Saya mencoba membungkus kepala saya di sekitar penggunaan yang tepat dari Wiener atau filter prediksi kesalahan untuk memfilter data. Menurut saya itu hanya filter pemutih, jadi bagaimana ini digunakan ketika data yang ingin Anda pulihkan bukan sinyal AWGN?
Sebagai contoh, saya memiliki sinyal yang memiliki beberapa sinyal interinting distint - saya bisa melihatnya di PSD, tapi saya tidak tahu bahwa mereka a) stasioner dan b) properti apa yang mereka miliki. Saya dapat menggunakan metode seperti persamaan Yule-Walker untuk memulihkan model AR untuk seluruh sinyal, tetapi dalam hal ini saya hanya ingin memulihkan model sinyal yang mengganggu, bukan bagian yang ingin saya pulihkan.
Saya mencoba menerapkan filter takik LMS adaptif, dengan sinyal referensi menjadi gelombang tunggal, tetapi ini ternyata terlalu sempit dan tidak melacak perubahan frekuensi dalam sinyal dengan sangat baik.
Saya kira pada dasarnya pertanyaan saya adalah ini, jika saya menggunakan filter prediksi kesalahan untuk memfilter data nyata, lalu bagaimana cara memisahkan bagian data dari bagian kebisingan? Dengan kata lain, saya tidak ingin memutihkan seluruh sinyal, hanya bagian noise. Apa yang saya lewatkan?
sumber
Jawaban:
saya tidak yakin saya mengerti dengan benar pertanyaan (jangan ragu untuk memperbarui saya jika tidak demikian).
Ada algoritma MUSIC, yang mengekstraksi sinyal yang tertanam dalam kebisingan latar belakang, sebagai jumlah dari sinyal sinusoidal
Ada juga opsi untuk menggunakan SVD (atau transformasi Karhunen-Loeve) dan mengurangi dimensi data input sambil mempertahankan informasi maksimum (ini akan membuang sebagian besar komponen kebisingan latar belakang).
Jika ini online atau real-time, ini bisa dilakukan secara adaptif.
Semoga ini membantu
sumber