-
去相關可能是乙個非常直觀的角度。假定輸入的是乙個被白雜訊汙染的訊號x(n)=s(n)+v(n)，其中s(n)代表訊號，v(n)代表雜訊。期望訊號是d(n)。y(n)表示x(n)通過維納濾波器之後的輸出。按照維納濾波器誤差能量最小的準則，即e[(y-d)2]最小。也就是說y(n)與d(n)相關性最強的情況下，誤差能量最小。這時候即把誤差能量準則轉化為兩個訊號的相關性的問題了。我們知道，一般來說雜訊與訊號是不相關的的，雜訊通過乙個線性系統h(n)之後和訊號也是不相關的。因此，為了使得y(n)與d(n)相關性最強，只能希望s(n)通過h(n)這個線性系統的輸出與d(n)完全相關。這時候我們就很好理解，如果
s(n)有和d(n)不相關的部分，那麼這部分即便是通過乙個線性系統之後，也仍然和d(n)
不相關，這部分訊號必定會反應在誤差訊號中。這也就是說，s(n)中只有和d(n)相關的部分才能對消掉。正是從這個意義上說，維納濾波實際上就是乙個去相關的過程。這在直觀上很好理解，對於輸入訊號x(n)和期望輸出d(n)，能對消的只有x(n)中與d(n)相關的部分，誤差就是不相關的那部分。這也就是「不是一家人，不進一家門」吧。不相關的，無論是怎麼變換，還是「形同陌路」。
期望訊號與具體的應用場合有關。比如在胎兒的心音檢測中。輸入訊號x(n)=sm(n)+sb(n),其中sm為孕婦的心音訊號，sb為胎兒的心音訊號。此時自適應濾波器要輸出的是胎兒的心音訊號sb(n)。因此此時可以將x(n)看做是期望輸出訊號，sm為輸入訊號，這樣，通過自適應濾波器之後就得到實際需要的sb(n)了。x(n)可以通過放置在胎兒位置的感測器得到，sm可以通過放置在遠離胎兒的位置的感測器得到。
實際上，基於維納濾波的問題都涉及到期望訊號的理解。很多人往往會問，要是知道了期望輸出訊號，還需要濾波做什麼呢？實際上不完全是這麼回事的。如果從去相關的角度，就非常好理解期望訊號的問題了。 -
自適應濾波演算法關於期望訊號與輸入訊號的討論
自適應濾波演算法有幾種應用型別，不同型別的目的 原理和手段不同，所以相對應的選取輸入和期望訊號也很不一樣。1.系統辨識 當我們想描述乙個未知系統 如一組複雜的模擬電路 解析的算出系統的衝擊響應或者系統函式是比較困難的。這時，我們就可以用未知系統的輸入和輸出訓練自適應濾波器 未知系統的輸入作為自適應濾...
自適應中值濾波
演算法 自適應中值濾波 layer a a1 zmed zmin a2 zmax zmed if a1 0 and a2 0,goto layer b else enlarge sxy,goto layer a if sxy exceeds the boundary,out zxy layer b ...
自適應濾波（LMS，RLS）
自適應濾波存在於訊號處理 控制 影象處理等許多不同領域，它是一種智慧型更有針對性的濾波方法，通常用於去噪。圖中x j 表示 j 時刻的輸入訊號值，y j 表示 j 時刻的輸出訊號值，d j 表示 j 的參考訊號值或所期望響應訊號值，誤差訊號e j 為d j 與y j 之差。自適應數字濾波器的濾波引數...