Нелинейный фильтр - Nonlinear filter

В обработка сигналов, а нелинейный (или же нелинейный) фильтр это фильтр чей результат не линейная функция его ввода. То есть, если фильтр выводит сигналы р и S для двух входных сигналов р и s отдельно, но не всегда выводит αR + βS когда на входе линейная комбинация αr + βs.

Как непрерывные, так и дискретные фильтры могут быть нелинейными. Простым примером первого может быть электрическое устройство, выход которого Напряжение р(т) в любой момент является квадратом входного напряжения р(т); или вход ограничен фиксированным диапазоном [а,б], а именно р(т) = макс (а, мин (б, р(т))). Важным примером последнего является бегущий медианный фильтр, так что каждый выходной образец ря это медиана из последних трех входных выборок ря, ря−1, ря−2. Подобно линейным фильтрам, нелинейные фильтры могут быть инвариант сдвига или нет.

Нелинейные фильтры имеют множество применений, особенно при удалении определенных типов шум это не добавка. Например, медианный фильтр широко используется для удаления пиковый шум - это влияет только на небольшой процент образцов, возможно, на очень большие количества. Действительно, все радиоприемники использовать нелинейные фильтры для преобразования кило- к гигагерц сигналы к аудио Диапазон частот; и все цифровая обработка сигналов зависит от нелинейных фильтров (аналого-цифровые преобразователи ) преобразовывать аналоговые сигналы к двоичные числа.

Однако нелинейные фильтры значительно сложнее использовать и проектировать, чем линейные, потому что наиболее мощные математические инструменты анализа сигналов (такие как импульсивный ответ и частотный отклик ) нельзя использовать на них. Таким образом, например, линейные фильтры часто используются для удаления шума и искажений, которые были созданы нелинейными процессами, просто потому, что правильный нелинейный фильтр было бы слишком сложно спроектировать и построить.

Из вышеизложенного мы можем узнать, что нелинейные фильтры ведут себя совершенно иначе, чем линейные фильтры. Наиболее важной характеристикой является то, что для нелинейных фильтров выходной сигнал или отклик фильтра не подчиняются принципам, изложенным ранее, в частности, масштабированию и инвариантности сдвига. Кроме того, нелинейный фильтр может давать результаты, которые меняются не интуитивно.

Линейная система

Несколько принципов определяют линейная система. Основное определение линейность состоит в том, что выход должен быть линейной функцией входов, то есть

для любого скаляр значения и Это фундаментальное свойство линейного проектирования систем, известное как суперпозиция. Итак, система называется нелинейной, если это уравнение неверно. То есть, когда система является линейной, может применяться принцип суперпозиции. Этот важный факт является причиной того, что методы анализа линейных систем так хорошо развиты.

Приложения

Удаление шума

Сигналы часто искажаются во время передачи или обработки; Частой целью при разработке фильтров является восстановление исходного сигнала, процесс, обычно называемый «удалением шума». Самый простой вид искажения - это аддитивный шум, когда полезный сигнал S добавляется нежелательный сигнал N это не имеет известной связи с S. Если шум N имеет простое статистическое описание, например Гауссов шум, затем Фильтр Калмана уменьшит N и восстановить S в пределах, разрешенных Теорема Шеннона. В частности, если S и N не пересекаются в частотная область, их можно полностью разделить линейными полосовые фильтры.

С другой стороны, почти для любой другой формы шума потребуется какой-то нелинейный фильтр для максимального восстановления сигнала. За мультипликативный шум (который умножается на сигнал, а не добавляется к нему), например, может быть достаточно преобразовать вход в логарифмическая шкала, примените линейный фильтр, а затем преобразуйте результат в линейная шкала. В этом примере первый и третий шаги не линейны.

Нелинейные фильтры также могут быть полезны, когда определенные «нелинейные» характеристики сигнала более важны, чем общее содержание информации. В цифровая обработка изображений, например, можно пожелать сохранить резкость силуэт края объектов на фотографиях или связность линий на отсканированных рисунках. Фильтр линейного удаления шума обычно размывает эти детали; нелинейный фильтр может дать более удовлетворительные результаты (даже если размытое изображение может быть более «правильным» в теоретико-информационном смысле).

Многие нелинейные фильтры шумоподавления работают во временной области. Обычно они исследуют входной цифровой сигнал в конечном окне, окружающем каждую выборку, и используют некоторую статистическую модель вывода (неявно или явно), чтобы оценить наиболее вероятное значение для исходного сигнала в этой точке. Конструкция таких фильтров известна как проблема фильтрации для случайный процесс в теория оценки и теория управления.

Примеры нелинейных фильтров:

Нелинейные фильтры также занимают решающее место в функциях обработки изображений. В типичном конвейере для обработки изображений в реальном времени обычно используется множество нелинейных фильтров, включенных для формирования, формы, обнаружения и управления информацией изображения. Кроме того, каждый из этих типов фильтров может быть параметризован для работы одним способом при определенных обстоятельствах и другим способом при различных обстоятельствах, используя создание правил адаптивного фильтра. Цели варьируются от удаления шума до абстракции функций. Фильтрация данных изображения - стандартный процесс, используемый почти во всех системах обработки изображений. Нелинейные фильтры - наиболее часто используемые формы построения фильтров. Например, если изображение содержит небольшое количество шума, но относительно большую величину, то медианный фильтр может быть более подходящим.

Фильтрация Кушнера – Стратоновича

Проблема оптимальной нелинейной фильтрации была решена в конце 1950-х - начале 1960-х гг. Руслан Львович Стратонович[1][2][3][4] и Гарольд Дж. Кушнер.[5]

Решение Кушнера – Стратоновича представляет собой стохастическое уравнение в частных производных. В 1969 г. Моше Закай ввел упрощенную динамику ненормализованного условного закона фильтра, известного как Уравнение Закая.[6]Это было доказано Мирей Шалеят-Морель и Доминик Мишель[7] что решение в целом бесконечномерно и как таковое требует конечномерных приближений. Это могут быть эвристические методы, например расширенный фильтр Калмана или предполагаемые фильтры плотности описанный Питер С. Мэйбек [8] или проекционные фильтры представлен Дамиано Бриго, Бернард Хансон и Франсуа Ле Гланд,[9] некоторые подсемейства которых, как показано, совпадают с предполагаемые фильтры плотности.[10]

Фильтры передачи энергии

Фильтры передачи энергии представляют собой класс нелинейных динамических фильтров, которые можно использовать для перемещения энергии определенным образом.[11] Энергия может быть перемещена в более высокие или более низкие частотные диапазоны, распределена по заданному диапазону или сфокусирована. Возможны многие конструкции фильтров для передачи энергии, и они обеспечивают дополнительные степени свободы при проектировании фильтров, которые просто невозможны при использовании линейных схем.

Смотрите также

Рекомендации

  1. ^ Руслан Л. Стратонович (1959), Оптимальные нелинейные системы, обеспечивающие отделение сигнала с постоянными параметрами от шума. Радиофизика, том 2, выпуск 6, страницы 892–901.
  2. ^ Руслан Львович Стратонович (1959). К теории оптимальной нелинейной фильтрации случайных функций. Теория вероятностей и ее приложения, том 4, страницы 223–225.
  3. ^ Руслан Л. Стратонович (1960), Применение теории марковских процессов к оптимальной фильтрации. Радиотехника и электронная физика, том 5, выпуск 11, страницы 1–19.
  4. ^ Руслан Л. Стратонович (1960), Условные марковские процессы.закрытый доступ Теория вероятностей и ее приложения, том 5, страницы 156–178.
  5. ^ Кушнер, Гарольд. (1967), Нелинейная фильтрация: точные динамические уравнения, которым удовлетворяет условный режим. IEEE Transactions on Automatic Control, том 12, выпуск 3, страницы 262–267
  6. ^ Моше Закай (1969), Об оптимальной фильтрации диффузионных процессов. Zeitung Wahrsch., Том 11, страницы 230–243. МИСТЕР242552 Zbl  0164.19201 Дои:10.1007 / BF00536382
  7. ^ Шалея-Морель, Мирей и Доминик Мишель (1984), Результат несуществования фильтра размерности. Стохастик, том 13, выпуск 1 + 2, страницы 83–102.
  8. ^ Питер С. Мэйбек (1979), Стохастические модели, оценка и управление. Том 141, Серия «Математика в науке и технике», Academic Press
  9. ^ Дамиано Бриго, Бернар Хансон и Франсуа Легланд (1998) Дифференциально-геометрический подход к нелинейной фильтрации: проекционный фильтр, IEEE Transactions on Automatic Control, том 43, выпуск 2, страницы 247–252.
  10. ^ Дамиано Бриго, Бернар Хансон и Франсуа Легланд (1999), Приближенная нелинейная фильтрация проекцией на экспоненциальные многообразия плотностей, Бернулли, том 5, выпуск 3, страницы 495–534
  11. ^ Billings S.A. "Нелинейная идентификация систем: методы NARMAX во временной, частотной и пространственно-временной областях ". Wiley, 2013 г.

дальнейшее чтение

  • Язвински, Эндрю Х. (1970). Случайные процессы и теория фильтрации. Нью-Йорк: Academic Press. ISBN  0-12-381550-9.

внешняя ссылка