1.維納濾波函數
維納濾波是一種平穩隨機過程的最佳濾波理論,換句話說就是在濾波過程當中系統的狀態參數(或信號的波形參數)是穩定不變的。它將全部時刻的採樣數據用來計算互相關矩
陣,涉及到解維納-霍夫方程。能夠說維納濾波僅在理論上有意義,在實際應用中的侷限性表如今:不適用於非平穩的隨機過程的濾波;要用到全部時刻的採樣數據,須要的
數據存儲容量大;解維納-霍夫方程是要用到矩陣的求逆運算,計算量大(由於互相關矩陣的階數很大),並且實際數據下的維納-霍夫方程可能無解。遞歸
2.卡爾曼濾波方法
卡爾曼濾波不只適用於平穩隨機過程,也適用於非平穩隨機過程。它將系統的狀態遷移用狀態方程來表述,並用固定維數的矩陣運算遞推式代替了維納濾波的解維數巨大的線
性方程組,克服了維納濾波的一系列侷限性,得到了成功應用,被稱爲上個世紀四十年代統計信號處理的最大成果。在應用中,Kalman濾波的關鍵是創建準確的系統模型(包
括狀態方程和觀測方程)。kalman filter考慮了系統噪聲和測量噪聲,最小二乘通常沒有考慮系統噪聲,若是kalman filter不考慮系統噪聲,就至關於遞歸加權最小二乘,若是兩者皆不考慮就是最簡單的最小二乘。統計
3.匹配濾波數據
匹配濾波跟前面的兩個濾波理論不同,它不屬於波形估計(或稱系統的狀態估計),而是屬於信號的統計檢測這個範疇,這一點必定要記住!匹配濾波不一樣於通常的濾波方
法,其目的不是爲了最好地恢復信號波形,而是使得在某一判決時刻T時,使得輸出的信噪比最大,從而有效的檢測到信號(或發現信號)。已知信號是指數衰減信號s(t),
它淹沒在到達的信號r(t)所含的噪聲q(t)中,經採樣後表示爲r(n)=s(n)+q(n)
使用匹配濾波器h(t)=s(T-t)做卷積,就獲得輸出的最佳估計。
由卷積運算的過程看,在信號幅度最大的地方,卷積加權最多,而在噪聲佔主要的地方,卷積的結果削弱了噪聲的做用。
能夠看出來,匹配濾波器能夠看做是自相關運算,也能夠看做是一個自相關運算。從輸出的角度來看,匹配濾波與信號自相關的不一樣點在於:自相關檢測是隨時與被檢測的信
號自身進行相關,不須要任何先驗知識;而匹配濾波是將到達的信號與預先設定的衝激響應相卷積,能夠預先設置各類衝激響應,分別與到達的信號進行卷積,若是兩者「匹
配」了,就獲得最大輸出。
能夠證實,對於白噪聲匹配濾波器,使輸出信噪比達到最大時濾波器的傳遞函數爲
式中,S*(Ω)是信號s(t)的傅立葉變換S(Ω)的複共軛,c是任一常數,反映線性匹配濾波器的放大量,一般取c=1。爲實現h(t)和x(t)的高速卷積,可由頻率的方法實現.爲了提
高運算速度,一般沒必要計算FFT2,而是預先算好的H(k)存放在只讀存儲器中,需時只需從存儲器中取出來與X(k) 相乘便可。filter
4.小波濾波時間
維納濾波和卡爾曼濾波屬於一類時域濾波器,小波濾波則與常見的帶通濾波器(包括低通濾波、帶通濾波、帶限濾波、高通濾波)屬於頻域濾波器,其特色是將信號與噪聲在
頻率進行分離,抑制有用信號頻帶之外的噪聲,使有用信號經過,但不能抑制與有用信號佔據相同頻帶的噪聲(這一點與維納濾波和卡爾曼濾波是從根本上不一樣的)。與基於
傅立葉變換的常規濾波方法相比,小波變換適用於時變信號的頻譜分析,可以顯示信號頻率隨時間變化的特性(傅立葉變換認爲在信號的處理時間內頻率特性是不變的)。但
是,在實際應用中,因爲小波變換計算量很大,實時處理受到限制。並且因爲實際時變信號的頻率特性很是複雜,尚未造成統一的小波濾波理論。參數