Estoy tratando de entender el uso adecuado de un filtro Wiener o de predicción de errores para filtrar datos. Me parece que es solo un filtro de blanqueamiento, entonces, ¿cómo se usa cuando los datos que desea recuperar no son una señal AWGN?
Por ejemplo, tengo una señal que tiene varias señales de interferencia distintivas: puedo verlas en una PSD, pero no sé si son a) estacionarias yb) qué propiedades tienen. Puedo usar un método como las ecuaciones de Yule-Walker para recuperar el modelo AR para toda la señal, pero en este caso solo quiero recuperar el modelo de las señales interferentes, no la parte que quiero recuperar.
Intenté implementar un filtro de muesca LMS adaptativo, con la señal de referencia como una sola onda sinusoidal, pero esto me resultó demasiado estrecho y no siguió muy bien los cambios de frecuencia en la señal.
Supongo que básicamente mi pregunta es esta: si estoy usando un filtro de predicción de error para filtrar datos reales, ¿cómo puedo separar la porción de datos de la porción de ruido? En otras palabras, no quiero blanquear toda la señal, solo la parte de ruido. ¿Qué me estoy perdiendo?
fuente
Respuestas:
No estoy seguro de entender correctamente la pregunta (siéntase libre de actualizarme si no es así).
Existe el algoritmo MUSIC, que extrae señales incrustadas en un ruido de fondo, como una suma de señales sinusoidales
También existe la opción de usar SVD (o transformación de Karhunen-Loeve) y reducir la dimensionalidad de los datos de entrada al tiempo que conserva la información máxima (esto descartará la mayoría de los componentes de ruido de fondo).
Si esto es en línea o en tiempo real, esto podría hacerse de forma adaptativa.
Espero que esto ayude
fuente