多通道ARMA信号加权观测融合反卷积Wiener滤波器

2015-03-25 06:07封文清邓自立
科技传播 2015年15期
关键词:时滞滑动滤波器

封文清,孙 赫,邓自立

1.梧州学院,广西梧州 543002 2.南京磐能电器,江苏南京 543002 3.黑龙江大学,黑龙江哈尔滨 150000

多通道ARMA信号加权观测融合反卷积Wiener滤波器

封文清1,孙 赫2,邓自立3

1.梧州学院,广西梧州 543002 2.南京磐能电器,江苏南京 543002 3.黑龙江大学,黑龙江哈尔滨 150000

应用现代时间序列与状态空间方程的转换定理,将带观测时滞的ARMA信号转换为状态空间模型。本文描述存在时滞的系统和噪声的方法是用自回归滑动平均模型(ARMA),通过ARMA信号与状态空间模型的转换来完成模型的转换,在转换过程中将时滞巧妙的嵌入到状态转移矩阵Φ中,从而得到信息滤波器形式的Kalman滤波器。提出了加权融合反卷积Wiener滤波器。一个仿真例子说明其有效性。

Wiener滤波;反卷积;信息融合;时滞;白噪声

当系统的输入已知时,我们去估计系统的输入信号,这种办法叫做反卷积估计。通常这种方法在优化控制,预测控制,滤波控制等这领域中被广泛应用[1]。本文用自回归滑动平均模型(ARMA)来描述一个存在滞后的系统,通过自回归滑动平均模型(ARMA)与状态空间模型的转换关系,从而可以完成模型之间的转换,进而提出了加权融合反卷积Wiener滤波器[2]。

1 问题阐述

考虑带延迟的ARMA信号反卷积系统

i=1,…,L;其中t为离散时间,yi(t)∈Rmi为第i个传感器的观测,s(t)为输入信号,vi(t)为局部观测噪声。

问题是:基于yi(t),yi(t−1)…,i=1,…,L ,求取加权观测融合反卷积Wiener滤波器sˆ(Ι)(t)。

【引理 1】[3]多维CARMA模型(受控的自回归滑动平均模型)

其中y(t)∈Rm,u(t)∈Rp,v(t)∈Rr,Ai为m×m阵,Bi为m×p阵,Ci为m×r阵,等价于如下块伴随形状态空间模型

2 算法与仿真

2.1 算法推导

【引理 2】[4]多传感器系统,可得到局部稳态Kalman滤波器

其中稳态Kalman滤波增益Kfi为

β为(Φ,H)的可观性指数,β是使可观阵Ω为列满秩的最小自然数,即

定理1加权观测融合反卷积Wiener滤波器

由于反卷积处理的是信号s(t),最终实现了时滞系统反卷积Wiener滤波器的设计。

2.2 仿真例子

考虑带延迟的ARMA信号反卷积系统:

i=1,…L;其中t为离散时间,yi(t)∈Rmi为第i个传感器的输出(观测),s(t)为输入信号,vi(t)为传感器的观测噪声。

3 结论

本文针对带观测滞后的单通道自回归滑动平均(ARMA)信号,通过选用合适恰当的算法将系统模型进行转换,主要采用的方法是反卷积滤波的方法。将带观测时滞的ARMA信号转换为状态空间模型。用自回归滑动平均模型(ARMA),描述了存在时滞的系统和噪声。通过ARMA信号与状态空间模型的转换来完成模型的转换,从而可以直接求取系统模型的滤波增益。再借助于引理2.1可以求出Wiener滤波器[2]。通过观测加权算法,得到多传感器信息融合Wiener反卷积滤波器。

[1]Mendel J M.Optimal seismic deconvolution:an estimation-based approach.New York:Academic Press,1983.

[2]孙赫.基于现代时间序列分析方法的信息融合反卷积滤波器[D].黑龙江大学控制理论与控制工程,2013.

[3]邓自立,王欣,李云.多传感器分布式融合白噪声反卷积滤波器[J].电子与信息学报,2006,7(28):1179−1182.

[4]邓自立,郭一新.现代时间序列分析及其应用——建模、滤波、去卷、预报和控制[M].北京:知识出版社,1989.

TN7

A

1674-6708(2015)144-0039-02

猜你喜欢
时滞滑动滤波器
带有时滞项的复Ginzburg-Landau方程的拉回吸引子
从滤波器理解卷积
一种新型滑动叉拉花键夹具
开关电源EMI滤波器的应用方法探讨
Big Little lies: No One Is Perfect
基于Canny振荡抑制准则的改进匹配滤波器
基于TMS320C6678的SAR方位向预滤波器的并行实现
一阶非线性时滞微分方程正周期解的存在性
滑动供电系统在城市轨道交通中的应用
一类时滞Duffing微分方程同宿解的存在性