第5章 维纳滤波在信号处理中的应用
导语
本博客全部参考于UESTC电工学院何子述老师讲义复习而得,如有转载请保留此句!
5.1 线性预测与AR模型
满足维纳-霍夫方程的线性预测称为最佳线性预测,简称线性预测
线性预测与AR模型互为逆系统关系,权系数满足一定的关系。
LP(M)实际上是将AR(M)通过滤波变成了白噪声过程。线性预测器也被称为白化滤波器
实际应用:声音信号通过LP (M )变为白噪声,同时得到权系数w和最小误差(代价)J. 将二者传送到接收端,接收端根据权系数w得到系数a, 作为AR(M)模型的参数,并以白噪声等于最小误差作为AR模型的输入,便可恢复出原讲话者的声音信号。
5.2 基于线性预测器的AR模型功率谱估计
利用N个观测样本作为LP (M )的输入,应用维纳滤波器的LMS等自适应迭代算法,求出权向量和最小均方误差,就可以得到AR模型的参数和输出白噪声方差。
具体实现时,利用前向线性预测(FLP)和后向线性预测(BLP)进行因此估计。并且在最小均方误差意义下,用FLP和BLP估计权向量时,效果是相同的。
Burg算法:根据N个观测样本估计各阶FBLP的发射系数,并利用a(i)与发射系数k(i)的关系,最终可得到M阶LP(M)系数,再利用线性预测与AR(M)模型互为逆系统的结论,可以得到AR(M)系数,最终得AR(M)功率谱估计。
了解信道均衡和自适应均衡的概念。
第6章 最小二乘估计理论及算法
6.1 最小二乘估计理论
独立方程个数大于未知数的数目,即超定线性方程组,此时使误差向量在某种意义下取得最小值,在最小二乘(Least Squares)意义下,使估计误差的模的平方和的解为最小二乘解。
横向滤波器的设计原则是,寻找权向量使得误差信号在某种意义下取得极小值。
要求得J的最小值,首先求J关于w的梯度,令梯度为0,得到确定性正则方程,得到最小二乘解。
LS估计的正交性:误差向量与数据矩阵正交,与估计输出向量正交。
最小二乘方法与维纳滤波器的关系:
- 代价函数
在维纳滤波中,代价函数是均方误差。在最小二乘估计中,代价函数定义为误差信号有限个样本的模的平方和。
- 维纳霍夫方程与确定性正则方程
若随机过程u(n) 是各态历经的平稳随机过程,当观测样本数趋于无穷大时,确定性正则方程逼近维纳- - 霍夫方程,或最小二乘方法逼近维纳滤波。