Wiener维纳滤波基本原理及其算法实现
文章转载自:http://blog.sina.com.cn/s/blog_bb81c2230102xdbl.html 如果有侵权,请联系博主删除
To learn, to share, to debate, then comes progress.
1.算法背景:
信号滤波的实质为从观测信号中提取有效信号,随着数学理论的发展与实际应用的需求,基于不同原理的滤波方法被不断地提出来,虽然依据的准则,推导的过程各有差异,但最终的目的均是减小信号估计的误差,使滤波系统的输出信号尽可能地接近实际信号。
Wiener滤波是第二次世界大战中,为了解决火力控制系统精确跟踪问题,Wiener相继提出了平稳随机过程的最优线性滤波理论,首次将数理统计知识和线性系统理论联系起来,形成了对随机信号作平滑,滤波和预测的最新估计理论。在此后的发展中,Wiener滤波被应用于更多的领域,并沿用至今。
2.算法原理:
(1)有限长滤波器
对于一列输入信号x,一般的无限长线性滤波器输出为:
y(n)= Σh(m)x(n-m) m=0…∞
实际中,滤波器的长度,即阶数是有限长的,设为M,则有:
y(n)= Σh(m)x(n-m) m=0…M
即滤波器的当前时刻输出为前M个时刻的值经过加权之后得到的。
为便于书写与理解,上式可以写为矩阵形式:
y(n)=H(m)*X(n)
如果期望信号d已知,则可以计算输出与期望信号之间的误差:
e(n)=d(n)-y(n)= d(n)- H(m)*X(n) m=0…M
Wiener滤波的目标就是,如何确定一个长为M的系数序列H,使得上述误差值最小。
(2)最小均方误差滤波
根据目标函数的不同,又可以将滤波算法细分为不同的类别,一般来说有最小均方误差,最小二乘误差等等,这里只讨论最小均方误差。
令目标函数为:
Min E[e(n)^2]= E[(d(n)- H(m)*X(n))^2]
当滤波器的系数最优时,目标函数对系数的倒数应该为0,即:
dE[e(n)^2]/dH=0
2 E[ (d(n)- H(m)*X(n))]* X(n)=0
E[(d(n) X(n))- H(m)E[X(n)X(n)]=0
根据随机过程的知识,上式可以表达为:
Rxd-H*Rxx=0
其中Rxd与Rxx分别为输入信号与期望信号的相关矩阵与输入信号的自相关矩阵。
从而有:
H=Rxx-1*Rxd
至此,便得到了Wiener滤波的基本原理与公式推导。
3.算法应用与实现
理解了算法的原理之后,下边举一个小的例子来考察如何应用Wienar滤波处理实际问题。
问题背景:一个点目标在x,y平面上绕单位圆做圆周运动,由于外界干扰,其运动轨迹发生了偏移。其中,x方向的干扰为均值为0,方差为0.05的高斯噪声;y方向干扰为均值为0,方差为0.06的高斯噪声。
问题分析与思路:
将物体的运动轨迹分解为X方向和Y方向,并假设两个方向上运动相互独立。分别将运动轨迹离散为一系列点,作为滤波器的输入,分别在两个方向上进行滤波,最终再合成运动轨迹。
程序设计思路:
生成期望信号-添加噪声-计算相关矩阵-求解最佳滤波器系数-滤波运算-输出信号-合成轨迹
4.结果与分析
5.源代码
%***********************************************
%该程序使用Wiener滤波方法对圆周运动轨迹进行控制
%信号模型:d=s+no 观测信号=期望信号+噪声信号
%进行一次Wiener滤波,得到最佳滤波器系数
17.4 by Howie
clear
close all
N=500;
theta=linspace(0,2*pi,N); %极坐标参数
s_x=cos(theta); %x,y方向上的期望信号
s_y=sin(theta);
no_x=normrnd(0,sqrt(0.05),1,N); %高斯白噪声
no_y=normrnd(0,sqrt(0.06),1,N);
d_x=s_x+no_x; %观测信号
d_y=s_y+no_y;
M=500;%M为滤波器的阶数
%% 对x方向上数据进行滤波
rxx=xcorr(d_x);
Rxx=zeros(N);
% temp=toeplitz(rxx);
for i=1:N %观测信号的相关矩阵
for j=1:N
Rxx(i,j)=rxx(N+i-j);
end
end
rxd=xcorr(s_x,d_x); %观测信号与期望信号的相关矩阵
Rxd=rxd(N:N+M-1); %向量而非矩阵
hopt_x=Rxx\Rxd';
% de_x=conv(hopt_x,d_x);
de_x=zeros(1,N);
for n=1:N
for i=1:n-1
de_x(n)=de_x(n)+hopt_x(i)*d_x(n-i);
end
end
de_x(1:2)=d_x(1:2);
ems_x=sum(d_x.^2)-Rxd*hopt_x;
e_x=de_x-s_x;
% de_x(N-1:N)=d_x(N-1:N);
%% 对y方向上数据进行滤波 处理思路同x方向
ryy=xcorr(d_y);
Ryy=zeros(N);
for i=1:N
for j=1:N
Ryy(i,j)=ryy(N+i-j);
end
end
% temp=toeplitz(ryy);
% Ryy=temp(1:M,N:N+M-1);
ryd=xcorr(s_y,d_y);
% temp=toeplitz(ryd);
% Ryd=temp(1:N,N:length(temp));
Ryd=ryd(N:N+M-1);
hopt_y=Ryy\Ryd';
% de_y=conv(hopt_y,d_y);
de_y=zeros(1,N);
for n=1:N
for i=1:n-1
de_y(n)=de_y(n)+hopt_y(i)*d_y(n-i);
end
end
de_y(1:2)=d_y(1:2);
ems_y=sum(d_y.^2)-Ryd*hopt_y;
e_y=de_y-s_y;
% de_y(N-1:N)=d_y(N-1:N);
%% plot
figure
plot(s_x,s_y,'r','linewidth',2)
hold on
plot(d_x,d_y,'b')
hold on
plot(de_x,de_y,'k-')
title('维纳滤波预测轨迹')
legend('期望轨迹','观测轨迹','滤波轨迹')
%% %% x方向上绘图
figure
suptitle('X方向上维纳滤波效果')
subplot(321)
plot(s_x)
title('期望信号')
subplot(322)
plot(no_x)
title('噪声信号')
subplot(323)
plot(d_x)
title('观测信号')
subplot(324)
plot(de_x)
title('滤波后信号')
subplot(325)
plot(ems_x,'o')
title('最小均方误差')
subplot(326)
plot(e_x)
title('绝对误差')
%% y方向上绘图
figure
suptitle('Y方向上维纳滤波效果')
subplot(321)
plot(s_y)
title('期望信号')
subplot(322)
plot(no_y)
title('噪声信号')
subplot(323)
plot(d_y)
title('观测信号')
subplot(324)
plot(de_y)
title('滤波后信号')
subplot(325)
plot(ems_y,'o')
title('最小均方误差')
subplot(326)
plot(e_y)
title('绝对误差')
Wiener维纳滤波基本原理及其算法实现相关推荐
- 基于维纳滤波的语音增强算法 matlab,基于维纳滤波语音增强算法的改进实现
通过对维纳滤波的介绍,实现了基本维纳滤波效果;利用两级维纳滤波和两级滤波器组滤波方法实现了语音增强,达到了良好的效果. 维普资讯 http://doc.docsou.com 文章编号:0 2 8 8 ...
- 传统语音增强——基于先验信噪比的维纳滤波语音降噪算法
一.基于先验信噪比的维纳滤波语音降噪算法的基本概念 改进的维纳滤波器为基于先验信噪比的维纳滤波器,其原理框图下图所示. 对于第m帧带噪语音信号ym(n)=sm(n)+nm(n) 式中,sm(n)是第m ...
- 传统语音增强——基本的维纳滤波语音降噪算法
一.维纳滤波的基本原理 基本维纳滤波就是用来解决从噪声中提取信号问题的一种过滤(或滤波)方法.它基于平稳随机过程模型,且假设退化模型为线性空间不变系统的.实际上这种线性滤波问题,可以看成是一种估计问题 ...
- 神经网络的基本原理,神经网络算法三大类
1.神经网络是什么? 生物神经网络主要是指人脑的神经网络,它是人工神经网络的技术原型. 人脑是人类思维的物质基础,思维的功能定位在大脑皮层,后者含有大约10^11个神经元,每个神经元又通过神经突触与大 ...
- java jvm垃圾回收算法_深入理解JVM虚拟机2:JVM垃圾回收基本原理和算法
本文转自互联网,侵删 本系列文章将整理到我在GitHub上的<Java面试指南>仓库,更多精彩内容请到我的仓库里查看 喜欢的话麻烦点下Star哈 文章将同步到我的个人博客: www.how ...
- 深入理解JVM虚拟机2:JVM垃圾回收基本原理和算法
JVM GC基本原理与GC算法 Java的内存分配与回收全部由JVM垃圾回收进程自动完成.与C语言不同,Java开发者不需要自己编写代码实现垃圾回收.这是Java深受大家欢迎的众多特性之一,能够帮助程 ...
- 限流的基本原理及算法实现
一.限流的基本原理 它的目的是确保系统高效.稳定地运行,确保请求能够快速处理的同时,保障系统不被流量压垮. 限流通常是利用某种算法实现限流器,来达到限制流量的目的.通常,限流器中会有一个定时器,它主要 ...
- python算法的基本原理_kNN算法基本原理与Python代码实践
kNN是一种常见的监督学习方法.工作机制简单:给定测试样本,基于某种距离度量找出训练集中与其最靠近的k各训练样本,然后基于这k个"邻居"的信息来进行预测,通常,在分类任务中可使用& ...
- 神经网络算法的基本原理,神经网络算法通俗解释
神经网络算法原理 4.2.1概述人工神经网络的研究与计算机的研究几乎是同步发展的. 1943年心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型,20世纪50年代末,Rosen ...
最新文章
- [Java] 基本資料包裝類別 Wrapper Classes
- python编程培训多少钱-线下python培训要多少钱?
- Spring Security(一):整合JWT
- boost::fusion::make_unfused用法的测试程序
- Python脚本监控线上AMQ Number of Pending Messages数量
- 职高计算机自我鉴定800字,中专生自我鉴定800字与中专生计算机专业自我鉴定汇编...
- Eclipse中看不到jsp的页面效果
- 10 个十分难得的 javascript 开发经验
- java多线程批量读取文件(七)
- 关于java和C语言i=i++问题描述
- fluent并行 linux_windows 系统下启动linux主机群的fluent并行操作.docx
- Java NIO 基础
- 计算机管理系统工具共享文件夹,win7一键共享工具【管理方式】
- 使用大神写的wz框架
- a-table及相关组件的使用
- 技术部团队及英文简称
- MATLAB绘制xyz的分段函数,matlab绘制分段函数
- 【视频分类】3D-ResNets-PyTorch复现
- Android开发 之 线性渲染 LinearGradient
- Android 测试知识点总结
热门文章
- python-成都Python课程
- python练手经典100例-Python入门练手100例
- Android科大讯飞语音识别源码及API下载
- ICRoute 语音识别芯片/声控芯片 用声音去沟通 LD332X系列语音识别芯片
- 语音识别技术原理是什么 讯飞语音识别技术特点介绍【详解】
- 杭州有那些APP外包公司?
- Vue源码分析 - observer.js
- json日期格式化 java_java_Java Web程序中利用Spring框架返回JSON格式的日期,返回Json时格式化日期Date
第一 - phpStudy...
- 光伏机器人最前线_高工机器人走进光伏:数字化车间未来可期
- 【java笔记】类/接口作为成员变量类型