Ich versuche, mich mit der richtigen Verwendung eines Wiener- oder Fehlervorhersagefilters zum Filtern von Daten auseinanderzusetzen. Es scheint mir, dass es sich nur um einen Whitening-Filter handelt. Wie wird er verwendet, wenn die Daten, die Sie wiederherstellen möchten, kein AWGN-Signal sind?
Zum Beispiel habe ich ein Signal, das mehrere Störsignale enthält - ich kann sie auf einer PSD sehen, aber ich weiß nicht, ob sie a) stationär sind und b) welche Eigenschaften sie haben. Ich kann eine Methode wie Yule-Walker-Gleichungen verwenden, um das AR-Modell für das gesamte Signal wiederherzustellen , aber in diesem Fall möchte ich nur das Modell der Störsignale wiederherstellen, nicht den Teil, den ich wiederherstellen möchte.
Ich habe versucht, ein adaptives LMS-Notch-Filter zu implementieren, wobei das Referenzsignal eine einzelne Sinuswelle ist, aber dies stellte sich für mich als viel zu eng heraus und verfolgte Frequenzänderungen im Signal nicht sehr gut.
Ich denke, im Grunde ist meine Frage: Wenn ich einen Filter für die Fehlervorhersage verwende, um echte Daten zu filtern, wie trenne ich dann den Datenanteil vom Rauschanteil? Mit anderen Worten, ich möchte nicht das gesamte Signal aufhellen, sondern nur den Rauschanteil. Was vermisse ich?
quelle
Antworten:
Ich bin nicht sicher, ob ich die Frage richtig verstehe.
Es gibt den MUSIC-Algorithmus, der Signale, die in ein Hintergrundrauschen eingebettet sind, als Summe von sinusförmigen Signalen extrahiert
Es besteht auch die Möglichkeit, SVD (oder Karhunen-Loeve-Transformation) zu verwenden und die Dimensionalität der Eingabedaten zu reduzieren, während die maximale Information erneut gespeichert wird (dies verwirft die meisten Hintergrundgeräuschkomponenten).
Wenn dies online oder in Echtzeit erfolgt, kann dies adaptiv erfolgen.
Hoffe das hilft
quelle