Estou tentando entender o uso adequado de um filtro Wiener ou de previsão de erros para filtrar dados. Parece-me que é apenas um filtro de clareamento, então como é usado quando os dados que você deseja recuperar não são um sinal AWGN?
Por exemplo, eu tenho um sinal que possui vários sinais interferentes distintos - eu posso vê-los em um PSD, mas não sei se eles são a) estacionários eb) quais propriedades eles têm. Posso usar um método como as equações de Yule-Walker para recuperar o modelo de RA para todo o sinal, mas, neste caso, só quero recuperar o modelo dos sinais interferentes, não a parte que quero recuperar.
Tentei implementar um filtro de entalhe LMS adaptável, com o sinal de referência sendo uma única onda senoidal, mas isso me pareceu muito restrito e não acompanhava muito bem as alterações de frequência no sinal.
Acho que basicamente a minha pergunta é esta: se estou usando um filtro de previsão de erro para filtrar dados reais, como separo a parte de dados da parte de ruído? Em outras palavras, não quero branquear todo o sinal, apenas a parte do ruído. o que estou perdendo?
fonte
Respostas:
Não sei se entendi corretamente a pergunta (sinta-se à vontade para me atualizar, caso contrário).
Existe o algoritmo MUSIC, que extrai sinais incorporados em um ruído de fundo, como uma soma de sinais sinusoidais
Há também a opção de usar SVD (ou transformação de Karhunen-Loeve) e reduzir a dimensionalidade dos dados de entrada enquanto retaneantes informações máximas (isso descartará a maioria dos componentes de ruído de fundo).
Se estiver online ou em tempo real, isso pode ser feito de forma adaptativa.
Espero que isto ajude
fonte