Постановка задачи оптимальной линейной фильтрации. Методы оптимальной линейной фильтрации.
Постановка задачи оптимальной линейной фильтрации
Пусть наблюдается некоторый дискретный сигнал , который линейным образом связан с полезным сигналом уравнением наблюдения:
, (13.1)
где - дискретный гауссовский белый шум наблюдения.
Полезный дискретный сигнал в общем случае является случайным и задается некоторым разностным уравнением, распространенным примеров которого является:
, (13.2)
где - дискретный гауссовский белый шум, формирующий полезный сигнал.
Дискретный фильтр оптимальной линейной фильтрации должен сформировать оценку полезного сигнала , которая характеризуется минимальной ошибкой.
Методы оптимальной линейной фильтрации
Существуют следующие методы оптимальной линейной фильтрации:
- метод наименьших квадратов (МНК);
- метод рекуррентной оптимальной линейной фильтрации.
В качестве критерия оптимальности обоих методов выбирается критерий минимума суммы квадратов отклонений наблюдаемых значений от оцениваемых значений :
. (13.3)
По результатам методы МНК и рекуррентный эквивалентны. Однако метод МНК имеет следующие недостатки:
- большая емкость памяти устройств обработки;
- большие вычислительные затраты.
От недостатков метода МНК свободны рекуррентные алгоритмы оптимальной линейной фильтрации, при которых вновь поступающий входной сигнал немедленно используется для уточнения ранее полученной оценки:
. (13.4)
Согласно алгоритму (13.4) обработка входного сигнала происходит последовательно в реальном масштабе времени.
В простейших случаях рекуррентный алгоритм оптимальной линейной фильтрации может быть получен путем математических преобразований алгоритмов, полученных методом МНК.
В большинстве случаев необходимо использовать оригинальные уравнения рекуррентной оптимальной фильтрации.
Дата добавления: 2020-08-31; просмотров: 447;