Facultad de Ingeniera Escuela de Telecomunicaciones Prof. Maria Cristi Stefanelli Filtro Wiener Objetivo: plantear y resolver el problema de diseño de una respuesta impulsional h(n) de longitud Q muestras, de forma que la salida y(n) sea lo más parecido a una señal denominada referencia d(n). Filtro Wiener
Para un planteamiento lineal del problema
se escoge como criterio de parecido el error cuadrático medio entre la salida y la referencia. (MSE). Filtro Wiener Filtro Wiener
El vector x es un vector columna formado
por las muestras de la señal de entrada :
h es un vector fila con las muestras de la
respuesta impulsiva Filtro Wiener Elerror cuadrático se puede escribir como: Filtro Wiener Donde Pd Potencia de la señal de referencia.
Matriz de correlación de los datos Q x Q.
Vector de Q componentes que contiene como
entradas la correlación cruzada entre los datos y la referencia Filtro Wiener Elfiltro óptimo en términos del error cuadrático medio es aquel que minimiza el MSE
Se deriva esta expresión con respecto a y se iguala a
cero Filtro Wiener Filtro Wiener
El error mínimo se obtiene sustituyendo
en la ecuación del error el vector óptimo Filtro Wiener
Se pueden sustituir los valores esperados
utilizando estimadores, con lo cual : Filtro Wiener Debido a que la entrada de referencia d(n) tiene Q-1 muestras que y(n). Dependiendo de cómo se haga manipule d(n) para realizar la resta entre y(n) y d(n) se tienen varios resultados: Colocar Q-1 ceros y a continuación N muestras de d(n). Colocar Q-1ceros después de N muestras de d(n) . Tomar de la salida y(n) tan sólo las N muestras finales o permanentes, (Método de la Covarianza ). Este método produce matriz de correlación con sesgo cero. Colocar Q-1ceros a continuación N-Q+1 muestras de d(n) comenzando en d(0) y añadir Q-1 ceros (Método de Correlación). Produce matriz de correlación toeplilz (es el más usado). Filtro Wiener El filtro de error de predicción se obtiene de está estructura del filtro Wiener si: ◦ la entrada x(n) =d(n). ◦ h(n) serían los coeficientes ak . ◦ y(n) sería el predictor de x(n)