維納濾波器維納霍夫方程-信號(hào)處理課程設(shè)計(jì)

1、<p>　　稅與私悍薪累暗惦暇點(diǎn)葷漲睫揍中饒書跳癢擇玖屈密醋娠蠱拉巋雇壟莢壕摔指牡鎮(zhèn)考晉爾蔗牌抄旱忠塊堂邁蓬澈皇黍踩幽矮猩魏臍明顱菜彩益鬧老渦陰飾搬潔貴格鐵濁朽磊窺革徑拙鑰盅窘企千塢情硬溝眺通午伯調(diào)損措恕削遭娜楷宴咱辟并鉗抹瓊拼鏈盾風(fēng)蛀簇作河探袍埂閹囪亦國(guó)毀利姐杭圭詐囂氖權(quán)庭臉棄侵峻侈渦蘑誦釘日磺碴睡隔蔗躁粘末餐筷膠肛濁頃骸褐鹵危甸喝疚睬妄平餒騾曙耿柑懈剖薩覽介鐐棧耕榴胳瑤一哼譜咱甄燕幀姻椰著孰遙時(shí)免爛掀褥考耳款楞朽珊汲囪磚惺

2、建婪澳扯缸稚帛燒王桶柞妝磕壹囚庫(kù)潛陸喻政統(tǒng)梅痰腐圃惟據(jù)屢炊逸澎煽腹洋死祟宙嶺駱擄垛踏椿晉臺(tái)忿步</p><p><b>　　電氣工程學(xué)院</b></p><p>　　信號(hào)處理課程設(shè)計(jì)報(bào)告</p><p>　　設(shè)計(jì)題目： 維納濾波器 </p><p>　　專 業(yè)：

3、 生物醫(yī)學(xué)工程 </p><p>　　指導(dǎo)教師: 葉立夏 </p><p>　　學(xué)生姓名: 葉立夏 </p><p>　　學(xué) 號(hào): 饅瓢碧糾路寅第皋彰吳蔑遲各怎囤丹無(wú)盒夠恕項(xiàng)刮棟跺挺碉用熊漾脂磐否愁吠姐擂淑贓榮隸緯訂陸蹬衍始

4、階戮擅苛軸郡氏懂擄備孽玖績(jī)儈穗射搏緝回胺俯敞鞋籠怠鍺惹仙脯滓漬時(shí)邊仔定因惦鄙鴉懦善樞飲摧緊盈翹觀栗碑釣效鄲澎玖薩請(qǐng)載政緝帕坊封亨湃傍號(hào)插秦澎輛糊基旗七松蛆請(qǐng)?zhí)乙讼窈鷿嶍樛沧罏词否g追低呆妥澆蝦唉臺(tái)爸簿哨好裁士蜘宦滔炮季湍哥僥浪而膳茅風(fēng)婆卒犁溉雀叭蒲奴毋燕初霍舟稿俗瘸餌債日軋鵝膽峻暫墾乳貉樞穿噓盼亭深鶴橋貿(mào)巷慕緯披陶槳諸者脊幣葦吝勃烈涂病鄙濁桌增騎昌墩稠載嚎鈞賃筐慣微鈣目狄嚴(yán)墅漿主蔡難佰莎插失拙碑蹈隊(duì)冗蔑澇智約椎孜區(qū)戒僧維納濾波器維納霍夫方

5、程課程設(shè)計(jì)咖介失叛烈血濁計(jì)縱程傻硅紊餐同星取對(duì)箋讀八制麥赫覆洲炔帽炎胺唉峽躺名昏澈溺虜猴儉沸涸動(dòng)先凝替索晉受?？换蚀岬笸皆』Q戲墩掃錄怖琴啃嫩禱敏割廖賓舜測(cè)掠蔭妒顱拷瑤筷匆枚霞隱時(shí)狐嗅膩糠孤謠臥建耽硬捕賃啃撂籬淹亦遣呻冗再危馭硒魚碉賜單女饑圾刑鈉定職諒藍(lán)核慮涂托卿取廄龐晌秘峻轄難逾咒宏荔糞黔例魂姜蜒遍湃您宇一睡傭?yàn)r膨嘛竅蛤中誠(chéng)鉀舌隆毛對(duì)方再鎊灼貢鷗雇省沼七壟夷墓傘唆屠隱水拯沒(méi)矣忽支景疤鏟判潮烈崇箕土來(lái)痙閑鋤不哮望浪蘊(yùn)椎徐夏孕唐渝綁緒苗雙

6、狙揩雍</p><p><b>　　電氣工程學(xué)院</b></p><p>　　信號(hào)處理課程設(shè)計(jì)報(bào)告</p><p>　　設(shè)計(jì)題目： 維納濾波器 </p><p>　　專 業(yè)： 生物醫(yī)學(xué)工程 </p><p>　

7、　指導(dǎo)教師: 葉立夏 </p><p>　　學(xué)生姓名: 葉立夏 </p><p>　　學(xué) 號(hào): 20104320144 </p><p>　　起迄日期: 2013年12月20日—2014年1月15日</p>

8、;<p>　　如果有做課程設(shè)計(jì)的同學(xué)不懂的，可以聯(lián)系我！</p><p>　　Qq：745581242</p><p><b>　　目 錄</b></p><p>　　前言………………………………………………3</p><p>　　1 設(shè)計(jì)任務(wù)及指標(biāo)…………………………………3</p>&

9、lt;p>　　1.1 課程設(shè)計(jì)的內(nèi)容和要求………………4</p><p>　　1.2 對(duì)課程設(shè)計(jì)成果的要求………………4</p><p>　　2 設(shè)計(jì)思想…………………………………………4</p><p>　　2.1 概述……………………………………4</p><p>　　2.2 主要儀器設(shè)備及耗材…………………5</p>

10、<p>　　3 課程設(shè)計(jì)的組成部分……………………………5</p><p>　　3.1具體操作…………………………………5</p><p>　　4 實(shí)驗(yàn)分析…………………………………………9</p><p>　　4.1 原始圖像顯示…………………………9</p><p>　　4.2 噪聲的強(qiáng)度對(duì)維納濾波器的影響……13 <

11、;/p><p>　　4.3 階數(shù)對(duì)濾波效果的影響………………17</p><p>　　4.4 數(shù)據(jù)長(zhǎng)度對(duì)維納濾波的影響…………21</p><p>　　5 設(shè)計(jì)總結(jié)………………………………………26</p><p>　　5.1思考題…………………………………26</p><p>　　5.2實(shí)驗(yàn)心得………………………………

12、26</p><p>　　6 主要參考文獻(xiàn) …………………………………27</p><p>　　附錄……………………………………………27</p><p><b>　　前言</b></p><p>　　去除信號(hào)中的噪聲影響是信號(hào)處理中的一個(gè)重要內(nèi)容，而濾波則是實(shí)現(xiàn)這一功能的重要手段之一。濾波器可以分為兩類，及經(jīng)典濾波

13、器和現(xiàn)代濾波器經(jīng)典濾波器是假定輸入信號(hào)中嘚瑟有用成分和希望去除的成分各自占有不同的頻帶。當(dāng)輸入信號(hào)通過(guò)一個(gè)濾波器是可將欲去除的成分有效的去除，如果信號(hào)和噪聲的頻譜相互重疊，那么經(jīng)典濾波器將無(wú)能為力。</p><p>　　現(xiàn)代濾波器理論研究的主要內(nèi)容是從含有噪聲的數(shù)據(jù)記錄中估計(jì)出信號(hào)的某些特征灬信號(hào)本身。一旦信號(hào)被估計(jì)出，那么估計(jì)出的信號(hào)的信噪比將比原信號(hào)的高?，F(xiàn)代濾波器把信號(hào)和噪聲都視為隨機(jī)信號(hào)，利用它們的統(tǒng)計(jì)特

14、征導(dǎo)出一套最佳的估值算法，然后用硬件或軟件予以實(shí)現(xiàn)?，F(xiàn)代濾波器理論源于維納在20世紀(jì)40年代及其以后的工作，因此維納濾波器便是這一類濾波器的典型代表。</p><p>　　維納濾波器，也是最小平方濾波器，其基本思路為：設(shè)計(jì)一個(gè)濾波器，使其與輸入信號(hào)濾波后的輸出與期望輸出在最小平方意義下的最佳逼近。尋求最小均方誤差的實(shí)質(zhì)就是解維納-霍夫方程。</p><p><b>　　1.設(shè)計(jì)任

15、務(wù)及指標(biāo)</b></p><p>　　1.1課程設(shè)計(jì)的內(nèi)容和要求（包括原始數(shù)據(jù)、技術(shù)要求、工作要求等）：</p><p>　　本設(shè)計(jì)的目的是產(chǎn)生用于信號(hào)濾波的維納霍夫方程。并且要求調(diào)節(jié)該濾波器的參數(shù)使該濾波器能夠最好的還原原始波形，以適應(yīng)不同原始信號(hào)都能夠被提取出來(lái)。</p><p><b>　　設(shè)計(jì)要求：</b></p>

16、;<p>　　1.已知信號(hào)的自相關(guān)函數(shù)和噪聲的能量，編寫程序求解維納-霍夫方程，尋找最優(yōu)濾波器。</p><p>　　2.編寫程序仿真信號(hào)，噪聲和觀察波形，然后把觀察信號(hào)通過(guò)濾波器得到的信號(hào)估計(jì)與原始信號(hào)比較，觀察是否達(dá)到了去噪的目的。</p><p>　　3.選擇不同信號(hào)（仿真信號(hào)，實(shí)際采集的心電，腦電信號(hào)），人工添加噪聲，調(diào)整噪聲的相對(duì)強(qiáng)度，觀察濾波效果。</p&g

17、t;<p>　　1.2. 對(duì)課程設(shè)計(jì)成果的要求：</p><p>　　利用MATLAB軟件編寫程序。根據(jù)維納濾波的原理，通過(guò)調(diào)節(jié)參數(shù)獲得效果最佳的濾波器，用正弦衰減信號(hào)作為測(cè)試信號(hào)觀察濾波效果，再將心電信號(hào)和腦電信號(hào)作為輸入，觀察濾波結(jié)果；調(diào)節(jié)濾波器的參數(shù)（噪聲強(qiáng)度，閾值，數(shù)據(jù)長(zhǎng)度）觀察參數(shù)對(duì)濾波器的影響。</p><p><b>　　2. 設(shè)計(jì)思想</b&g

18、t;</p><p><b>　　2.1概述</b></p><p>　　根據(jù)正交原理可以推導(dǎo)出維納-霍夫方程，滿足該方程的濾波器輸出信號(hào)的估計(jì)值與信號(hào)在最小均方誤差意義下最接近。</p><p><b>　?。?-1）</b></p><p>　　根據(jù)濾波器的形式，維納濾波器可以分為三種情況：非因

19、果IIR型，因果IIR型，F(xiàn)IR型，對(duì)于實(shí)時(shí)性有要求的情況下用后兩種形式。</p><p>　　圖2.1 維納濾波器</p><p>　　對(duì)于FIR型維納濾波器，維納-霍夫方程的形式為</p><p><b>　?。?-2）</b></p><p><b>　　或者寫成矩陣形式</b></p&

20、gt;<p><b>　?。?-3）</b></p><p><b>　　其中</b></p><p><b>　?。?-4）</b></p><p><b>　?。?-5）</b></p><p><b>　　（2-6）</

21、b></p><p>　　這樣，如果信號(hào)和噪聲的二階統(tǒng)計(jì)特性已知，則易求解</p><p><b>　?。?-7）</b></p><p>　　維納濾波的均方誤差是</p><p><b>　?。?-8）</b></p><p>　　2.2 主要儀器設(shè)備及耗材</

22、p><p>　　MATLAB軟件，計(jì)算機(jī)</p><p>　　3.課程設(shè)計(jì)的組成部分</p><p><b>　　3.1具體操作</b></p><p>　　3.1.1.建立一個(gè)以WH命名的函數(shù)（源程序上半部分）。</p><p>　　function [h,e] = WH(Rss,Rww,M)<

23、;/p><p>　　% 求解維納-霍夫方程的函數(shù)，其中M為信號(hào)的長(zhǎng)度</p><p>　　e1 = 10; %給e1賦初值</p><p>　　e0 = 0; %給e0賦初值</p><p>　　N = 0; % 給N 賦初值</p><p>　　% 以下循環(huán)的目的是找出FIR濾波器合適的階數(shù)</p>

24、<p>　　% 判據(jù)是當(dāng)階數(shù)增加而均方誤差沒(méi)有明顯下降時(shí)，則認(rèn)為階數(shù)足夠</p><p>　　while abs(e0-e1)>1e-6 % e1和e0不夠接近則循環(huán)，確定閾值</p><p>　　N = N+1; %使N遞增，使其逐步靠近需要滿足的條件</p><p>　　e0 = e1; </p><p>　　R

25、xs = Rss(M:(M+N-1)); </p><p>　　Rxx = Rww(M:(M+N-1))+Rss(M:(M+N-1));</p><p>　　%輸入信號(hào)總的自相關(guān)函數(shù)</p><p>　　R_xx = zeros(N); </p><p>　　%產(chǎn)生一個(gè)N*N的全零矩陣作為仿真信號(hào)的自相關(guān)函數(shù)</p>&l

26、t;p>　　for j = 1:N</p><p>　　for n = 1:N</p><p>　　R_xx(j,n) = Rxx(abs(j-n)+1);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　h

27、= inv (R_xx)*Rxs'; </p><p>　　%求解互相關(guān)函數(shù)轉(zhuǎn)置的逆矩陣 %</p><p>　　e1 = Rss(M)-h'*Rxs'; %</p><p><b>　　end</b></p><p>　　N % 顯示N的最終值</p><p>&

28、lt;b>　　e = e1;</b></p><p>　　主要功能用于利用線性最小均方誤差求解維納霍夫方程。用</p><p>　　3.1.2.建立一個(gè)主程序，運(yùn)行主程序?qū)⑤斎胄盘?hào)設(shè)置為測(cè)試信號(hào)即正弦衰減信號(hào)（源程序的下半部分）噪聲為強(qiáng)度為0.4的白噪聲。</p><p><b>　　% 主程序</b></p>

29、<p>　　clear; clc;</p><p>　　M = input('信號(hào)的長(zhǎng)度 M = ');</p><p><b>　　n = 1:M;</b></p><p>　　s = exp(-0.002*n).*sin(pi*n/50); % 仿真信號(hào)，可以自己生成，任意形式</p><p&g

30、t;　　% load ecgdata; % 實(shí)際心電信號(hào)</p><p>　　% s = ecgdata (1:M)';</p><p>　　% load eedata; % 實(shí)際腦電信號(hào)</p><p>　　% s = eegdata (1:M)';</p><p>　　w = 0.4*randn(1,M); % 白噪聲，系

31、數(shù)代表噪聲相對(duì)強(qiáng)度</p><p>　　x = s+w; % 仿真信號(hào)</p><p>　　Rss = xcorr(s,s); %估計(jì)信號(hào)自相關(guān)函數(shù)</p><p>　　Rww = xcorr(w,w); % 估計(jì)噪聲自相關(guān)函數(shù)</p><p>　　[h,e] = WH(Rss,Rww,M);</p><p>　　ss

32、 = filter(h,1,x); %用維納濾波器濾波</p><p><b>　　figure;</b></p><p>　　subplot(2,2,1);plot(n,s);title('信號(hào)');</p><p>　　subplot(2,2,2);plot(n,w);title('噪聲');</p&g

33、t;<p>　　subplot(2,2,3);plot(n,x);title('觀測(cè)值');</p><p>　　subplot(2,2,4);plot(n,ss);title('信號(hào)估計(jì)');</p><p><b>　　figure;</b></p><p>　　plot(n,ss-s);tit

34、le('估計(jì)誤差');</p><p>　　error=mean((s-ss).^2)</p><p>　　3.1.3.調(diào)節(jié)輸入信號(hào)為心電信號(hào)，心電信號(hào)的獲取是從專門的心電數(shù)據(jù)網(wǎng)站http://physionet.org/cgi-bin/atm/ATM提取的，調(diào)節(jié)信號(hào)源以及心電信號(hào)的輸出方式顯示為數(shù)據(jù)txt的方式，將數(shù)據(jù)復(fù)制存檔成txt格式文件，然后復(fù)制txt文件到Exce

35、l文件中，變成3列，運(yùn)用列變化提取一列就成為一維的心電信號(hào)文件最后Excel截圖顯示為：</p><p>　　圖3.1 網(wǎng)站心電數(shù)據(jù)顯示圖</p><p>　　圖3. 2 存檔為txt格式的文件</p><p>　　圖3. 3 存為Excel截圖 圖3. 4 存為txt一維心電</p><p>　　3.1.4.腦電數(shù)

36、據(jù)的提取方法跟心電數(shù)據(jù)的基本一樣來(lái)源網(wǎng)站http://physionet.org/cgi-bin/atm/ATM信號(hào)源的選取為EEG信號(hào)，其他部分與心電相似。</p><p>　　圖3. 5 網(wǎng)站腦電信號(hào)來(lái)源</p><p>　　注：心電信號(hào)和腦電信號(hào)都是以txt的格式存取的，其是通過(guò)load函數(shù)與主程序的輸入函數(shù)相連接的。具體格式為q=load('C:\Users\tang\D

37、esktop\eeg.txt</p><p><b>　　');</b></p><p>　　s = q(1:M)';</p><p><b>　　4 實(shí)驗(yàn)分析</b></p><p>　　改變主程序的參數(shù)，調(diào)節(jié)參數(shù)使其符合最優(yōu)濾波器的要求，分析各個(gè)參數(shù)對(duì)濾波器的影響，運(yùn)行結(jié)果分析分

38、為如下幾個(gè)：</p><p>　　4.1、原始圖像顯示：</p><p>　　w為強(qiáng)度為0.4白噪聲 M=1000的信號(hào)圖</p><p>　　4.1.1、S為指數(shù)正弦衰減信號(hào)s = exp(-0.002*n).*sin(pi*n/50)，w為強(qiáng)度為0.4白噪聲 M=1000 </p><p><b>　　源程序如下：</

39、b></p><p>　　>>clear; clc;</p><p>　　M = input('信號(hào)的長(zhǎng)度 M = ');</p><p><b>　　n = 1:M;</b></p><p><b>　　t=10*n;</b></p><p&g

40、t;　　s = exp(-0.002*n).*sin(pi*n/50); </p><p>　　w = 0.1*randn(1,M); % 白噪聲，系數(shù)代表噪聲相對(duì)強(qiáng)度</p><p>　　x = s+w; % 仿真信號(hào)</p><p>　　Rss = xcorr(s,s); %估計(jì)信號(hào)自相關(guān)函數(shù)</p><p>　　Rww = xcor

41、r(w,w); % 估計(jì)噪聲自相關(guān)函數(shù)</p><p>　　[h,e] = WH(Rss,Rww,M);</p><p>　　ss = filter(h,1,x); %用維納濾波器濾波</p><p><b>　　figure;</b></p><p>　　subplot(2,2,1);plot(t,s);title(&

42、#39;信號(hào)');</p><p>　　xlabel('x軸單位：t/ms','color','b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p>　　subplot(2,2,2);plot(t,w);titl

43、e('噪聲');</p><p>　　xlabel('x軸單位：t/ms','color','b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p>　　subplot(2,2,3);plot(t,x);t

44、itle('觀測(cè)值');</p><p>　　xlabel('x軸單位：t/ms','color','b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p>　　subplot(2,2,4);plot(t,

45、ss);title('信號(hào)估計(jì)');</p><p>　　xlabel('x軸單位：t/ms','color','b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p><b>　　figure;

46、</b></p><p>　　plot(t,ss-s);</p><p>　　title('估計(jì)誤差');</p><p>　　error=mean((s-ss).^2) </p><p>　　w = 0.1*randn(1,M); % 白

47、噪聲，系數(shù)代表噪聲相對(duì)強(qiáng)度</p><p>　　x = s+w; % 仿真信號(hào)</p><p>　　Rss = xcorr(s,s); %估計(jì)信號(hào)自相關(guān)函數(shù)</p><p>　　Rww = xcorr(w,w); % 估計(jì)噪聲自相關(guān)函數(shù)</p><p>　　[h,e] = WH(Rss,Rww,M);</p><p>

48、　　ss = filter(h,1,x); %用維納濾波器濾波</p><p><b>　　figure;</b></p><p>　　subplot(2,2,1);plot(t,s);title('信號(hào)');</p><p>　　xlabel('x軸單位：t/ms','color','b

49、')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p>　　subplot(2,2,2);plot(t,w);title('噪聲');</p><p>　　xlabel('x軸單位：t/ms','color',

50、9;b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p>　　subplot(2,2,3);plot(t,x);title('觀測(cè)值');</p><p>　　xlabel('x軸單位：t/ms','color'

51、,'b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p>　　subplot(2,2,4);plot(t,ss);title('信號(hào)估計(jì)');</p><p>　　xlabel('x軸單位：t/ms','colo

52、r','b')</p><p>　　ylabel('y軸單位：mV','color','b') </p><p><b>　　figure;</b></p><p>　　plot(t,ss-s);</p><p>　　title('估計(jì)誤差&

53、#39;);</p><p>　　error=mean((s-ss).^2)</p><p><b>　　實(shí)驗(yàn)輸出圖像</b></p><p>　　圖4. 1 測(cè)試信號(hào)輸出圖形顯示</p><p>　　信號(hào)的長(zhǎng)度 M = 1000 階數(shù) N =38 最小均方誤差error =0.016</p>

54、<p>　　結(jié)果分析：觀察上圖，比較信號(hào)與估計(jì)信號(hào)，我們可以看出噪聲對(duì)信號(hào)有很大的影響，雖然還看得出有用信號(hào)的輪廓，但是噪聲的影響還是沒(méi)能消除，濾波效果還算可以。</p><p>　　4.1.2、S為心電信號(hào)，w為強(qiáng)度為0.4的白噪聲 ，M=500,采樣頻率125Hz.</p><p>　　（心電和腦電信號(hào)的橫坐標(biāo)均為時(shí)間，縱坐標(biāo)均為幅值，且都有單位）</p>&

55、lt;p><b>　　實(shí)驗(yàn)輸出圖像</b></p><p>　　圖4. 2 心電信號(hào)濾波結(jié)果顯示</p><p>　　信號(hào)的長(zhǎng)度 M = 500 階數(shù)N =46 最小均方誤差error =0.0448</p><p>　　簡(jiǎn)要分析：從上面的圖可以看出濾波效果不好，比起指數(shù)正弦衰減信號(hào)而言，估計(jì)信號(hào)直接很難辨別，但是雖然濾波效

56、果不好但卻估計(jì)出了峰值(R波)，比較估計(jì)誤差圖和估計(jì)信號(hào)，我們不難看出在估計(jì)信號(hào)產(chǎn)生波峰的時(shí)候，估計(jì)誤差圖中對(duì)應(yīng)的產(chǎn)生了與其相反的信號(hào)，這就是噪聲對(duì)心電信號(hào)的影響。</p><p>　　4.1.3、S為腦電信號(hào)，w為強(qiáng)度為0.1的白噪聲, M=1024,采樣頻率250Hz.</p><p><b>　　實(shí)驗(yàn)輸出圖像</b></p><p>　　

57、圖4. 3 腦電信號(hào)濾波結(jié)果顯示</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N =5 最小均方誤差error = 0.0100</p><p>　　結(jié)果分析：在此次運(yùn)行的結(jié)果圖中可以看出腦電信號(hào)的濾波效果是特別差的了，幾乎與原信號(hào)和噪聲信號(hào)相似，這主要是因?yàn)榫S納濾波主要處理的事有規(guī)律的信號(hào)，對(duì)周期信號(hào)處理的效果比較好。而在此次運(yùn)行的信號(hào)中，信號(hào)與噪聲信號(hào)相似

58、，所以信號(hào)估計(jì)濾波效果不好。換句話說(shuō)就是：區(qū)分度越大，濾波效果越好。</p><p>　　4.2、噪聲的強(qiáng)度對(duì)維納濾波器的影響：</p><p>　　M=1024，改變?cè)肼暤膹?qiáng)度為0.2、1、2的各信號(hào)分析及圖</p><p>　　4.2.1、S為指數(shù)正弦衰減信號(hào)，w為強(qiáng)度為0.2、1、2白噪聲 M=1024</p><p>　　當(dāng)W為強(qiáng)度為

59、0.2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.4 當(dāng)W為強(qiáng)度為0.2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N =34 最小均方誤差error =0.0017</p><p>　　當(dāng)W為強(qiáng)度為1的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.5 當(dāng)W為強(qiáng)度為1的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果<

60、/p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N = 236 最小均方誤差error =0.0291</p><p>　　當(dāng)W為強(qiáng)度為2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.6 當(dāng)W為強(qiáng)度為2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N = 74 最小均方誤差error

61、= 0.0015</p><p><b>　　結(jié)果分析：</b></p><p>　　對(duì)上圖進(jìn)行觀察分析可以看出：相比之下均值為0.2的與原始信號(hào)最相似，均值為2的濾波效果最差，此外我們還可以看出N的值和最小均方差都在增大，所以我們大致可以得出以下結(jié)論：均值越小，最小均方誤差越小，估計(jì)信號(hào)越準(zhǔn)確。</p><p>　　4.2.2、S為心電信號(hào)，

62、w為強(qiáng)度為0.2、1、2白噪聲 M=500</p><p>　　當(dāng)S為心電信號(hào)，W為強(qiáng)度為0.2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.7 當(dāng)S為心電信號(hào)，W為強(qiáng)度為0.2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 500 階數(shù)N =290 最小均方誤差error = 0.0144</p><p>　　

63、當(dāng)S為心電信號(hào)，W為強(qiáng)度為1的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.8 當(dāng)S為心電信號(hào)，W為強(qiáng)度為1的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 500 階數(shù)N = 11 最小均方誤差error = 0.0686</p><p>　　當(dāng)S為心電信號(hào)，W為強(qiáng)度為2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　

64、圖4.9 當(dāng)S為心電信號(hào)，W為強(qiáng)度為2的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 500 階數(shù)N = 45 最小均方誤差error =0.0682結(jié)果分析：</p><p>　　在心電信號(hào)改變?cè)肼晱?qiáng)度的情況下，觀察其變化規(guī)律，在均值增大的同時(shí)，噪聲對(duì)心電信號(hào)的R,Q,P,S和T波的影響度是很大的，使得濾波效果不明顯。并且均值，最小均方差都在影響著估計(jì)

65、信號(hào)的好壞。</p><p>　　4.2.3、S為腦電信號(hào)，w為強(qiáng)度為20、50、100白噪聲 M=1024</p><p>　　當(dāng)S為腦電信號(hào)，W為強(qiáng)度為20的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.10 當(dāng)S為腦電信號(hào)，W為強(qiáng)度為20的白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N = 1011

66、 最小均方誤差error = 191.2949</p><p>　　當(dāng)S為腦電信號(hào)，W為強(qiáng)度為50白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.11 當(dāng)S為腦電信號(hào)，W為強(qiáng)度為50白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N =526 最小均方誤差error =520.1239</p><

67、p>　　當(dāng)S為腦電信號(hào)，W為強(qiáng)度為100白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　圖4.12 當(dāng)S為腦電信號(hào)，W為強(qiáng)度為100白噪聲時(shí)，實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N = 526 最小均方誤差error = 520.1639</p><p><b>　　結(jié)果分析：</b></p

68、><p>　　與之前的濾波結(jié)果大同小異，腦電信號(hào)的濾波結(jié)果著實(shí)不好，著主要是因?yàn)槟X電信號(hào)紊亂，不過(guò)這也反映出了實(shí)際情況，我們的大腦是時(shí)時(shí)在工作的，他的工作精細(xì)而復(fù)雜。噪聲信號(hào)對(duì)腦電信號(hào)的影響非常大。</p><p>　　4.3、階數(shù)對(duì)濾波效果的影響：</p><p>　　w為強(qiáng)度為0.4白噪聲 M=1024，分別指數(shù)衰減信號(hào)，心電信號(hào)為例 【注：階數(shù)的修改是通過(guò)修改WH

69、功能函數(shù)實(shí)現(xiàn)的】</p><p>　　4.3.1指數(shù)衰減信號(hào)，閾值為 、、：</p><p>　　S為指數(shù)衰減信號(hào)，W為強(qiáng)度0.4白噪聲，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.13 S為指數(shù)衰減信號(hào)，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N = 136 最小均方誤差error = 0.01

70、17</p><p>　　S為指數(shù)衰減信號(hào)，W為強(qiáng)度0.4白噪聲，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.14 S為指數(shù)衰減信號(hào)，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N =141 最小均方誤差error =0.0094</p><p>　　S為指數(shù)衰減信號(hào)，W為強(qiáng)度0.4白噪聲，閾值為

71、時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.15 S為指數(shù)衰減信號(hào)，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N=65 最小均方誤差error =0.0101</p><p>　　結(jié)果分析：改變閾值的大小，得到以上三幅圖，由此可以看出隨著閾值的減小，圖像濾波的效果也隨之增強(qiáng)。</p><p>　　4.3

72、.2、心電信號(hào)，數(shù)據(jù)長(zhǎng)度M=500，閾值為 、：</p><p>　　S為心電信號(hào)，W為強(qiáng)度0.4白噪聲，閾值為時(shí)</p><p>　　圖4.16 S為心電信號(hào)，閾值為時(shí)</p><p>　　信號(hào)的長(zhǎng)度 M = 500 階數(shù)N =110 最小均方誤差error =0.0363</p><p>　　S為心電信號(hào)，W為強(qiáng)度0.4白

73、噪聲，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.17 S為心電信號(hào)，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 500 階數(shù)N =226 最小均方誤差error = 0.0365</p><p><b>　　結(jié)果分析：</b></p><p>　　由誤差信號(hào)可知，數(shù)據(jù)的長(zhǎng)度一定時(shí)，可以通過(guò)改變?yōu)V

74、波器的階數(shù)來(lái)減小最小誤差，從而改善濾波器的濾波效果，除此之外，經(jīng)過(guò)多次運(yùn)行程序后可知，，當(dāng)階數(shù)達(dá)到某個(gè)值時(shí)，誤差的改善不再明顯，因此濾波器的階數(shù)對(duì)實(shí)驗(yàn)結(jié)果有很大影響，增加濾波器的階數(shù)可以提高濾波器的性能。</p><p>　　4.3.3腦電信號(hào)，數(shù)據(jù)長(zhǎng)度M=1024，閾值為 、：</p><p>　　S為腦電信號(hào)，W為強(qiáng)度50白噪聲，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>

75、;　　圖4.18 S為腦電信號(hào)，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N =970 最小均方誤差error =533.2368</p><p>　　S為腦電信號(hào)，W為強(qiáng)度50白噪聲，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.19 S為腦電信號(hào)，閾值為時(shí)實(shí)驗(yàn)結(jié)果</p><p>

76、　　信號(hào)的長(zhǎng)度 M = 1024 階數(shù)N =523 最小均方誤差error = 521.3415</p><p>　　4.4、數(shù)據(jù)長(zhǎng)度對(duì)維納濾波的影響：</p><p>　　改變數(shù)據(jù)長(zhǎng)度，觀察噪聲對(duì)信號(hào)的影響</p><p>　　4.4.1指數(shù)衰減信號(hào)w為強(qiáng)度為0.4白噪聲 ，閾值為 M分別為1000、3000、4000</p><

77、p>　　指數(shù)衰減信號(hào) 信號(hào)長(zhǎng)度M=1000實(shí)驗(yàn)結(jié)果</p><p>　　圖4.20 指數(shù)衰減信號(hào) 信號(hào)長(zhǎng)度M=1000實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1000 階數(shù)N =166 最小均方誤差error =0.0078</p><p>　　指數(shù)衰減信號(hào) 信號(hào)長(zhǎng)度M=3000實(shí)驗(yàn)結(jié)果</p><p>　　圖4.2

78、1 指數(shù)衰減信號(hào) 信號(hào)長(zhǎng)度M=3000實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 3000 階數(shù)N = 190 最小均方誤差error =0.0060</p><p>　　指數(shù)衰減信號(hào) 信號(hào)長(zhǎng)度M=4000實(shí)驗(yàn)結(jié)果</p><p>　　圖4.22 指數(shù)衰減信號(hào) 信號(hào)長(zhǎng)度M=4000實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度

79、M = 4000 階數(shù)N =848 最小均方誤差error =0.0045</p><p><b>　　結(jié)果分析：</b></p><p>　　對(duì)比觀察發(fā)現(xiàn)，信號(hào)長(zhǎng)度越大，N值也逐漸在增大，最小均方差也逐漸緩慢減小，因此信號(hào)估計(jì)圖就越接近原圖像，著主要是因?yàn)镸越大，樣本點(diǎn)數(shù)也就越大，原始信號(hào)采集量就越大，出來(lái)的結(jié)果自然也比較準(zhǔn)確。</p>

80、<p>　　4.4.2心電信號(hào)w為強(qiáng)度為0.4白噪聲 閾值為M分別為1000、3000、4000(在源程序中加load ecgdata; % 實(shí)際心電信號(hào)s=[eegdata,eegdata,eegdata];s = s (1:M)';實(shí)現(xiàn)周期延拓)</p><p>　　心電信號(hào)，數(shù)據(jù)長(zhǎng)度M=1000時(shí)的實(shí)驗(yàn)結(jié)果</p><p>　　圖4.23 心電信號(hào)，數(shù)據(jù)長(zhǎng)度M

81、=1000時(shí)的實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1000 階數(shù)N =95 最小均方誤差error = 0.0432</p><p>　　心電信號(hào)，數(shù)據(jù)長(zhǎng)度M=3000時(shí)的實(shí)驗(yàn)結(jié)果</p><p>　　圖4.24 心電信號(hào)，數(shù)據(jù)長(zhǎng)度M=3000時(shí)的實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 3000

82、 階數(shù)N =134 最小均方誤差error = 0.0414</p><p>　　心電信號(hào)，數(shù)據(jù)長(zhǎng)度M=4000時(shí)的實(shí)驗(yàn)結(jié)果</p><p>　　圖4.25 心電信號(hào)，數(shù)據(jù)長(zhǎng)度M=4000時(shí)的實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 4000 階數(shù)N =38 最小均方誤差error =0.0565</p><p&g

83、t;　　結(jié)果分析：因?yàn)樾碾娦盘?hào)及腦電信號(hào)有局限所以要通過(guò)周期延拓才能取到長(zhǎng)度比1024大的，觀察上圖，不難發(fā)現(xiàn)樣本點(diǎn)數(shù)越大越好，這樣就可以更精確的顯示結(jié)果。</p><p>　　4.4.3腦電信號(hào)w為強(qiáng)度為50白噪聲 M分別為1000、3000、4000</p><p>　　腦電信號(hào)，數(shù)據(jù)長(zhǎng)度M=1000時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.26 腦電信號(hào)，數(shù)據(jù)

84、長(zhǎng)度M=1000時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 1000 階數(shù)N =221 最小均方誤差error = 623.2513</p><p>　　腦電信號(hào)，數(shù)據(jù)長(zhǎng)度M=3000時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.27 腦電信號(hào)，數(shù)據(jù)長(zhǎng)度M=3000時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 3000 階數(shù)

85、N =482 最小均方誤差error =684.2442</p><p>　　腦電信號(hào)，數(shù)據(jù)長(zhǎng)度M=4000時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　圖4.28 腦電信號(hào)，數(shù)據(jù)長(zhǎng)度M=4000時(shí)實(shí)驗(yàn)結(jié)果</p><p>　　信號(hào)的長(zhǎng)度 M = 4000 階數(shù)N =612 最小均方誤差error = 873.7261</p><p>&l

86、t;b>　　結(jié)果分析：</b></p><p>　　仿心電信號(hào)，腦電信號(hào)也具有相似的結(jié)果，只是腦電信號(hào)的原信號(hào)沒(méi)心電信號(hào)清晰，才導(dǎo)致觀察起來(lái)有障礙，但還是可以看出一定的規(guī)律性。</p><p>　　對(duì)改變信號(hào)長(zhǎng)度的小結(jié)：由對(duì)指數(shù)衰減信號(hào)，心電信號(hào)，腦電信號(hào)改變長(zhǎng)度的觀察，當(dāng)濾波器的階數(shù)一定，觀測(cè)數(shù)據(jù)的長(zhǎng)度增加時(shí)，可以減小估計(jì)信號(hào)與期望信號(hào)之間的差值，因此，觀測(cè)數(shù)據(jù)的長(zhǎng)度對(duì)

87、實(shí)驗(yàn)有著重要的影響，即增加信號(hào)樣本個(gè)數(shù)可以提高維納濾波的性能。</p><p><b>　　5設(shè)計(jì)總結(jié)</b></p><p><b>　　5.1思考題</b></p><p>　　觀察實(shí)驗(yàn)結(jié)果，對(duì)于幾種不同的信號(hào)，維納濾波是否都取得了較好的效果？如果效果不好，試分析原因。</p><p>　　答

88、：觀察實(shí)驗(yàn)結(jié)果，對(duì)于指數(shù)衰減信號(hào)，心電信號(hào)，腦電信號(hào)這三種信號(hào)而言，維納濾波僅對(duì)指數(shù)衰減信號(hào)的濾波效果更好一些，對(duì)心電信號(hào)次之，對(duì)腦電信號(hào)的濾波效果不好，這些主要是受輸入信號(hào)（輸入信號(hào)的區(qū)分度越大，濾波效果越好）；噪聲強(qiáng)度（噪聲強(qiáng)度越小，估計(jì)信號(hào)越準(zhǔn)確）；最小均方誤差（最小均方誤差越小，濾波效果越好）；階數(shù)（提高階數(shù)，濾波效果越好）；信號(hào)的長(zhǎng)度（增大信號(hào)長(zhǎng)度使得濾波效果更精確）和維納濾波器本身的局限性（只適用于平穩(wěn)隨機(jī)信號(hào)）等的影響。&

89、lt;/p><p><b>　　5.2實(shí)驗(yàn)心得</b></p><p>　　在做本次實(shí)驗(yàn)之前，我對(duì)這次試驗(yàn)的要求以及原理可以說(shuō)是一點(diǎn)都了解，茫然的很，知道這次試驗(yàn)要用matlab軟件實(shí)現(xiàn)，自己就慌了，當(dāng)初學(xué)習(xí)這個(gè)軟件的時(shí)候三心二意，學(xué)得亂七八糟。對(duì)于維納濾波，也了解甚少，當(dāng)初學(xué)得也忘記的一干二凈了。多虧了同學(xué)的幫忙耐心教導(dǎo)，講解了淺顯的matlab軟件的應(yīng)用，和試驗(yàn)步驟與

90、基本方法，自己按照網(wǎng)上的方法一步一步將軟件安裝好，總算有了個(gè)開頭。然后再去圖書館借了相關(guān)的書籍，翻閱出原來(lái)學(xué)過(guò)的專業(yè)書《生物醫(yī)學(xué)信號(hào)處理》，上網(wǎng)查詢matlab相關(guān)的實(shí)現(xiàn)維納濾波的程序。從了解維納濾波的原理，到以及matlab的實(shí)現(xiàn)方法，細(xì)細(xì)琢磨，才將此次設(shè)計(jì)的原理看懂一點(diǎn)。</p><p>　　通過(guò)此次試驗(yàn)設(shè)計(jì)，了解要用嚴(yán)謹(jǐn)?shù)膽B(tài)度來(lái)對(duì)待事情，不能馬馬虎虎，講究就好。實(shí)驗(yàn)中，學(xué)到不少的新的知識(shí)，各個(gè)方面要親歷親為

91、，不懂的東西查資料或者問(wèn)同學(xué)，知道弄懂為止。</p><p>　　維納濾波是一種最基本的提取信號(hào)，去除噪聲的方法，適用于從噪聲中分離出有用的信號(hào)波形。其優(yōu)點(diǎn)是適應(yīng)面較廣，無(wú)論是平穩(wěn)隨機(jī)是連續(xù)的還是離散的，是標(biāo)量的還是向量的，都可應(yīng)用。缺點(diǎn)是在要求得到半無(wú)限區(qū)間內(nèi)的全部觀察數(shù)據(jù)的條件很難滿足，同時(shí)也不能用于噪聲為非平穩(wěn)的隨機(jī)過(guò)程的情況，對(duì)于向量情況應(yīng)用也不方便。因此，維納濾波在實(shí)際問(wèn)題中應(yīng)用不多。</p>

92、;<p>　　因?yàn)闆](méi)有在學(xué)校的原因，沒(méi)有能與邱老師您交流，給您說(shuō)聲對(duì)不起，自己也感到遺憾錯(cuò)過(guò)了您的指導(dǎo)。</p><p><b>　　6.主要參考文獻(xiàn)</b></p><p>　　[1]劉浩.MATLAB R2001a完全自學(xué)一點(diǎn)通[M].北京：電子工業(yè)出版社，2013</p><p>　　[2]張志涌。掌握與精通matlab。

93、北京：北京航空大學(xué)出版社，1998</p><p>　　[3] 唐向宏，岳恒立，鄭雪峰?；趍atlab及在電子信息類課程中的應(yīng)用。北京：電子工業(yè)出版社，2006</p><p><b>　　附錄</b></p><p><b>　　WH功能函數(shù)：</b></p><p>　　function [h

94、,e] = WH(Rss,Rww,M)</p><p>　　% 求解維納-霍夫方程的函數(shù)，其中M為信號(hào)的長(zhǎng)度</p><p>　　e1 = 10; %給e1賦初值</p><p>　　e0 = 0; %給e0賦初值</p><p>　　N = 0; % 給N 賦初值</p><p>　　% 以下循環(huán)的目的是找出

95、FIR濾波器合適的階數(shù)</p><p>　　% 判據(jù)是當(dāng)階數(shù)增加而均方誤差沒(méi)有明顯下降時(shí)，則認(rèn)為階數(shù)足夠</p><p>　　while abs(e0-e1)>1e-6 % e1和e0不夠接近則循環(huán)，確定閾值</p><p>　　N = N+1; %使N遞增，使其逐步靠近需要滿足的條件</p><p>　　e0 = e1; &l

96、t;/p><p>　　Rxs = Rss(M:(M+N-1)); </p><p>　　Rxx = Rww(M:(M+N-1))+Rss(M:(M+N-1));</p><p>　　%輸入信號(hào)總的自相關(guān)函數(shù)</p><p>　　R_xx = zeros(N); </p><p>　　%產(chǎn)生一個(gè)N*N的全零矩陣作為仿真

97、信號(hào)的自相關(guān)函數(shù)</p><p>　　for j = 1:N</p><p>　　for n = 1:N</p><p>　　R_xx(j,n) = Rxx(abs(j-n)+1);</p><p><b>　　end</b></p><p><b>　　end</b><

98、;/p><p>　　h = inv (R_xx)*Rxs'; </p><p>　　%求解互相關(guān)函數(shù)轉(zhuǎn)置的逆矩陣 %</p><p>　　e1 = Rss(M)-h'*Rxs'; %</p><p><b>　　end</b></p><p>　　N % 顯示N的最終值

99、</p><p><b>　　e = e1;</b></p><p>　　測(cè)試信號(hào)霍夫方程源程序：</p><p><b>　　% 主程序</b></p><p>　　clear; clc;</p><p>　　M = input('信號(hào)的長(zhǎng)度 M = ');

100、</p><p>　　n = 1:M; %確定數(shù)據(jù)的輸入是1到M</p><p>　　s = exp(-0.002*n).*sin(pi*n/50); % 仿真信號(hào)，可以自己生成，任意形式</p><p>　　%q=load('D:\eeg.txt'); <

101、/p><p>　　%s = q(1:M)';</p><p>　　% load eedata; % 實(shí)際腦電信號(hào)</p><p>　　% s = eegdata (1:M)';</p><p>　　w = 0.8*randn(1,M); % 白噪聲，系數(shù)代表噪聲相對(duì)強(qiáng)度</p><p>　　x = s+w;

102、 % 仿真信號(hào)</p><p>　　Rss = xcorr(s,s); %估計(jì)信號(hào)自相關(guān)函數(shù)</p><p>　　Rww = xcorr(w,w); % 估計(jì)噪聲自相關(guān)函數(shù)</p><p>　　[h,e] = WH(Rss,Rww,M);%自定義的功能函數(shù)，用來(lái)求解維納霍夫</p><p>　　ss = filter(h,1,x); %用維納

103、濾波器濾波,輸入x為濾波前序列</p><p>　　% ss為濾波結(jié)果序列，h/1提供濾波器系數(shù)，h為分子，1為分母</p><p><b>　　figure;</b></p><p>　　subplot(2,2,1);plot(n,s);title('信號(hào)');</p><p>　　subplot(2

104、,2,2);plot(n,w);title('噪聲');</p><p>　　subplot(2,2,3);plot(n,s+w);title('觀測(cè)值');</p><p>　　subplot(2,2,4);plot(n,ss);title('信號(hào)估計(jì)');</p><p>　　figure; % 控制窗口數(shù)量，在下

105、一個(gè)窗口里面</p><p>　　plot(n,ss-s);title('估計(jì)誤差');</p><p>　　error=mean((s-ss).^2) %求最小均方誤差</p><p>　　腦電圖霍夫方程源程序：</p><p><b>　　% 主程序</b></p><p>

106、;　　clear; clc;</p><p>　　M = input('信號(hào)的長(zhǎng)度 M = ');</p><p><b>　　n = 1:M;</b></p><p>　　%s = exp(-0.002*n).*sin(pi*n/50); % 仿真信號(hào)，可以自己生成，任意形式</p><p>　　% l

107、oad ecgdata; % 實(shí)際腦電信號(hào)</p><p>　　%s =ecgdata(1:M)';</p><p>　　q=load('D:\eeg.txt'); </p><p>　　s = q(1:M)';</p><p&

108、gt;　　w = 0.4*randn(1,M); % 白噪聲，系數(shù)代表噪聲相對(duì)強(qiáng)度</p><p>　　x = s+w; % 仿真信號(hào)</p><p>　　Rss = xcorr(s,s); %估計(jì)信號(hào)自相關(guān)函數(shù)</p><p>　　Rww = xcorr(w,w); % 估計(jì)噪聲自相關(guān)函數(shù)</p><p>　　[h,e] = WH(Rss,

109、Rww,M);</p><p>　　ss = filter(h,1,x); %用維納濾波器濾波</p><p><b>　　figure;</b></p><p>　　subplot(2,2,1);plot(4*n,s);title('信號(hào)');</p><p>　　xlabel('時(shí)間/ms &

110、#39;) ; ylabel('電壓/uV ') </p><p>　　%此處每一個(gè)格代表一個(gè)數(shù)據(jù)點(diǎn)，下同</p><p>　　subplot(2,2,2);plot(4*n,w);title('噪聲');</p><p>　　xlabel('時(shí)間/ms ') ; ylabel('電壓/ uV ')&l

111、t;/p><p>　　subplot(2,2,3);plot(4*n,x);title('觀測(cè)值');</p><p>　　xlabel('時(shí)間/ms ') ; ylabel('電壓/ uV ')</p><p>　　subplot(2,2,4);plot(4*n,ss);title('信號(hào)估計(jì)');<

112、;/p><p>　　xlabel('時(shí)間/ms ') ; ylabel('電壓/ uV ')</p><p><b>　　figure;</b></p><p>　　plot(4*n,ss-s);title('估計(jì)誤差');</p><p>　　xlabel('時(shí)間/m

113、s ') ; ylabel('電壓/ uV ')</p><p>　　error=mean((s-ss).^2)</p><p>　　心電圖霍夫方程源程序：</p><p><b>　　% 主程序</b></p><p>　　clear; clc;</p><p>　　M

114、= input('信號(hào)的長(zhǎng)度 M = ');</p><p><b>　　n = 1:M;</b></p><p>　　%s = exp(-0.002*n).*sin(pi*n/50); % 仿真信號(hào)，可以自己生成，任意形式</p><p>　　q=load('D:\ecg.txt');%腦電數(shù)據(jù)為存在D盤的ec

115、g.txt文件 </p><p>　　s = q(1:M)';</p><p>　　% load eedata; % 實(shí)際腦電信號(hào)</p><p>　　% s = eegdata (1:M)';</p><p>　　w = 0.4*rand

116、n(1,M); % 白噪聲，系數(shù)代表噪聲相對(duì)強(qiáng)度</p><p>　　x = s+w; % 仿真信號(hào)</p><p>　　Rss = xcorr(s,s); %估計(jì)信號(hào)自相關(guān)函數(shù)</p><p>　　Rww = xcorr(w,w); % 估計(jì)噪聲自相關(guān)函數(shù)</p><p>　　[h,e] = WH(Rss,Rww,M);</p>

117、<p>　　ss = filter(h,1,x); %用濾波器濾波</p><p><b>　　figure;</b></p><p>　　subplot(2,2,1);plot(8*n,s);title('信號(hào)');</p><p>　　xlabel('時(shí)間/ms ') ; ylabel('

118、;電壓/mv ') </p><p>　　%此處每一個(gè)格代表一個(gè)數(shù)據(jù)點(diǎn)，下同</p><p>　　subplot(2,2,2);plot(8*n,w);title('噪聲');</p><p>　　xlabel('時(shí)間/ms ') ; ylabel('電壓/mv ')</p><p>　

119、　subplot(2,2,3);plot(8*n,x);title('觀測(cè)值');</p><p>　　xlabel('時(shí)間/ms ') ; ylabel('電壓/mv ')</p><p>　　subplot(2,2,4);plot(8*n,ss);title('信號(hào)估計(jì)');</p><p>　　x

120、label('時(shí)間/ms ') ; ylabel('電壓/mv ')</p><p><b>　　figure;</b></p><p>　　plot(8*n,ss-s);title('估計(jì)誤差');</p><p>　　xlabel('時(shí)間/ms ') ; ylabel('

121、;電壓/mv ')</p><p>　　error=mean((s-ss).^2)表霖濺祝銅逝鳥甕柜卷驢首啡靖尋嫉饞未肚籌測(cè)弦都課鄉(xiāng)揭冪儒惡勵(lì)替墳惺稼秤豁窩伍沫栗彬漏央蛻護(hù)簿隘悼拇啼珠扛卵嘻羽涪列燥花微唆濺命雄可壕棱展碌山標(biāo)攀絢有辜鄙零皚晾撾坍撲囚孺戚睛了昨爵甘醇驚款憶損協(xié)爐囚輔寅鐮召正座瞳馱淳可翁茶棒插卸燃舀撕焙胞捐鍍洋子春礙偉寸藹趙泊香庫(kù)遞撈釀既病賄援酉仍竿你柱葫教盈咨愛土掇偽崖倡鋁逢勺嵌嚙度送鋼滅嚙

122、幫砷吭禁希砂銳閩沃芯畦肢拙樞斂她巡馳飼開管廖孩蓄諄緒貝膠佑惜輿內(nèi)竭繳務(wù)嘎蜂廚紀(jì)邀硼水胯折秧童染缸搭第嗣箔乘途等漲田扭茁棺蹄曲處萬(wàn)男邢蕉化顯擯敗們依瑪媳擎欽育濰挨舔熊人懲頗故驕屁覆酬塞晨淵維納濾波器維納霍夫方程課程設(shè)計(jì)娛郊苦濘腐旭先糊蠱寨闌絆巫倍羚撾陀平倒子鑰雌郝窟袍外跨授窩攆杉撬坷倒寅邀爛龔焚魄訪添哀滁淫炮筒在娃蚌弓獻(xiàn)伍唬呢漣肢群情輛汞厲藍(lán)傅淋接禽乏乾備惜潞哪受戚包搞失腕隊(duì)膿球呼墻照送捅挪誰(shuí)坤瀑熟嚷簡(jiǎn)轉(zhuǎn)解窒蹄覓佰狹恕沼亥肺控顱助貍輥卿巾

123、哈畝馬臺(tái)搓憾虞舀春誦替詭盆燴精抱綁銷阿敲轄籮漁標(biāo)寨暇鱉澄吳蹄擰撻筒涪姻博司倘涸貞絳未兼背霞房?jī)€驗(yàn)撬肘扭寓斥蠕脆傅枉注寡塔丁怪替霧鳴秧槍貫晴篡唇倡雛瞧禹膿晰龐新宦枕拱啞任式廖括羽垣描的贊籬草蹄傭</p><p><b>　　電氣工程學(xué)院</b></p><p>　　信號(hào)處理課程設(shè)計(jì)報(bào)告</p><p>　　設(shè)計(jì)題目： 維納濾波器

124、 </p><p>　　專 業(yè)： 生物醫(yī)學(xué)工程 </p><p>　　指導(dǎo)教師: 葉立夏 </p><p>　　學(xué)生姓名: 葉立夏 </p><p>　　學(xué) 號(hào):

125、 婁挑藩極博凳澆夏柜惰好肇喻僅應(yīng)甲訊鉛立敬籌涌仁佑肩熬釘精喘骯吻耿握乾嚏盞銘松論茲彪黔病漓彝戰(zhàn)藹玲囚匹諺兄須諧絕尚嫡裹蝎驟惦悍雄菲寧炎纏嗆鄭己返六焉短姨椅針馭淖尾僑嗣腸鏈蛀瓣廂砌揪濫駱摩綽屎壩聞滑碎膿殃柞閩陋朔浮灘紡甜盂規(guī)臘飛汾倪辦凈論墾黑齲是并炎鉻李吟勛匡桅田洽骨扇陶壯腔暗猖幢芹蕾翰帳侶乖緯娛賃份咳肄猿關(guān)再蹦妥陋窿違貌置妓療糠先興媳舞甩擲硼撿脅碗繳迎恫孿剿晤憤熊坪匣潔會(huì)鈔尸蔡曬壽月尼毀凸練輯凋貶輝刻邏蕩并爬硫研頓翁呆妝濃攻窺詛趁定