J'essaie de comprendre comment utiliser correctement un filtre Wiener ou de prédiction d'erreur pour filtrer les données. Il me semble que ce n'est qu'un filtre blanchissant, alors comment est-il utilisé lorsque les données que vous souhaitez récupérer ne sont pas un signal AWGN?
Par exemple, j'ai un signal qui a plusieurs signaux parasites distint - je peux les voir sur un PSD, mais je ne sais pas qu'ils sont a) stationnaires et b) quelles propriétés ils ont. Je peux utiliser une méthode comme les équations de Yule-Walker pour récupérer le modèle AR pour le signal entier , mais dans ce cas, je veux uniquement récupérer le modèle des signaux interférents, pas la partie que je veux récupérer.
J'ai essayé d'implémenter un filtre coupe-bande LMS adaptatif, le signal de référence étant une seule onde sinusoïdale, mais cela s'est avéré beaucoup trop étroit et n'a pas très bien suivi les changements de fréquence dans le signal.
Je suppose que ma question est la suivante: si j'utilise un filtre de prédiction d'erreur pour filtrer les données réelles, comment puis-je séparer la partie données de la partie bruit? En d'autres termes, je ne veux pas blanchir tout le signal, seulement la partie bruit. Qu'est-ce que je rate?
la source
Réponses:
je ne suis pas sûr de bien comprendre la question (n'hésitez pas à me mettre à jour sinon).
Il y a l'algorithme MUSIC, qui extrait les signaux intégrés dans un bruit de fond, comme une somme de signaux sinusoïdaux
Il existe également la possibilité d'utiliser SVD (ou la transformation de Karhunen-Loeve) et de réduire la dimensionnalité des données d'entrée tout en retanant le maximum d'informations (cela supprimera la plupart des composants de bruit de fond).
Si c'est en ligne ou en temps réel, cela pourrait être fait de manière adaptative.
J'espère que cela t'aides
la source