वीनर फ़िल्टर

Not to be confused with Wien filter or Wien bridge.

संकेत का प्रक्रमण में, वीनर फ़िल्टर एक फ़िल्टर (सिग्नल प्रोसेसिंग) होता है, जिसका उपयोग किसी प्रेक्षित शोर प्रक्रिया के रैखिक समय-अपरिवर्तनीय (रैखिक फ़िल्टर ) फ़िल्टरिंग द्वारा वांछित या लक्ष्य यादृच्छिक प्रक्रिया का अनुमान उत्पन्न करने के लिए किया जाता है, जो ज्ञात स्थिर प्रक्रिया संकेत और शोर स्पेक्ट्रा मानते हैं। , और योगात्मक शोर। वीनर फ़िल्टर अनुमानित यादृच्छिक प्रक्रिया और वांछित प्रक्रिया के बीच माध्य वर्ग त्रुटि को कम करता है।

विवरण

वीनर फ़िल्टर का लक्ष्य एक इनपुट के रूप में संबंधित सिग्नल का उपयोग करके अज्ञात सिग्नल के अनुमान सिद्धांत की गणना करना और उस ज्ञात सिग्नल को फ़िल्टर करना है जो अनुमान को आउटपुट के रूप में उत्पन्न करता है। उदाहरण के लिए, ज्ञात संकेत में रुचि का एक अज्ञात संकेत शामिल हो सकता है जो योगात्मक शोर से दूषित हो गया है। वीनर फ़िल्टर का उपयोग दूषित सिग्नल से शोर को फ़िल्टर करने के लिए किया जा सकता है ताकि ब्याज के अंतर्निहित सिग्नल का अनुमान लगाया जा सके। वीनर फ़िल्टर एक सांख्यिकीय दृष्टिकोण पर आधारित है, और सिद्धांत का एक अधिक सांख्यिकीय खाता न्यूनतम माध्य वर्ग त्रुटि | न्यूनतम माध्य वर्ग त्रुटि (MMSE) अनुमानक लेख में दिया गया है।

विशिष्ट नियतात्मक फ़िल्टर वांछित आवृत्ति प्रतिक्रिया के लिए डिज़ाइन किए गए हैं। हालाँकि, वीनर फ़िल्टर का डिज़ाइन एक अलग दृष्टिकोण लेता है। एक को मूल सिग्नल और शोर के वर्णक्रमीय गुणों का ज्ञान माना जाता है, और एक एलटीआई सिस्टम सिद्धांत की तलाश करता है | रैखिक समय-अपरिवर्तनीय फ़िल्टर जिसका आउटपुट जितना संभव हो सके मूल सिग्नल के करीब आ जाएगा। वीनर फिल्टर निम्नलिखित की विशेषता है:

1. धारणा: संकेत और (योज्य) शोर ज्ञात वर्णक्रमीय विशेषताओं या ज्ञात ऑटोसहसंबंध और क्रॉस-सहसंबंध के साथ स्थिर रैखिक स्टोकेस्टिक प्रक्रियाएं हैं
2. आवश्यकता: फ़िल्टर भौतिक रूप से प्राप्य / कारण प्रणाली होना चाहिए (इस आवश्यकता को छोड़ दिया जा सकता है, जिसके परिणामस्वरूप गैर-कारण समाधान हो सकता है)
3. प्रदर्शन मानदंड: न्यूनतम माध्य-वर्ग त्रुटि (एमएमएसई)

इस फ़िल्टर का उपयोग अक्सर विघटन की प्रक्रिया में किया जाता है; इस एप्लिकेशन के लिए, वीनर डिकॉन्वोल्यूशन देखें।

वीनर फिल्टर समाधान

होने देना $s(t+\alpha )$ एक अज्ञात संकेत हो जिसे माप संकेत से अनुमानित किया जाना चाहिए $x(t)$. जहां अल्फा एक ट्यून करने योग्य पैरामीटर है। $\alpha >0$ भविष्यवाणी के रूप में जाना जाता है, $\alpha =0$ फ़िल्टरिंग के रूप में जाना जाता है, और $\alpha <0$ चौरसाई के रूप में जाना जाता है (देखें वीनर फ़िल्टरिंग अध्याय अधिक जानकारी के लिए)।

वीनर फ़िल्टर समस्या में तीन संभावित मामलों के समाधान हैं: एक जहां एक गैर-कारण फ़िल्टर स्वीकार्य है (पिछले और भविष्य दोनों डेटा की अनंत मात्रा की आवश्यकता होती है), वह मामला जहां एक कारण सिस्टम फ़िल्टर वांछित होता है (पिछले डेटा की अनंत मात्रा का उपयोग करके), और परिमित आवेग प्रतिक्रिया (एफआईआर) मामला जहां केवल इनपुट डेटा का उपयोग किया जाता है (यानी परिणाम या आउटपुट को आईआईआर मामले में फ़िल्टर में वापस फीड नहीं किया जाता है)। पहला मामला हल करना आसान है लेकिन रीयल-टाइम अनुप्रयोगों के लिए उपयुक्त नहीं है। वीनर की मुख्य उपलब्धि उस मामले को सुलझाना था जहां कार्य-कारण की आवश्यकता प्रभाव में है; नॉर्मन लेविंसन ने वीनर की किताब के परिशिष्ट में एफआईआर का समाधान दिया।

अकारण समाधान

$G(s)={\frac {S_{x,s}(s)}{S_{x}(s)}}e^{\alpha s},$

कहाँ पे $S$ वर्णक्रमीय घनत्व हैं। उसे उपलब्ध कराया $g(t)$ इष्टतम है, तो न्यूनतम माध्य-वर्ग त्रुटि समीकरण कम हो जाता है

$E(e^{2})=R_{s}(0)-\int _{-\infty }^{\infty }g(\tau )R_{x,s}(\tau +\alpha )\,d\tau ,$

और समाधान $g(t)$ का प्रतिलोम दो तरफा लाप्लास रूपांतर है $G(s)$.

कारण समाधान

$G(s)={\frac {H(s)}{S_{x}^{+}(s)}},$

कहाँ पे

• $H(s)$ के कारण भाग के होते हैं ${\frac {S_{x,s}(s)}{S_{x}^{-}(s)}}e^{\alpha s}$ (अर्थात, इस भिन्न के उस भाग का प्रतिलोम लाप्लास परिवर्तन के तहत सकारात्मक समय समाधान है)
• $S_{x}^{+}(s)$ का कारण घटक है $S_{x}(s)$ (अर्थात, का व्युत्क्रम लाप्लास रूपांतर $S_{x}^{+}(s)$ केवल के लिए शून्य नहीं है $t\geq 0$)
• $S_{x}^{-}(s)$ का कारण-विरोधी घटक है $S_{x}(s)$ (अर्थात, का व्युत्क्रम लाप्लास रूपांतर $S_{x}^{-}(s)$ केवल के लिए शून्य नहीं है $t<0$)

यह सामान्य सूत्र जटिल है और अधिक विस्तृत विवरण के योग्य है। समाधान लिखने के लिए $G(s)$ किसी विशिष्ट मामले में, किसी को इन चरणों का पालन करना चाहिए:

1. स्पेक्ट्रम से शुरू करें $S_{x}(s)$ तर्कसंगत रूप में और इसे कारण और कारण-विरोधी घटकों में शामिल करें: $S_x(s)=S_x^{+}(s)S_x^{-<!--\; -\; -->}($