以下手稿属于Principe大佬,硕士课程上的大佬的课
wiener solution
信号+additive noise > 线性系统=>y(n)
信号 ============> 维纳滤波>d(n)
- 利用
过去的M
个点(包括当前)预测 对代价函数求导=0
,引出P和R
根据上图,我们定义如下:- 互相关方程(crosscorrelation function)
P ( i ) = E [ x ( n − i ) d ( n ) ] P(i) = E[x(n-i)d(n)] P(i)=E[x(n−i)d(n)] - 自相关方程(autocorrelation function)
R ( i − k ) = E [ x ( n − i ) x ( n − k ) ] R(i-k) = E[x(n-i)x(n-k)] R(i−k)=E[x(n−i)x(n−k)]
因此,我们有Wiener-Hopf equations
P
(
i
)
=
∑
k
=
0
M
−
1
R
(
i
−
k
)
w
(
k
)
P(i) = \sum_{k=0}^{M-1} R(i-k) w(k)
P(i)=k=0∑M−1R(i−k)w(k)
因此我们的目标为:
w ⃗ o p t = R ⃗ − 1 P ⃗ \vec{w}_{opt} = \vec{R}^{-1}\vec{P} wopt=R−1P
插曲:最小化MSE等价于使得error
向量 与输入
向量x(n)正交