Próbuję owinąć głowę wokół właściwego użycia filtru Wiener lub filtru przewidywania błędów do filtrowania danych. Wydaje mi się, że jest to tylko filtr wybielający, więc w jaki sposób jest używany, gdy dane, które chcesz odzyskać, nie są sygnałem AWGN?
Na przykład mam sygnał, który ma kilka sygnałów zakłócających tarcie - widzę je na PSD, ale nie wiem, czy są one a) stacjonarne i b) jakie mają właściwości. Mogę użyć metody takiej jak równania Yule-Walkera do odzyskania modelu AR dla całego sygnału, ale w tym przypadku chcę tylko odzyskać model sygnałów zakłócających, a nie część, którą chcę odzyskać.
Próbowałem wdrożyć adaptacyjny filtr wycinający LMS, z sygnałem referencyjnym będącym pojedynczą falą sinusoidalną, ale okazało się to dla mnie o wiele za wąskie i nie bardzo dobrze śledziło zmiany częstotliwości w sygnale.
Myślę, że w zasadzie moje pytanie brzmi: jeśli używam filtru przewidywania błędów do filtrowania rzeczywistych danych, to jak oddzielić część danych od części szumu? Innymi słowy, nie chcę wybielić całego sygnału, tylko część szumu. czego mi brakuje?
źródło
Odpowiedzi:
nie jestem pewien, czy rozumiem poprawnie pytanie (prosimy o aktualizację, jeśli nie tak).
Istnieje algorytm MUSIC, który wyodrębnia sygnały osadzone w szumie tła jako sumę sygnałów sinusoidalnych
Istnieje również opcja użycia SVD (lub transformacji Karhunena-Loeve'a) i zmniejszenia wymiarów danych wejściowych przy jednoczesnym skanowaniu maksimum informacji (spowoduje to odrzucenie większości składowych szumu tła).
Jeśli jest to online lub w czasie rzeczywistym, można to zrobić adaptacyjnie.
Mam nadzieję że to pomoże
źródło