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。
本节导读
这一节对应信号处理「(四)最优滤波器」四条:
- 维纳滤波器,维纳-霍夫方程。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,反射系数。
- 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。
- 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),权矢量 w,期望响应 d(n),误差 e(n)=d(n)−wTx(n);R=E[xxT],p=E[dx];m 阶预测误差功率 σm2,反射系数 km;卡尔曼滤波里的 P(n∣n−1)、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) 估计 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+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,最小均方误差 Jmin=σd2−pTwo,并且 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)]=0(k=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
p 阶前向预测用过去 p 个值预测当前值,预测误差 fp(n)=x(n)+∑k=1pap,kx(n−k),传递函数就是 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) 开始,对 m=1,2,⋯,p:
kmam,iσm2=−σm−12r(m)+∑i=1m−1am−1,ir(m−i)=am−1,i+kmam−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 p2,还顺带得到 1 到 p 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)、后向误差 bm(n) 一级一级地算出来,得到格型结构:
fm(n)bm(n)=fm−1(n)+kmbm−1(n−1)=bm−1(n−1)+kmfm−1(n)每一级只有一个参数 km,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(对一切 m)⇔ Ap(z) 是最小相位的,此时全极点合成滤波器 1/Ap(z) 稳定;∣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 N 个观测时,按误差平方和最小设计。把输入排成数据矩阵 A(每行一个输入矢量),期望响应排成 d,使 ∥d−Aw∥2 最小,得 LS 估计
w^=(ATA)−1ATd拟合值 d^=Pd,其中 P=A(ATA)−1AT 是投影到 A 的列空间的投影矩阵(投影算子),它对称、幂等(P2=P),迹等于秩;残差 (I−P)d 与 A 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。