Винеровский фильтр - Wiener filter
В обработке сигналов , то фильтр Винер является фильтр используется для получения оценки желаемых или целевой случайный процесс с помощью линейного времени инварианта ( LTI ) фильтрации наблюдаемого шумного процесса, при условии , известный стационарного сигнала и спектров шума и аддитивный шума. Фильтр Винера минимизирует среднеквадратичную ошибку между оцененным случайным процессом и желаемым процессом.
Описание
Цель фильтра Винера - вычислить статистическую оценку неизвестного сигнала с использованием связанного сигнала в качестве входа и фильтрации этого известного сигнала для получения оценки в качестве выхода. Например, известный сигнал может состоять из интересующего неизвестного сигнала, который был искажен аддитивным шумом . Фильтр Винера может использоваться для фильтрации шума из искаженного сигнала, чтобы обеспечить оценку основного сигнала, представляющего интерес. Фильтр Винера основан на статистическом подходе, и более статистическое изложение теории дается в статье об оценке минимальной среднеквадратичной ошибки (MMSE) .
Типичные детерминированные фильтры предназначены для получения желаемой частотной характеристики . Однако конструкция фильтра Винера использует другой подход. Предполагается, что каждый знает спектральные свойства исходного сигнала и шума, а другой ищет линейный инвариантный во времени фильтр, выходной сигнал которого будет максимально приближен к исходному сигналу. Фильтры Винера характеризуются следующим:
- Предположение: сигнал и (аддитивный) шум - это стационарные линейные случайные процессы с известными спектральными характеристиками или известными автокорреляциями и взаимными корреляциями.
- Требование: фильтр должен быть физически реализуемым / причинным (это требование можно отбросить, что приведет к непричинному решению)
- Критерий качества: минимальная среднеквадратичная ошибка (MMSE)
Этот фильтр часто используется в процессе деконволюции ; для этого приложения см. деконволюцию Винера .
Решения для фильтров Wiener
Позвольте быть неизвестным сигналом, который должен быть оценен из сигнала измерения . Проблема фильтра Винера имеет решения для трех возможных случаев: один, когда непричинный фильтр приемлем (требует бесконечного количества как прошлых, так и будущих данных), случай, когда нужен причинный фильтр (с использованием бесконечного количества прошлых данных), и случай с конечной импульсной характеристикой (КИХ), когда используются только входные данные (т. е. результат или выход не передаются обратно в фильтр, как в случае БИХ). Первый случай легко решить, но он не подходит для приложений реального времени. Основным достижением Винера было решение случая, в котором действует требование причинности; Норман Левинсон дал решение FIR в приложении к книге Винера.
Непричинное решение
где - спектральные плотности . Если это оптимально, то уравнение минимальной среднеквадратичной ошибки сводится к
и раствор является обратным Двустороннее преобразование Лапласа из .
Причинное решение
куда
- состоит из причинной части (то есть той части этой дроби, которая имеет положительное временное решение при обратном преобразовании Лапласа)
- является причинным компонентом (т.е. обратное преобразование Лапласа отлично от нуля только для )
- является антипричинным компонентом (т.е. обратное преобразование Лапласа отлично от нуля только для )
Эта общая формула сложна и заслуживает более подробного пояснения. Чтобы записать решение в конкретном случае, необходимо выполнить следующие действия:
- Начните со спектра в рациональной форме и разложите его на причинные и антипричинные компоненты: где содержит все нули и полюсы в левой полуплоскости (LHP) и содержит нули и полюсы в правой полуплоскости (RHP). Это называется факторизацией Винера – Хопфа .
- Разделите на и запишите результат в виде дроби .
- Выберите только те термины в этом расширении, у которых есть полюсы в LHP. Назовите эти условия .
- Разделить на . Результатом является желаемая передаточная функция фильтра .
Фильтр Винера с конечной импульсной характеристикой для дискретных серий
Причинно-следственный фильтр Винера с конечной импульсной характеристикой (КИХ) вместо использования некоторой заданной матрицы данных X и выходного вектора Y находит оптимальные веса ответвлений, используя статистику входных и выходных сигналов. Он заполняет входную матрицу X оценками автокорреляции входного сигнала (T) и заполняет выходной вектор Y оценками взаимной корреляции между выходным и входным сигналами (V).
Чтобы получить коэффициенты фильтра Винера, рассмотрим сигнал w [ n ], подаваемый на фильтр Винера порядка (количества прошедших отводов) N и с коэффициентами . Выходной сигнал фильтра обозначается x [ n ], который задается выражением
Остаточная ошибка обозначается e [ n ] и определяется как e [ n ] = x [ n ] - s [ n ] (см. Соответствующую блок-схему). Фильтр Винера разработан таким образом, чтобы минимизировать среднеквадратичную ошибку ( критерий MMSE ), которую можно кратко сформулировать следующим образом:
где обозначает оператор математического ожидания. В общем случае коэффициенты могут быть комплексными и могут быть получены для случая, когда w [ n ] и s [ n ] также являются комплексными. При комплексном сигнале решаемой матрицей является эрмитова матрица Теплица , а не симметричная матрица Теплица . Для простоты ниже рассматривается только случай, когда все эти величины действительны. Среднеквадратичная ошибка (MSE) может быть переписана как:
Чтобы найти вектор, который минимизирует указанное выше выражение, вычислите его производную по каждому
Предполагая, что каждая из w [ n ] и s [ n ] является стационарной и совместно стационарной, последовательности и, известные соответственно как автокорреляция w [ n ] и взаимная корреляция между w [ n ] и s [ n ], могут быть определены как следует:
Следовательно, производная от MSE может быть переписана как:
Обратите внимание, что на самом деле автокорреляция симметрична:
который можно переписать (используя указанное выше свойство симметрии) в матричной форме
Эти уравнения известны как уравнения Винера – Хопфа . Матрица T, фигурирующая в уравнении, является симметричной матрицей Теплица . При подходящих условиях на эти матрицы , как известно, положительно определена и , следовательно , несингулярное что дает уникальное решение для определения вектора коэффициентов фильтра Винера, . Кроме того, существует эффективный алгоритм для решения таких уравнений Винера – Хопфа, известный как алгоритм Левинсона-Дурбина , поэтому явное обращение T не требуется.
В некоторых статьях функция взаимной корреляции определяется противоположным образом:
Какие бы обозначения ни использовались, обратите внимание, что на самом деле :
Отношение к фильтру наименьших квадратов
Реализация причинного фильтра Винера очень похожа на решение оценки методом наименьших квадратов , за исключением области обработки сигналов. Решение методом наименьших квадратов для входной матрицы и выходного вектора :
КИХ-фильтр Винера относится к фильтру наименьших средних квадратов , но минимизация критерия ошибки последнего не зависит от взаимной корреляции или автокорреляции. Его решение сходится к решению фильтра Винера.
Сложные сигналы
Для сложных сигналов вывод комплексного фильтра Винера выполняется путем минимизации = . Это включает в себя вычисление частных производных как по действительной, так и по мнимой частям и требование, чтобы они оба были равны нулю.
В результате получаются уравнения Винера-Хопфа:
который можно переписать в матричном виде:
Обратите внимание:
Затем вектор коэффициентов Винера вычисляется как:
Приложения
Фильтр Винера имеет множество применений в обработке сигналов, обработке изображений, системах управления и цифровой связи. Эти приложения обычно относятся к одной из четырех основных категорий:
Например, фильтр Винера можно использовать при обработке изображений для удаления шума с изображения. Например, с помощью функции Mathematica:
WienerFilter[image,2]
на первом изображении справа создает отфильтрованное изображение под ним.
Он обычно используется для шумоподавления аудиосигналов, особенно речи, в качестве препроцессора перед распознаванием речи .
История
Фильтр был предложен Норбертом Винером в 1940-х годах и опубликован в 1949 году. Эквивалент работы Винера в дискретном времени был независимо выведен Андреем Колмогоровым и опубликован в 1941 году. Поэтому теорию часто называют теорией фильтрации Винера – Колмогорова ( см. Кригинг. ). Фильтр Винера был первым предложенным статистически разработанным фильтром, впоследствии породившим множество других, включая фильтр Калмана .
Смотрите также
- Норберт Винер
- Эберхард Хопф
- Винеровская деконволюция
- фильтр наименьших средних квадратов
- сходство между Wiener и LMS
- линейное предсказание
- Оценщик MMSE
- Фильтр Калмана
- обобщенный фильтр Винера
- согласованный фильтр
- Теория информационного поля
Рекомендации
- Томас Кайлат , Али Х. Сайед и Бабак Хассиби , Линейная оценка, Прентис-Холл, Нью-Джерси, 2000, ISBN 978-0-13-022464-4 .
- Винер Н.: Интерполяция, экстраполяция и сглаживание стационарных временных рядов », Отчет Службы 19, Исследовательский проект DIC-6037 MIT, февраль 1942 г.
- Колмогоров А.Н.: «Стационарные последовательности в гильбертовом пространстве», Бюл. Московский унив. 1941 том 2 номер 6 1-40. Английский перевод в Kailath T. (ред.) Линейная оценка методом наименьших квадратов Dowden, Hutchinson & Ross 1977
внешняя ссылка
- Функция Mathematica WienerFilter