信号处理全册配套最完整精品课件1.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《信号处理全册配套最完整精品课件1.ppt》由用户(金钥匙文档)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 信号 处理 配套 完整 精品 课件
- 资源描述:
-
1、信号处理全册配套最完整信号处理全册配套最完整 精品课件精品课件1 现代数字信号处理 第二章 维纳滤波 nx ns nv 真实信号 观察/测量数据 加性噪声/干扰 i s nx nh nh i x n i nsnsne 线性估计线性估计问题 最小均方误差(MMSE)估计 (minimum mean-square error) 估计误差 2 minnE e nh n 2.1 维纳滤波问题描述 维纳滤波-对真实信号的最小均方误差估计问题. 1 2 1 0 0321 0012 0001 0000 1 2 1 0 Nx x x x hNhNhNh hhh hh h Ns s s s 1, 1, 0, 0
2、 Nninxihns n i 问题在于估计滤波器的参数/单位冲激响应序列 正交正交方程方程 : jjnxneE jjnxneE jh ne neE jh n ,0 , 1, 0,022 标准方程标准方程 (Wiener-Hopf equations): autocorrelation sequence of cross-correlation sequence of and xx sx RmiE x ni x nmx n RmE s n x nms nx n 维纳-霍夫(Wiener-Hopf)/标准标准方程 , sxxx i Rmh i Rmim i s nx nh nh i x n i n
3、snsne 2 minnE e nh n 任何时刻的估计误差都与用于估计的所有数据(即滤波器的输入) 正交 注意: A data-dependant linear least square error estimation Wiener-Hopf equation - solutions Orthogonal equation - decorrelation Wiener Filters 下标i的取值范围决定了FIR,非因果IIR,因果IIR i s nx nh nh i x n i T T Nnxnxnxn Nhhh 11 110 x h FIR (Finite Impulse Respon
4、se) Wiener Filter 2.2 求解求解 Wiener-Hopf Equations -FIR滤波器滤波器 s n n T h x 1 2 1 0 0321 3012 2101 1210 1 2 1 0 1, 1, 0, 1 0 Nh h h h RNRNRNR NRRRR NRRRR NRRRR NR R R R NmimRihmR xxxxxxxx xxxxxxxx xxxxxxxx xxxxxxxx sx sx sx sx N i xxsx nnsE NR R R R sx sx sx sx x P 1 2 1 0 nnE RNRNRNR NRRRR NRRRR NRRRR
5、T xxxxxxxx xxxxxxxx xxxxxxxx xxxxxxxx xx R 0321 3012 2101 1210 RhPRhP TT or 维纳维纳-霍夫方程霍夫方程 展开为矩阵形式展开为矩阵形式 Solution: nnnEnnsEnnnsxxxxxRPxh PRh TT1TT 1 opt 1 FIR维纳滤波器结构 Wiener Filters ( )s m ( )x m (1)x m (2)x m(1)x m p ( )s m 1 xx xs w R P 标准方程标准方程 : dzzzH j nh zS zS zH zSzHzS n optopt xx sx opt xxopt
6、sx 1 2 1 mimRihmR i xxsx , 2.3 求解求解 Wiener-Hopf Equations -非因果非因果 IIR滤波器滤波器 Solution : 2.4 求解求解 Wiener-Hopf Equations -因果因果 IIR滤波器滤波器 标准方程标准方程 : 0, 0 mimRihmR i xxsx zA nw nv zB1 zG n s n nx ns Whitening filter Optimum causal filter for white input 将IIR滤波器分解为两部分 1 ( )( ) ( ) H zG z B z 第一部分为白化滤波器(将输
7、入信号变为白噪声) 第二部分为以白噪声为激励的最优因果滤波器。 polynomils phase minimum areboth and , 12 zDzN zD zN zB zBzBzSxx 功率谱分解定理 is causal and optimal zG zSzG s 2 1 i inxifn zG zB zHc 1 2.5 .因果维纳因果维纳IIR滤波器滤波器 -具有有理功率谱的输入信号具有有理功率谱的输入信号 12 1 zB zS zB zH sx c 12 1 1 1 zB zS zG zB zS zSzFzS mRmfimRif inxifmnsE nmnsEmR sx sx sx
8、s sx i sx i s 计算步骤计算步骤 (1) 因式分解(谱分解定理) 因式分解(谱分解定理) (2) 分解为因果部分和非因果部分 分解为因果部分和非因果部分 111 zB zS zB zS zB zS sxsxsx (3) 计算系统函数 计算系统函数 2 1 111 G(z)= sx c Sz Hz B zB zB z (4) 计算冲激响应(逆 计算冲激响应(逆Z变换)变换) 12 zBzBzS xx (5) 计算最小均方误差 计算最小均方误差 dzzzSzHzS j n cuxsoptss 1 .min 2 1 第三章 卡尔曼滤波 (The Kalman filtering) 第一节
9、卡尔曼滤波信号模型 第二节 卡尔曼滤波方法 第三节 卡尔曼滤波的应用 1、信号模型信号模型 状态方程和量测方程状态方程和量测方程 维纳滤波的模型:信号可以认为是维纳滤波的模型:信号可以认为是 由白噪声激励一个线性系统的由白噪声激励一个线性系统的 响应,假设响应和激励的时域关系可以响应,假设响应和激励的时域关系可以 用下式表示:用下式表示: (6-52) 上式也就是一阶上式也就是一阶AR模型。模型。 )(ns )( 1 nw)(zA ) 1() 1()( 1 nwnasns 在卡尔曼滤波中信号被称为是状态 变量,用矢量的形式表示为,激励 信号也用矢量表示为,激励和 响应之间的关系用传递矩阵来表示
10、, 得出状态方程: (6-53) 上式表示的含义就是在k时刻的状态 可以由它的前一个时刻的状态来 求得,即认为k1时刻以前的各状态都 已记忆在状态中了 )(ns S(k) )( 1 nw(k)w 1 A(k) 1)(kw1)A(k)S(kS(k) 1 S(k) 1)S(k 1)S(k 卡尔曼滤波是根据系统的量测数据(即 观测数据)对系统的运动进行估计的, 所以除了状态方程之外,还需要量测方 程。 在卡尔曼滤波中,用表示量测到的信号 矢量序列,表示量测时引入的误差矢量, 则量测矢量与状态矢量之间的关系可以 写成 (6-54) w(k)S(k)X(k) 上式和维纳滤波的概念上是一致的,也 就是说卡
11、尔曼滤波的一维信号模型和维 纳滤波的信号模型是一致的。 把式(6-55)推广就得到更普遍的多维量测 方程 (6-55) 上式中的称为量测矩阵,它的引入原因 是,量测矢量的维数不一定与状态矢量 的维数相同,因为我们不一定能观测到 所有需要的状态参数。 w(k)S(k)X(k) w(k)C(k)S(k)X(k) 信号模型信号模型 根据状态方程 和量测方程,卡 尔曼滤波的信号模型,如图6.12所示。 图6.12 卡尔曼滤波的信号模型 1)(kw1)A(k)S(kS(k) 1 w(k)C(k)S(k)X(k) S(k) C(k) 1)A(k 1 z w(k) (k)w1 X(k) 1)S(k 2、卡尔
12、曼滤波方法卡尔曼滤波方法 (The method of Kalman filtering) 卡尔曼滤波的一步递推法模型卡尔曼滤波的一步递推法模型 把状态方程和量测方程重新给出:把状态方程和量测方程重新给出: (6-56) (6-57) 假设信号的上一个估计值已知, 现在的问题就是如何来求当前时刻的 估计值。 1)(kw1)A(k)S(kS(k) 1 w(k)C(k)S(k)X(k) 1)(kS (k)S 用上两式得到的和分别用和表示,得: (6-58) (6-59) 必然,观测值和估计值之间有 误差,它们之间的差称为新息 (innovation): (6-60) 显然,新息的产生是由于我们前面
13、忽略 了与所引起的 1)(kSA(k)(k)S 1)(kSC(k)A(k)(k)SC(k)(k)X X(k)(k) X (k)X (k)XX(k)(k)X (k)w1 w(k) 用新息乘以一个修正矩阵,用 它来代替式(656)的来对进 行估计: (6-61) 由(656)(661)可以画出卡尔 曼滤波对进行估计的递推模型,如 图6.13所示 (k)X H(k) (k)w 1 S(k) (k)XH(k)1)(kSA(k)(k)S 1)(kSC(k)A(k)H(K)X(k)1)(kSA(k) S(k) 输入为观测值,输出为信号估计值 。 图1 卡尔曼滤波的一步递推法模型 X(k) (k)S (k)
14、S C(k) A(k) 1 z X(k) 1)(kS H(k) (k) X (k)X 卡尔曼滤波的递推公式卡尔曼滤波的递推公式 从图1容易看出,要估计出就必须要 先找到最小均方误差下的修正矩阵 ,结合式(661)、(656)、 (657)得: (6-62) 根据上式来求最小均方误差下的,然后把 求到的代入(661)则可以得到估计值 。 (k)S H(k) 1)(kSC(k)A(k)w(k)(k)H(K)C(k)S1)(kSA(k)(k)S 1)(kSC(k)A(k)w(k)1)(kw1)(kSA(k)H(K)C(k)1)(kSA(k) 1 H(k)w(k)1)(kw1)(kS(k)H(K)C(
15、k)AH(k)C(k)1)I(kSA(k) 1 H(k) H(k) (k)S 设真值和估计值之间的误差为: 误差是个矢量,因而均方误差是一个矩 阵,用表示。把式(662)代入得 (6-63) 均方误差矩阵: (6-64) 表示对向量取共轭转置。 (k)SS(k)(k)S (k) (k)SS(k)(k)S H(k)w(k)1)(kw1)(kS1)A(k)S(kH(K)C(k)I 1 (k)S(k)SE(k) 为了计算方便,令 (6-65) 找到和均方误差矩阵的关系: (6-66) 把式(663)代入式(664),最后 化简得: (k)S(k)(S(k)SE(S(k)(k) 1)(kSA(k)1)
16、(kw1)k1)(A(k)S(kSA(k)1)(kw1)E(A(k)S(k(k) 11 1)(k1)w(kEwA(k)1)(kS1)1)(S(k(kS1)A(k)ES(k 11 1)Q(k1)A(k)A(k)(k (k)S(k)SE(k) k)H(k)R(k)H(H(k)C(k)1)IQ(k1)A(k)A(k)(kH(K)C(k)I 把式(666)代入(667)得 令, 代入上式化简: (6-68) 要使得均方误差最小,则必须 (k) k)H(k)R(k)H(H(k)C(k)(k)IH(K)C(k)I R(k)H(k)(k)C(k)H(k)C(k)H(k)(k)C(k)(k)H(K)C(k)(
17、k) SSR(k)(k)C(k)C(k) (k)C(k)U (k) H(k)H(k)SSUH(k)H(K)U(k) 111 )U(SH(k)S)U(SH(k)SU)U(SS(k) 0 1 )U(SH(k)S 求得最小均方误差下的修正矩阵为: (6-69) 把上式代入(6-61)即可得均方误差最小条 件下的递推公式。 最小均方误差为: (6-70) 1 R(k)(k)C(k)C(k)(k)C(k)H(k) (k)S (k) 1 U)U(SS(k) (k)H(k)C(k)I 综上所述,得到卡尔曼滤波的一步递推 公式: (6-71) (6-72) (6-73) (6-74) (k) 1)Q(k1)A
18、(k)A(k)(k 1 R(k)(k)C(k)C(k)(k)C(k)H(k) (k)(k)H(k)C(k)I (k)S 1)(kSC(k)A(k)H(K)X(k)1)(kSA(k) 【例】设卡尔曼滤波中量测方程为 已知信号的自相关函数的z 变换为,噪声 的自相关函数为,信号和噪 声统计独立,已知在k0 时刻开始观测信号。试用卡尔曼滤波的 公式求和,k0,1,2,3,4,5,6,7; 以及稳态时的和。 解:由例6-6的结果知, w(k)S(k)X(k) 25. 18 . 0 , )8 . 01)(8 . 01 ( 36. 0 )( 1 z zz zR ss )()(mmRww 1)0(, 0)
19、1( S (k)S (k) (k)S (k) 8 . 0A(k)1C(k) 36. 0 2 1 w Q(k)1)(var(kwR(k) 把上式代入式(6-71) (6-74)得 (1) (2) (3) (4) 求逆 把(1)代入(2)、(3)式,消去,再 把(2)和(3)联立,得到 (5) (k) 36. 064. 01)(k 1 (k)(k)H(k) 1 (k)(k)H(k) 1 (k)S 1)(kSH(K)X(k)1)(kS 8 . 0 8 . 0 1 (k)(k)H(k)1(k) (k)1/ (k) H(k) 1.361)(k 0.361)(k (k) 64. 0 64. 0 初始条件为
20、,k0开始观 测,利用等式(4),(5)进行递推得: k0,1.0000,1.0000, k1,0.5000,0.5000, k2,0.4048,0.4048, k3,0.3824,0.3824, k4,0.3768,0.3768, k5,0.3755,0.3755, k6,0.3751,0.3751, k7,0.3750,0.3750, 上面是递推过程,还没有达到稳态的情况。 1)0(, 0) 1( S )0()0(H )0(0 X)(S ) 1 ()( 1H) 1 (5 . 0) 0 ( 4 . 01 XS)( S )2( )2(H ) 2(4048. 0) 1 ( 4762. 02 XS
21、)(S )3()3(H ) 3 (3824. 0) 2( 4941. 03 XS)(S )4( )4(H ) 4 (3768. 0) 3 ( 4985. 04 XS)( S )5()5(H ) 5 (3755. 0) 4 ( 4996. 05 XS)( S )6()6(H) 6(3751. 0) 5 ( 4999. 06 XS)(S )7()7(H ) 7 (3750. 0) 6 ( 5000. 07 XS)( S 假设到了某一时刻k1,前后时刻的均方误差 相等,也就是误差不再随着递推增加而下降, 达到最小的均方误差了,即稳态情况,式(5) 中的误差代入(5)式可以计算 到稳态时的均方误差为:
22、即稳 态时的修正矩阵,代入式4得稳态 时的信号估计: 化到z域有:。 ) 1()(kk 375. 0) 1()(kk 375. 0)(kH X(k)1)(kS375. 0 5 . 0(k)S )(zH 1 5 . 01 375. 0 z 卡尔曼滤波器的应用卡尔曼滤波器的应用 (Application Kalman filter) 【例】已知条件和例62一样,状态方 程和测量方程为: 其中 , 信号和 噪声统计独立。求卡尔曼滤波器的稳 态 和 。 1)(kw1)A(k)S(kS(k) 1 w(k)C(k)S(k)X(k) 8 . 0A 1C 36. 0 2 1 w Q(k) 1)(var(kwR
23、(k) H(k)(k) 解:根据函数调用sysss(A,B,C,D,1),得到 离散卡尔曼状态模型,采样周期这里设为1。A,C已 知,由于函数调用中是设计了两个观测信号的,我们 这里只有一个观测信号,所以B取0 1,后一个1表示 噪声 的系数。D取0。实际的语句如下: sys=ss(A,B,C,D,1) 然后调用函数S,L,H,kalman(sys,Q,R), 设计离散卡尔曼滤波器。实际语句和计算结果如下: s,l,h,=kalman(sys,0.36,1) l =0.3000 =0.6000 h =0.3750 =0.3750 这里省略了输出的S,它表示的信息是达到稳态后系统 状态模型,H和
24、 表示系统稳态的最终值 ) 1( 1 kw 有了修正矩阵和均方误差,代入式(6 74)就可以根据观测信号得到卡尔曼滤 波的估计值了。 从上面例题知道,只要确定了状态模型, 就可以调用函数很快设计出卡尔曼滤波 器,下面来看看卡尔曼滤波器在生物医 学信号中的应用。 在生物医学信号处理中脑电图的肌电伪 迹和其它噪声的消除,以及诱发电位的 提取都有研究者尝试用卡尔曼滤波器来 处理。本节介绍卡尔曼滤波器在诱发电 位提取中的应用,方法如下: 1.自发电位模型(EEG)和诱发电位(EP) 模型的建立。 如图6.14所示,EEG信号通过用AR模型 建立,激励是白噪声,EP信号的激励是 单位脉冲序列,用等式表示
25、如下: 阶AR模型 d表示从该时刻开始有单位脉冲刺激。 pnwineaneEEG p i i ),()()(: 1 q i i m i i idndinscnsEP 01 )()()(: 图2 EEG和EP模型 从图2知道,观测信号是EEG和EP的线性 相加,用 表示第i次刺激后测量的信 号,对M次测量平均得: 叠加平均后的信号长度为N。利用先验知 识建立好图6.14的模型。假设单次诱发信 号和平均诱发信号的关系是延时和幅度 变化但波形一致的情况,即 )(nyi 1, 1, )( 1 )( 1 Ndddnny M ny M i i )()( jjj nnsAns 2.卡尔曼状态方程和量测方程的
展开阅读全文