【信號(hào)處理】基于維納濾波和功率倒置的比較附Matlab代碼
【信號(hào)處理】基于維納濾波和功率倒置的比較附Matlab代碼
TT_Matlab
博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測、信號(hào)處理、元胞自動(dòng)機(jī)、圖像處理、路徑規(guī)劃、無人機(jī)等多種領(lǐng)域的Matlab仿真，完整matlab代碼或者程序定制加qq1575304183。機(jī)器學(xué)習(xí)之心，前程算法屋的代碼一律可以八折購買。
?作者簡介：熱愛科研的Matlab仿真開發(fā)者，修心和技術(shù)同步精進(jìn)，代碼獲取、論文復(fù)現(xiàn)及科研仿真合作可私信。
個(gè)人主頁：Matlab科研工作室
個(gè)人信條：格物致知。
更多Matlab完整代碼及仿真定制內(nèi)容點(diǎn)擊
智能優(yōu)化算法 神經(jīng)網(wǎng)絡(luò)預(yù)測 雷達(dá)通信 無線傳感器 電力系統(tǒng)
信號(hào)處理 圖像處理 路徑規(guī)劃 元胞自動(dòng)機(jī) 無人機(jī)
物理應(yīng)用 機(jī)器學(xué)習(xí)
內(nèi)容介紹
信號(hào)處理中，濾波技術(shù)是消除噪聲和提取有用信號(hào)的關(guān)鍵方法。維納濾波和功率譜倒置是兩種廣泛應(yīng)用的濾波技術(shù)，它們?cè)诓煌膱鼍跋戮哂懈髯缘膬?yōu)勢和劣勢。本文將對(duì)這兩種濾波技術(shù)進(jìn)行比較，分析它們的原理、適用范圍和優(yōu)缺點(diǎn)。
維納濾波
維納濾波是一種最優(yōu)線性濾波器，它通過最小化信號(hào)和噪聲的均方誤差來設(shè)計(jì)濾波器。其原理是利用信號(hào)和噪聲的統(tǒng)計(jì)特性，通過求解維納-霍普夫方程來獲得最優(yōu)濾波器系數(shù)。
維納濾波的優(yōu)點(diǎn)在于：
**最優(yōu)性：**在給定信號(hào)和噪聲統(tǒng)計(jì)特性下，維納濾波器是最優(yōu)的線性濾波器。
**魯棒性：**維納濾波器對(duì)噪聲的統(tǒng)計(jì)特性不敏感，即使噪聲分布未知，也能獲得較好的濾波效果。
維納濾波的缺點(diǎn)在于：
**計(jì)算復(fù)雜度高：**維納濾波器需要求解維納-霍普夫方程，計(jì)算復(fù)雜度較高。
**對(duì)信號(hào)統(tǒng)計(jì)特性敏感：**維納濾波器需要準(zhǔn)確的信號(hào)統(tǒng)計(jì)特性，如果信號(hào)統(tǒng)計(jì)特性估計(jì)不準(zhǔn)確，濾波效果會(huì)下降。
功率譜倒置
功率譜倒置是一種非線性濾波技術(shù)，它通過對(duì)信號(hào)功率譜進(jìn)行倒置來實(shí)現(xiàn)濾波。其原理是將信號(hào)功率譜與理想的無噪信號(hào)功率譜進(jìn)行比值運(yùn)算，然后將結(jié)果乘以信號(hào)來獲得濾波后的信號(hào)。
功率譜倒置的優(yōu)點(diǎn)在于：
**計(jì)算簡單：**功率譜倒置的計(jì)算過程簡單，不需要求解復(fù)雜的方程。
**對(duì)噪聲分布不敏感：**功率譜倒置對(duì)噪聲分布不敏感，即使噪聲是非高斯分布，也能獲得較好的濾波效果。
功率譜倒置的缺點(diǎn)在于：
**非最優(yōu)性：**功率譜倒置不是最優(yōu)的濾波器，其濾波效果可能不如維納濾波。
**對(duì)信號(hào)功率譜敏感：**功率譜倒置需要準(zhǔn)確的信號(hào)功率譜，如果
部分代碼
%-- 104 --%
function [BFMat] = MixandBPF(ADCMat,FrqRatio_Mix,Fai_Mix,BPFVec)
% 對(duì)ADC采樣得到的帶通數(shù)據(jù)序列進(jìn)行混頻和低通濾波，并且將I、Q兩路輸出信號(hào)重新
% 組合為一個(gè)復(fù)數(shù)的基帶信號(hào)序列。
% 用于仿真模擬帶通濾波器的數(shù)字濾波器BPFVec是線性相位的FIR濾波器，要求其長度為奇數(shù)。
[Num_SamADC,M] = size(ADCMat);
nVec = ( 1:1:Num_SamADC ).’;
Mix_I_Vec = 2*cos( 2*pi*FrqRatio_Mix*(nVec-1)+Fai_Mix ); % I支路混頻矢量(實(shí)數(shù)矢量)
Mix_Q_Vec = -2*sin( 2*pi*FrqRatio_Mix*(nVec-1)+Fai_Mix ); % Q支路混頻矢量(實(shí)數(shù)矢量)
Mix_I_Mat = kron(Mix_I_Vec,ones([1,M]));
Mix_Q_Mat = kron(Mix_Q_Vec,ones([1,M]));
MixedMat_filted = filter(BPFVec,1,ADCMat);
MixedMat_Real = MixedMat_filted .* Mix_I_Mat; % I路混頻
MixedMat_Imag = MixedMat_filted .* Mix_Q_Mat; % Q路混頻
% 對(duì)矩陣的各個(gè)列矢量分別進(jìn)行低通濾波
GrpDlyBPF = round((length(BPFVec)-1)/2);
BFMat = MixedMat_Real(GrpDlyBPF+1:Num_SamADC,:) ...
+ j* MixedMat_Imag(GrpDlyBPF+1:Num_SamADC,:) ;
% 復(fù)數(shù)的基帶數(shù)據(jù)矩陣
clear Mix_I_Vec Mix_Q_Vec
clear Mix_I_Mat Mix_Q_Mat
clear MixedMat_Real MixedMat_Imag
clear MixedMat_Real_filted MixedMat_Imag_filted
%-------------
?? 運(yùn)行結(jié)果
參考文獻(xiàn)
[1]陳友凎.基于Matlab的維納濾波器仿真研究[J]. 2008.
部分理論引用網(wǎng)絡(luò)文獻(xiàn)，若有侵權(quán)聯(lián)系博主刪除
關(guān)注我領(lǐng)取海量matlab電子書和數(shù)學(xué)建模資料
私信完整代碼和數(shù)據(jù)獲取及論文數(shù)模仿真定制
1 各類智能優(yōu)化算法改進(jìn)及應(yīng)用
生產(chǎn)調(diào)度、經(jīng)濟(jì)調(diào)度、裝配線調(diào)度、充電優(yōu)化、車間調(diào)度、發(fā)車優(yōu)化、水庫調(diào)度、三維裝箱、物流選址、貨位優(yōu)化、公交排班優(yōu)化、充電樁布局優(yōu)化、車間布局優(yōu)化、集裝箱船配載優(yōu)化、水泵組合優(yōu)化、解醫(yī)療資源分配優(yōu)化、設(shè)施布局優(yōu)化、可視域基站和無人機(jī)選址優(yōu)化、背包問題、 風(fēng)電場布局、時(shí)隙分配優(yōu)化、 最佳分布式發(fā)電單元分配、多階段管道維修、 工廠-中心-需求點(diǎn)三級(jí)選址問題、 應(yīng)急生活物質(zhì)配送中心選址、 基站選址、 道路燈柱布置、 樞紐節(jié)點(diǎn)部署、 輸電線路臺(tái)風(fēng)監(jiān)測裝置、 集裝箱船配載優(yōu)化、 機(jī)組優(yōu)化、 投資優(yōu)化組合、云服務(wù)器組合優(yōu)化、 天線線性陣列分布優(yōu)化、 CVRP問題、VRPPD問題、多中心VRP問題、多層網(wǎng)絡(luò)的VRP問題、 多中心多車型的VRP問題、 動(dòng)態(tài)VRP問題、雙層車輛路徑規(guī)劃（2E-VRP）、充電車輛路徑規(guī)劃（EVRP）、油電混合車輛路徑規(guī)劃、 混 合流水車間問題、 訂單拆分調(diào)度問題、 公交車的調(diào)度排班優(yōu)化問題、航班擺渡車輛調(diào)度問題、 選址路徑規(guī)劃問題
2 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面
2.1 bp時(shí)序、回歸預(yù)測和分類
2.2 ENS聲神經(jīng)網(wǎng)絡(luò)時(shí)序、回歸預(yù)測和分類
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量機(jī)系列時(shí)序、回歸預(yù)測和分類
2.4 CNN/TCN卷積神經(jīng)網(wǎng)絡(luò)系列時(shí)序、回歸預(yù)測和分類
2.5 ELM/KELM/RELM/DELM極限學(xué)習(xí)機(jī)系列 時(shí)序、回歸 預(yù)測和分類
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU門控神經(jīng)網(wǎng)絡(luò) 時(shí)序、回歸 預(yù)測和分類
2.7 ELMAN遞歸神經(jīng)網(wǎng)絡(luò)時(shí)序、回歸預(yù)測和分類
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/長短記憶神經(jīng)網(wǎng)絡(luò)系列時(shí)序、回歸預(yù)測和分類
2.9 RBF徑向基神經(jīng)網(wǎng)絡(luò)時(shí)序、回歸預(yù)測和分類