Я пытаюсь обернуть голову вокруг правильного использования фильтра Wiener или прогнозирования ошибок для фильтрации данных. Мне кажется, что это всего лишь отбеливающий фильтр, так как же он используется, когда данные, которые вы хотите восстановить, не являются сигналом AWGN?
Например, у меня есть сигнал, который имеет несколько мешающих сигналов - я могу видеть их на PSD, но я не знаю, являются ли они а) стационарными и б) какими свойствами они обладают. Я могу использовать метод, подобный уравнениям Юла-Уокера, для восстановления модели AR для всего сигнала, но в этом случае я хочу восстановить только модель мешающих сигналов, а не ту часть, которую я хочу восстановить.
Я попытался реализовать адаптивный режекторный фильтр LMS, при этом опорный сигнал представлял собой одну синусоидальную волну, но это оказалось для меня слишком узким и не очень хорошо отслеживало изменения частоты сигнала.
Я думаю, в основном мой вопрос заключается в следующем: если я использую фильтр прогнозирования ошибок для фильтрации реальных данных, то как мне отделить часть данных от части шума? Другими словами, я не хочу отбеливать весь сигнал, только часть шума. Чего мне не хватает?
источник
Ответы:
Я не уверен, что правильно понял вопрос (не стесняйтесь, обновите меня, если не так).
Существует алгоритм MUSIC, который извлекает сигналы, встроенные в фоновый шум, в виде суммы синусоидальных сигналов.
Существует также возможность использовать SVD (или преобразование Кархунена-Лоэва) и уменьшить размерность входных данных при одновременном возврате максимальной информации (это отбросит большинство компонентов фонового шума).
Если это онлайн или в режиме реального времени, это может быть сделано адаптивно.
Надеюсь это поможет
источник