杭州紫金港培训学校(紫金港专升本)杭州紫金港培训学校(紫金港专升本)
同等学力申硕信息与通信工程学科综合考前辅导第二门 信号处理(选考)第 12 节 / 共 32 节约 30 分钟报名学员看全文

信号处理(四):最优滤波器

对应信号处理(四):维纳滤波器、维纳-霍夫方程与均方误差性能函数,线性预测误差滤波器、Yule-Walker 方程、Levinson-Durbin 算法、格型滤波器与反射系数,最小二乘滤波器、LS 估计与投影矩阵,卡尔曼滤波器。

本节考点:维纳滤波器线性预测与Levinson算法格型滤波器与反射系数最小二乘滤波器卡尔曼滤波器

本节导读

这一节对应信号处理「(四)最优滤波器」四条:

  1. 维纳滤波器,维纳-霍夫方程。均方误差性能函数。
  2. 线性预测误差滤波器,Yule-Walker 方程,Levinson-Durbin 算法,格型滤波器,反射系数。
  3. 最小二乘滤波器,LS 估计,投影算子和投影矩阵。最小二乘问题的求解方法。
  4. 卡尔曼滤波器。

四种滤波器的共同点是「按某种准则最优」:维纳与卡尔曼按统计均方误差最小,最小二乘按一段数据的误差平方和最小。学完要做到:会列维纳-霍夫方程、求最优权与最小均方误差;会用 Levinson-Durbin 算法逐阶递推;会由反射系数判断最小相位;会写最小二乘解与投影矩阵;会做一步标量卡尔曼递推。

本节记号:输入矢量 x(n)\mathbf x(n)x(n),权矢量 w\mathbf ww,期望响应 d(n)d(n)d(n),误差 e(n)=d(n)−wTx(n)e(n)=d(n)-\mathbf w^{\mathrm T}\mathbf x(n)e(n)=d(n)−wTx(n);R=E[xxT]\mathbf R=E[\mathbf x\mathbf x^{\mathrm T}]R=E[xxT],p=E[d x]\mathbf p=E[d\,\mathbf x]p=E[dx];mmm 阶预测误差功率 σm2\sigma_m^2σm2​,反射系数 kmk_mkm​;卡尔曼滤波里的 P(n∣n−1)P(n\mid n-1)P(n∣n−1)、P(n∣n)P(n\mid n)P(n∣n) 是估计误差的方差,不是概率。

维纳滤波器与均方误差性能函数

FIR 维纳滤波器用 wTx(n)\mathbf w^{\mathrm T}\mathbf x(n)wTx(n) 估计 d(n)d(n)d(n),均方误差是权矢量的二次函数,叫均方误差性能函数:

J(w)=σd2−2wTp+wTRwJ(\mathbf w)=\sigma_d^2-2\mathbf w^{\mathrm T}\mathbf p+\mathbf w^{\mathrm T}\mathbf R\mathbf wJ(w)=σd2​−2wTp+wTRw

它的图形是开口向上的「碗」,只有一个最低点。令梯度为零得维纳-霍夫方程 Rwo=p\mathbf R\mathbf w_{\mathrm o}=\mathbf pRwo​=p,最小均方误差 Jmin⁡=σd2−pTwoJ_{\min}=\sigma_d^2-\mathbf p^{\mathrm T}\mathbf w_{\mathrm o}Jmin​=σd2​−pTwo​,并且 J(w)=Jmin⁡+(w−wo)TR(w−wo)J(\mathbf w)=J_{\min}+(\mathbf w-\mathbf w_{\mathrm o})^{\mathrm T}\mathbf R(\mathbf w-\mathbf w_{\mathrm o})J(w)=Jmin​+(w−wo​)TR(w−wo​)。

正交原理:最优时误差与滤波器用到的每一个输入样本都不相关,即 E[eo(n)x(n−k)]=0E[e_{\mathrm o}(n)x(n-k)]=0E[eo​(n)x(n−k)]=0(k=0,⋯ ,M−1k=0,\cdots,M-1k=0,⋯,M−1),从而也与最优输出不相关。用途:去噪、预测、信道均衡、系统辨识。

线性预测误差滤波器与 Levinson-Durbin 算法

ppp 阶前向预测用过去 ppp 个值预测当前值,预测误差 fp(n)=x(n)+∑k=1pap,kx(n−k)f_p(n)=x(n)+\sum_{k=1}^{p}a_{p,k}x(n-k)fp​(n)=x(n)+∑k=1p​ap,k​x(n−k),传递函数就是 Ap(z)A_p(z)Ap​(z)。令误差功率最小得到的正则方程正是第 11 节的 Yule-Walker 方程。

Levinson-Durbin 算法利用自相关矩阵的托普利兹结构逐阶递推,从 σ02=r(0)\sigma_0^2=r(0)σ02​=r(0) 开始,对 m=1,2,⋯ ,pm=1,2,\cdots,pm=1,2,⋯,p:

km=−r(m)+∑i=1m−1am−1,i r(m−i)σm−12am,i=am−1,i+km am−1,m−i,am,m=kmσm2=(1−km2) σm−12\begin{aligned} k_m&=-\frac{r(m)+\sum_{i=1}^{m-1}a_{m-1,i}\,r(m-i)}{\sigma_{m-1}^2}\\ a_{m,i}&=a_{m-1,i}+k_m\,a_{m-1,m-i},\quad a_{m,m}=k_m\\ \sigma_m^2&=(1-k_m^2)\,\sigma_{m-1}^2 \end{aligned}km​am,i​σm2​​=−σm−12​r(m)+∑i=1m−1​am−1,i​r(m−i)​=am−1,i​+km​am−1,m−i​,am,m​=km​=(1−km2​)σm−12​​

每升一阶只要前一阶的结果,总计算量约 p2p^2p2,还顺带得到 1 到 ppp 阶的全部预测器。

格型滤波器与反射系数

把各阶前向误差 fm(n)f_m(n)fm​(n)、后向误差 bm(n)b_m(n)bm​(n) 一级一级地算出来,得到格型结构:

fm(n)=fm−1(n)+km bm−1(n−1)bm(n)=bm−1(n−1)+km fm−1(n)\begin{aligned} f_m(n)&=f_{m-1}(n)+k_m\,b_{m-1}(n-1)\\ b_m(n)&=b_{m-1}(n-1)+k_m\,f_{m-1}(n) \end{aligned}fm​(n)bm​(n)​=fm−1​(n)+km​bm−1​(n−1)=bm−1​(n−1)+km​fm−1​(n)​

每一级只有一个参数 kmk_mkm​,就是 Levinson 递推里的反射系数。性质:各阶后向误差相互正交;增加阶数只需在末尾加一级;∣km∣<1\lvert k_m\rvert\lt 1∣km​∣<1(对一切 mmm)⇔ Ap(z)A_p(z)Ap​(z) 是最小相位的,此时全极点合成滤波器 1/Ap(z)1/A_p(z)1/Ap​(z) 稳定;∣km∣=1\lvert k_m\rvert=1∣km​∣=1 表示预测误差功率降到零,信号可以完全预测。

最小二乘滤波器

不知道统计量、只有 NNN 个观测时,按误差平方和最小设计。把输入排成数据矩阵 A\mathbf AA(每行一个输入矢量),期望响应排成 d\mathbf dd,使 ∥d−Aw∥2\lVert\mathbf d-\mathbf A\mathbf w\rVert^2∥d−Aw∥2 最小,得 LS 估计

w^=(ATA)−1ATd\hat{\mathbf w}=(\mathbf A^{\mathrm T}\mathbf A)^{-1}\mathbf A^{\mathrm T}\mathbf dw^=(ATA)−1ATd

拟合值 d^=Pd\hat{\mathbf d}=\mathbf P\mathbf dd^=Pd,其中 P=A(ATA)−1AT\mathbf P=\mathbf A(\mathbf A^{\mathrm T}\mathbf A)^{-1}\mathbf A^{\mathrm T}P=A(ATA)−1AT 是投影到 A\mathbf AA 的列空间的投影矩阵(投影算子),它对称、幂等(P2=P\mathbf P^2=\mathbf PP2=P),迹等于秩;残差 (I−P)d(\mathbf I-\mathbf P)\mathbf d(I−P)d 与 A\mathbf AA 的各列正交。求解方法:直接解正则方程(可用乔列斯基分解),数值上更稳的是 QR 分解,病态时用奇异值分解。

本节后面还有约 2399 字:报名学员看全文

每门课前 10 节免费看全文;从第 11 节起,完整教程要报名后由顾问在后台为你的账号开通才能看。

题库账号可以直接登录,但第 11 节起的完整教程要报名后由后台开通才能看。

学完练一练

按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。第 11 节起的课后练习报名学员才能练。

本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。

我要提问免费报名咨询