当前位置: 开发笔记 > 后端 > 正文

正交性原理与维纳霍夫（正则）方程

作者：拍友2502906483 | 来源：互联网 | 2023-07-13 10:44

有期望信号d（n），纯净信号x（n），以及噪声信号g（n）;有滤波

有期望信号d&＃xff08;n&＃xff09;&＃xff0c;纯净信号x&＃xff08;n&＃xff09;&＃xff0c;以及噪声信号g&＃xff08;n&＃xff09;;

有滤波器h&＃xff08;m&＃xff09;,以及滤波器输出信号y&＃xff08;n&＃xff09;&＃xff0c;滤波器输出纯净信号x的估计值y&＃xff0c;并且使y与x误差的期望为0.

$\begin{aligned} y(n)&&＃61;\sum_{m&＃61;0}^{\infty }h(m)\cdot d(n-m)\\&&＃61;\sum_{m&＃61;0}^{\infty }h(n-m)\cdot d(m) \\&&＃61;h(n)*d(n)\\\end{aligned}$

$d(n)&＃61;x(n)&＃43;g(n)$

$e(n)&＃61;x(n)-y(n)$

$E\left \{ \left | e(n) \right |^{2} \right \}$

$R_{xy}(m-j)&＃61;E\left \{ x(n-j)\cdot y(n-m) \right \}$ &＃xff08;相关性&＃xff09;

根据最小均方差准则设计滤波器,滤波器设计问题转为 $E\left \{ \left | e(n) \right |^{2} \right \}&＃61;E\left \{ \left ( x(n)-\sum_{m&＃61;0}^{\infty }h(m)\cdot d(n-m) \right )^{2} \right \}$ 函数求驻点的问题&＃xff0c;在驻点处 $E\left \{ \left | e(n) \right |^{2} \right \}$ 能够取得极值&＃xff0c;如果能证明该式有连续二阶偏导&＃xff0c;且得到的hesse矩阵正定&＃xff0c;则求取的极值点就是该式的严格局部极小值点&＃xff0c;这实际上就是一个非线性规划中的无约束最优化问题&＃xff0c;进一步如果能证明 $E\left \{ \left | e(n) \right |^{2} \right \}$ 是凸的&＃xff0c;那么该式局部极小值就是全局极小值。h(j)为变量&＃xff0c;函数对h(j)求偏导,当求偏导结果为0时候&＃xff0c;均方差取得最小值&＃xff0c;此时的滤波器权值为最优滤波器权值&＃xff1a;

$\frac{\partial E\left \{ \left | e(n) \right |^{2} \right \}}{\partial h(j)}\\ &＃61;\frac{\partial E\left \{ (x(n)-h(n)*d(n))^{2} \right \}}{\partial h(j)}\\ &＃61;\frac{\partial E\left \{ x^{2}(n)-2x(n)\cdot h(n)*d(n)&＃43;\left (h(n)*d(n) \right )^{2}\right \} }{\partial h(j)}\\ &＃61;\frac{\partial E\left \{ x^{2}(n) \right \}}{\partial h(j)}-E\left \{ 2x(n)\cdot d(n-j) \right \}&＃43;2\cdot \left \{ \sum_{m&＃61;0}^{n}h(m)\cdot E(x(n-m)\cdot d(n-j)) \right \}\\ &＃61;0&＃43;2R_{dx}(j)-2\sum_{m&＃61;0}^{n}h(m)\cdot R_{dd}(j-m)\\ &＃61;2R_{dx}(j)-2h(j)*R_{dd}(j)$

当以上式子&＃61;0时&＃xff0c;整理得到维纳霍夫方程&＃xff1a;

$R_{dx}(j)&＃61;h(j)*R_{dd}(j)$

分别对等式两边进行傅里叶变换&＃xff0c;将时域计算转到频域内处理&＃xff0c;时域内的相关转到频域内表现为(互)功率谱&＃xff0c;时域内的卷积转换到频域内表现为相乘&＃xff1a;

$P_{dx}(\omega )&＃61;H(\omega )\cdot P_{dd}(\omega )$

整理得维纳滤波器权系数计算公式&＃xff1a;

$H(\omega )&＃61;\frac{P_{dx}(\omega )}{P_{dd}(\omega )}$

同时注意到&＃xff1a;

$\frac{\partial E\left \{ x^{2}(n)-2x(n)\cdot h(n)*d(n)&＃43;\left (h(n)*d(n) \right)^{2}\right \} }{\partial h(j)}\\ &＃61;\frac{E \partial \left \{ x^{2}(n)-2x(n)\cdot h(n)*d(n)&＃43;(h(n)*d(n)) ^{2}\right \} }{\partial h(j)}\\ &＃61;E\left \{ 0-2x(n)\cdot d(n-j)&＃43;2y(n)\cdot d(n-j) \right \}\\ &＃61;-2E\left \{ e(n)\cdot d(n-j) \right \}$

当上式&＃61;0时候&＃xff0c;经过整理即得到正交性原理:当&＃61;0时候&＃xff0c;均方差取得最小值

也就是说正交性原理与维纳霍夫方程是同一个条件 $E\left \{ \left | e(n) \right |^{2} \right \}&＃61;0$ 的两种表达方式&＃xff0c;将求解的结果写成期望的形式得到的就是正交性原理&＃xff0c;写成相关的形式就是维纳霍夫方程。

以上&＃xff0c;我们虽然得到了维娜霍夫方程的表达形式。但是在设计维纳滤波器的过程中&＃xff0c;目标信号x无法获取&＃xff0c;因此就无法得到纯净信号x与期望信号d之间的相关向量&＃xff0c;也就是说上述维娜霍夫方程是无法应用在实际信号处理过程之中的。对于这个问题我们可以通过使用替代的方法对以上方程进行改造。我们将纯净信号表示成期望信号d与噪声g的差值&＃xff0c;同时我们假设纯净信号x与噪声g之间相互独立&＃xff0c;这样我们就能将期望信号d与纯净信号x之间的相关性重新表示如下&＃xff1a;

$R{_d_x} &＃61; E[d(n)x(n)]\\ &＃61; E[d(n)*[d(n)-g(n)]]\\ &＃61; E[d(n)d(n)] - E[[x(n)&＃43;g(n)]*g(n)]$

因为 x与g相互独立&＃xff0c;所以Rxg &＃61; 0&＃xff0c;带入上式

$R{_d_x} &＃61; E[d(n)*d(n)]-E[g(n)*g(n)]\\&＃61;R{_d_d}-R{_g_g}$

重新整理维纳霍夫方程&＃xff0c;得到如下形式&＃xff1a;

$R_{dd} - R_{gg}&＃61;h(j)*R_{dd}(j)$

重新整理维纳滤波器的形式

$H(\omega )&＃61;\frac{P_{dd}(\omega )-P_{gg}(\omega )}{P_{dd}(\omega )}$

根据公式可以看出&＃xff0c;维纳滤波器的系数在特定条件下&＃xff08;滤波器的输入纯净信号与输入的噪声不想关&＃xff09;可以通过输入的期望信号d和噪声功率完全获得&＃xff0c;而且噪声可以通过设置前端无语音段的平均功率作为初始条件然后在每一次处理过程中迭代获得。

概念补充&＃xff1a;

希尔伯特空间&＃xff1a;属于泛函分析的核心概念&＃xff0c;是一个满足多项式计算法则、具有范数概念&＃xff08;距离的一个子概念&＃xff09;、满足内积运算&＃xff0c;并具有完备性&＃xff08;空间内的极限运算结果仍落在空间范围内&＃xff09;特点的特殊空间。

一个抽象的希尔伯特空间中的元素往往被称为向量&＃xff0c;这个希尔伯特空间则可以代表一个系统&＃xff0c;每个希尔伯特空间内都有一族标准正交基&＃xff0c;空间内的任何元素都可以用这族标准正交基或其倍数的和表示。

希尔伯特空间元素 &＃xff1a;

$a&＃61; \left ( a1,a2,...,an \right )$

希尔伯特空间元素&＃xff1a;

$b&＃61;\left ( b1,b2,...,bn \right )$

两元素的内积&＃xff1a;

$\left \langle a,b \right \rangle&＃61;a\cdot b^{T}&＃61;a1\cdot b1&＃43;a2\cdot b2&＃43;...&＃43;an\cdot bn$

同时&＃xff0c;如果 &＃61; 0,则认为元素a与元素b正交。

a的范数&＃xff08;类似于线性空间中的距离定义&＃xff09;

$\left \| a \right \|&＃61;\sqrt{\left \langle a,a \right \rangle}$

正交性原理&＃xff1a;当> &＃61; 0时候&＃xff0c;由 $\eta_{i}$ 估计出来的 $\hat{\xi }&＃61;\sum a_{i}\cdot \eta _{i}$ 与原来的 $\xi$ 值之间的均方误差e最小。

关于共轭的一个小知识点&＃xff1a;

若 $X_{n}\cdot Y_{n}^{*}&＃61;0$ &＃xff0c;则 $X_{n}^{*}\cdot Y_{n}&＃61;0$ &＃xff08;知识点1&＃xff09;

$X_{n}&＃61;\left | a \right |\cdot e^{j\theta_{1}}$

$Y_{n}&＃61;\left | b \right |\cdot e^{j\theta _{2}^{}}$

$X_{n}\cdot Y_{n}^{*} &＃61;\left | a\cdot b \right |\cdot e^{j\left ( \theta _{1} -\theta _{2}\right )} &＃61;\left | a\cdot b \right |\cdot cos(\theta _{1}-\theta _{2})&＃43;\left | a\cdot b \right |\cdot sin(\theta _{1}-\theta _{2})\cdot j$

$X_{n}^{*}\cdot Y_{n} &＃61;\left | a\cdot b \right |\cdot e^{j\left ( \theta _{2} -\theta _{1}\right )} &＃61;\left | a\cdot b \right |\cdot cos(\theta _{2}-\theta _{1})&＃43;\left | a\cdot b \right |\cdot sin(\theta _{2}-\theta _{1})\cdot j$

要想式子等于0&＃xff0c;实部、虚部必须同时为0&＃xff0c;分别对比以上式子中的虚部与实部&＃xff0c;可证知识点1

$X_{n}\cdot Y_{n}^{*}&＃61;\left (X_{n}^{*}\cdot Y_{n} \right )^{*}$

推荐阅读

算法
利用 VTK Glyph3D 实现三维数据的符号化可视化

vtkGlyph3D 是一种强大的符号化可视化工具，能够将三维数据集中的每个点用预定义的几何图形（如球体或箭头）进行表示。该工具不仅支持自定义符号的方向和缩放比例，还能够在复杂的数据场中突出显示关键特征，从而提高数据的可解释性和可视化效果。通过这种方式，用户可以更直观地理解和分析三维数据集中的重要信息。 ... [详细]

蜡笔小新 2024-11-04 21:48:22
package
设计一种高效的数据结构与算法，用于存储和计算超出常规范围的超大整数加法运算...

本文提出了一种高效的数据结构与算法，旨在解决超大整数（超出常规 `long` 类型范围）的加法运算问题。通过引入自定义的数据结构，该方法能够有效地存储和处理任意大小的整数，并在保证计算精度的同时，显著提升运算效率。实验结果表明，该方法在处理大规模数据时表现出色，具有较高的实用价值。 ... [详细]

蜡笔小新 2024-11-04 20:29:14
package
Java编程技巧：数组排序算法（冒泡排序与选择排序）、二分查找、Arrays类应用及进制转换、装箱与拆箱详解

本文详细介绍了Java编程中的几种重要技巧，包括冒泡排序和选择排序这两种基础的数组排序算法。冒泡排序通过多次遍历数组，将较大的元素逐步移动到数组末尾；而选择排序则在每次遍历中选择最小的元素并将其放置在正确的位置。此外，文章还探讨了二分查找算法，该算法适用于已排序的数组，能够高效地进行查找操作。同时，文中还介绍了Java中的`Arrays`类及其常用方法，以及如何进行进制转换和装箱与拆箱操作，提供了丰富的示例和注意事项，帮助读者深入理解这些核心概念。 ... [详细]

蜡笔小新 2024-11-04 18:50:06
package
九度编程挑战：斐波那契数列的高效算法解析

本文详细解析了九度编程平台上的斐波那契数列高效算法挑战（题目编号：1387）。该挑战要求在1秒的时间限制和32兆的内存限制下，设计出高效的斐波那契数列计算方法。通过多种算法的对比和性能分析，本文提供了优化方案，帮助参赛者在限定资源条件下实现高效计算。 ... [详细]

蜡笔小新 2024-11-04 17:20:43
rust
解决Android应用在手机安装时出现安全风险提示的方法与对策

解决Android应用在手机安装时出现安全风险提示的方法与对策 ... [详细]

蜡笔小新 2024-11-04 16:43:58
mvc
READ COMMITTED 和 REPEATABLE READ 事务隔离级别的对比与分析

在数据库事务处理中，InnoDB 存储引擎提供了多种隔离级别，其中 READ COMMITTED 和 REPEATABLE READ 是两个常用的选项。本文详细对比了这两种隔离级别的特点和差异，不仅从理论角度分析了它们对“脏读”和“幻读”的处理方式，还结合实际应用场景探讨了它们在并发控制和性能表现上的不同。特别关注了行锁机制在不同隔离级别下的行为，为开发者选择合适的隔离级别提供了参考。 ... [详细]

蜡笔小新 2024-11-04 16:00:44
mvc
计算力扣平台上的汉明距离问题解析与优化算法

本文深入解析了计算力扣平台上汉明距离问题的官方解法，并通过优化算法提高了计算效率。具体而言，我们详细探讨了如何利用位运算技巧来高效计算数组中所有数对之间的汉明距离，从而在时间和空间复杂度上实现了显著改进。通过实例代码演示，使读者能够更直观地理解这一优化方法。 ... [详细]

蜡笔小新 2024-11-04 15:15:25
mvc
设计模式详解：模板方法模式的应用与实现

模板方法模式是一种行为设计模式，通过定义一个操作中的算法骨架，将具体步骤的实现延迟到子类中。本文详细解析了模板方法模式的类图结构、实现方式以及挂钩机制，并结合实际案例进行了深入探讨。此外，文章还提供了丰富的参考资料，帮助读者更好地理解和应用这一设计模式。对于手机用户，建议横屏阅读以获得更佳的阅读体验。 ... [详细]

蜡笔小新 2024-11-04 14:01:18
mvc
探索聚类分析中的K-Means与DBSCAN算法及其应用

聚类分析是一种用于解决样本或特征分类问题的统计分析方法，也是数据挖掘领域的重要算法之一。本文主要探讨了K-Means和DBSCAN两种聚类算法的原理及其应用场景。K-Means算法通过迭代优化簇中心来实现数据点的划分，适用于球形分布的数据集；而DBSCAN算法则基于密度进行聚类，能够有效识别任意形状的簇，并且对噪声数据具有较好的鲁棒性。通过对这两种算法的对比分析，本文旨在为实际应用中选择合适的聚类方法提供参考。 ... [详细]

蜡笔小新 2024-11-04 13:20:39
node.js
TypeScript 实战分享：Google 工程师深度解析 TypeScript 开发经验与心得

TypeScript 实战分享：Google 工程师深度解析 TypeScript 开发经验与心得 ... [详细]

蜡笔小新 2024-11-04 12:55:23
node.js
【算法精进】二叉树重构深度解析

本文深入探讨了基于前序遍历和中序遍历结果重构二叉树的算法。假设输入的前序遍历和中序遍历序列中均无重复数字，通过具体示例如前序遍历序列 {1, 2, 4, 7, 3, 5, 6, 8} 和中序遍历序列，详细解析了如何逐步重建原始二叉树结构。文章不仅提供了理论分析，还结合实际代码实现，帮助读者全面理解该算法的核心原理和应用方法。 ... [详细]

蜡笔小新 2024-11-04 12:30:35
node.js
提升编程技能的10个专业建议

本文源自极分享，详细内容请参阅原文。技术债务如同信用卡负债，随着时间推移，修复成本会越来越高，因此程序员必须对此有深刻认识。此外，团队应致力于培养一种持续维护和优化代码的文化，以减少技术债务的累积。 ... [详细]

蜡笔小新 2024-11-04 12:27:07
分布式
ZAB算法：实现强一致性的分布式协调机制

ZAB算法：实现强一致性的分布式协调机制 ... [详细]

蜡笔小新 2024-11-04 12:18:05
分布式
LeetCode 215: Top K Largest Elements Efficiently Explained

本文详细解析了LeetCode第215题，即高效寻找数组中前K个最大元素的问题。通过使用快速选择算法（partition），可以在平均时间复杂度为O(N)的情况下完成任务。本文不仅提供了算法的具体实现步骤，还深入探讨了partition算法的工作原理及其在不同场景下的应用，帮助读者更好地理解和掌握这一高效算法。 ... [详细]

蜡笔小新 2024-11-04 12:14:37
分布式
计算机图形学基础：辐照度学原理与应用综述

辐照度（irradiance）是指单位面积上接收到的电磁辐射功率，可视为入射点处的能量密度。在计算机图形学领域，辐照度计算是确定场景中每个位置光照效果的关键步骤。通过对辐照度的精确建模，可以实现更加逼真的光照渲染，提升视觉效果的真实感和沉浸感。本文综述了辐照度的基本原理及其在计算机图形学中的多种应用，探讨了当前研究的热点和技术挑战。 ... [详细]

蜡笔小新 2024-11-04 11:30:13

拍友2502906483

这个家伙很懒，什么也没留下！

Tags | 热门标签

RankList | 热门文章