为0的白噪声,与 s(n) s ( n ) 不相关。设计一因果IIR WF对 x(n) x ( n ) 处理以得到最佳估计。
解法:
一、给出已知条件 Ssx(z),Sxx(z) S s x ( z ) , S x x ( z )
可以由以下几种方式得出:
隐含的关系: Sxx(z)=Sss(z)+Svv(z) S x x ( z ) = S s s ( z ) + S v v ( z ) 和 Ssx(z)=Sss(z)+0 S s x ( z ) = S s s ( z ) + 0 推导
给出 Rss(n) R s s ( n ) 和 Rvv(n) R v v ( n ) 求Z变换
信号模型: s(n)=as(n−1)+w(n)–––––|a|<1,|c|<1 s ( n ) = a s ( n − 1 ) + w ( n ) _ | a | < 1 , | c | < 1
测量模型: x(n)=cs(n)+v(n)––––– x ( n ) = c s ( n ) + v ( n ) _
w(n) w ( n ) :白噪声,方差Q
v(n) v ( n ) :测量白噪声,方差R
二、谱分解
求出
Sss(z),Ssx(z),Sxx(z)
S
s
s
(
z
)
,
S
s
x
(
z
)
,
S
x
x
(
z
)
的功率谱
根据谱分解定理:
解出 f f 和之后,求出 B(z) B ( z ) 和 B(z−1) B ( z − 1 )
三、求因果部分
四、求 Hc(z) H c ( z )
求 Hc(z) H c ( z ) 之前我们需要先求出 Ssx(z)B(z−1) S s x ( z ) B ( z − 1 ) 。也就是求出其中的因果部分。
得到
[Ssx(z)B(z−1)]+
[
S
s
x
(
z
)
B
(
z
−
1
)
]
+
之后,
通过 Hc(z)反变换−→−−h(n) H c ( z ) 反 变 换 → h ( n ) 。
五、计算最小均方差
2-5 因果IIR WF计算
(1) 根据 a、c、R、Q,得: Q=P−PRa2R+c2P Q = P − P R a 2 R + c 2 P
(2)求维纳增益: G=CPR+c2P G = C P R + c 2 P
(3) 滤波器系数: f=a(1−cG) f = a ( 1 − c G )
(4)求 Hc(z) H c ( z ) 的表达式: Hc(z)=G1−fz−1 H c ( z ) = G 1 − f z − 1
其中,a就是信号模型中的a,c就是测量模型,Q是 w(n) w ( n ) 的方差,R是 v(n) v ( n ) 的方法
互补维纳滤波器用于飞机盲目着陆系统:
飞机着陆时以较慢的恒定速度沿着一个无线电波速下降。为了自动对准跑道,通常需要为系统提供二个信号。
① 一个是由无线电波束提供的信号(它与飞机航向的滑离跑道方向的大小成比例),有飞机信号与高频噪声叠加
②另一个信号由飞机本身通过自身方位的测量得到,在下降过程中,由于风向的改变在信号中引入低频噪声
Chapter3 自适应滤波器
性能曲面:
性能曲面主轴:就是 R R 的特征向量
- 先求特征值 。
- 利用 QQT=I Q Q T = I 正交求出其值。
性能曲面沿主轴的二阶导数:就是特征值的2倍
例3 P43
已知: R=∣∣∣3113∣∣∣P=∣∣∣25∣∣∣E[d2(n)]=10 R = | 3 1 1 3 | P = | 2 5 | E [ d 2 ( n ) ] = 10
(1)求出性能曲面表达式
(2)求最佳权矢量
(3)求性能曲面的主轴
(4)求性能曲面沿主轴的二阶导数
全矢量的计算公式:
迭代器形式: W(n+1)=(I−2uR)W(n)+2uP W ( n + 1 ) = ( I − 2 u R ) W ( n ) + 2 u P
任意时刻的表达式: W(n)=W∗+[I−2uR]n[W(0)−W∗] W ( n ) = W ∗ + [ I − 2 u R ] n [ W ( 0 ) − W ∗ ] 或者 ξ(n)=ξmin+∑k=0L[v′k]2λk(1−2uλk)2n ξ ( n ) = ξ m i n + ∑ k = 0 L [ v k ′ ] 2 λ k ( 1 − 2 u λ k ) 2 n 。
chapter4 功率谱估计
取样自相关 R^xx(m)=1N∑n=0N−1−|m|x(n)x(n+m)|m|≤N−1 R ^ x x ( m ) = 1 N ∑ n = 0 N − 1 − | m | x ( n ) x ( n + m ) | m | ≤ N − 1 。
Yule-Walker方程
⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪δ2k=R(0)+∑i=1kak,iR(i)Dk=∑i=0kak,iR(k+1−i),ak,0=1vk+1=Dkδ2kδ2k+1=(1−v2k+1)δ2kak+1,i=ak,i−vk+1⋅ak,k+1−i,i=1,2,⋯,k,k+1 { δ k 2 = R ( 0 ) + ∑ i = 1 k a k , i R ( i ) D k = ∑ i = 0 k a k , i R ( k + 1 − i ) , a k , 0 = 1 v k + 1 = D k δ k 2 δ k + 1 2 = ( 1 − v k + 1 2 ) δ k 2 a k + 1 , i = a k , i − v k + 1 ⋅ a k , k + 1 − i , i = 1 , 2 , ⋯ , k , k + 1AR模型的激励
Hc(z)=11+∑k=12ak⋅z−k H c ( z ) = 1 1 + ∑ k = 1 2 a k ⋅ z − k
自相关值得估计与模型参数计算估计
例:已知 x(n)=(1,1,1,1,1) x ( n ) = ( 1 , 1 , 1 , 1 , 1 ) ,求 x(n) x ( n ) 的AR(2)模型参数
(1) 求出自相关函数
求出 R^(0)=1,R^(1)=0.8,R^(2)=0.6 R ^ ( 0 ) = 1 , R ^ ( 1 ) = 0.8 , R ^ ( 2 ) = 0.6
方法一:
(1)、0接AR模型
δ20=R(0) δ 0 2 = R ( 0 ) 和 D0=R(1) D 0 = R ( 1 )
(2)、1阶AR模型
v1=D0δ20δ21=(1+v21)⋅δ20a1,i=a0,i−v1⋅a0,1−i,i=1,2,⋯,kD1=∑i=01a1,i⋅R(1+1−i),a1,0=1 v 1 = D 0 δ 0 2 δ 1 2 = ( 1 + v 1 2 ) ⋅ δ 0 2 a 1 , i = a 0 , i − v 1 ⋅ a 0 , 1 − i , i = 1 , 2 , ⋯ , k D 1 = ∑ i = 0 1 a 1 , i ⋅ R ( 1 + 1 − i ) , a 1 , 0 = 1
(3)、二阶AR模型