封文清，孫 赫，鄧自立

1.梧州學院，廣西梧州 543002 2.南京磐能電器，江蘇南京 543002 3.黑龍江大學，黑龍江哈爾濱 150000

多通道ARMA信號加權觀測融合反卷積Wiener濾波器

封文清1，孫 赫2，鄧自立3

1.梧州學院，廣西梧州 543002 2.南京磐能電器，江蘇南京 543002 3.黑龍江大學，黑龍江哈爾濱 150000

應用現(xiàn)代時間序列與狀態(tài)空間方程的轉換定理，將帶觀測時滯的ARMA信號轉換為狀態(tài)空間模型。本文描述存在時滯的系統(tǒng)和噪聲的方法是用自回歸滑動平均模型（ARMA），通過ARMA信號與狀態(tài)空間模型的轉換來完成模型的轉換，在轉換過程中將時滯巧妙的嵌入到狀態(tài)轉移矩陣Φ中，從而得到信息濾波器形式的Kalman濾波器。提出了加權融合反卷積Wiener濾波器。一個仿真例子說明其有效性。

Wiener濾波；反卷積；信息融合；時滯；白噪聲

當系統(tǒng)的輸入已知時，我們去估計系統(tǒng)的輸入信號，這種辦法叫做反卷積估計。通常這種方法在優(yōu)化控制，預測控制，濾波控制等這領域中被廣泛應用[1]。本文用自回歸滑動平均模型（ARMA）來描述一個存在滯后的系統(tǒng)，通過自回歸滑動平均模型（ARMA）與狀態(tài)空間模型的轉換關系，從而可以完成模型之間的轉換，進而提出了加權融合反卷積Wiener濾波器[2]。

1 問題闡述

考慮帶延遲的ARMA信號反卷積系統(tǒng)

i=1，…，L；其中t為離散時間，yi(t)∈Rmi為第i個傳感器的觀測，s(t)為輸入信號，vi(t)為局部觀測噪聲。

問題是：基于yi(t),yi(t?1)…,i=1,…,L ，求取加權觀測融合反卷積Wiener濾波器s?(Ι)(t)。

【引理 1】[3]多維CARMA模型（受控的自回歸滑動平均模型）

其中y(t)∈Rm,u(t)∈Rp,v(t)∈Rr，Ai為m×m陣，Bi為m×p陣，Ci為m×r陣，等價于如下塊伴隨形狀態(tài)空間模型

2 算法與仿真

2.1 算法推導

【引理 2】[4]多傳感器系統(tǒng)，可得到局部穩(wěn)態(tài)Kalman濾波器

其中穩(wěn)態(tài)Kalman濾波增益Kfi為

β為(Φ,H)的可觀性指數(shù)，β是使可觀陣?為列滿秩的最小自然數(shù)，即

定理1加權觀測融合反卷積Wiener濾波器

由于反卷積處理的是信號s(t)，最終實現(xiàn)了時滯系統(tǒng)反卷積Wiener濾波器的設計。

2.2 仿真例子

考慮帶延遲的ARMA信號反卷積系統(tǒng)：

i=1，…L；其中t為離散時間，yi(t)∈Rmi為第i個傳感器的輸出（觀測），s(t)為輸入信號，vi(t)為傳感器的觀測噪聲。

3 結論

本文針對帶觀測滯后的單通道自回歸滑動平均(ARMA)信號，通過選用合適恰當?shù)乃惴▽⑾到y(tǒng)模型進行轉換，主要采用的方法是反卷積濾波的方法。將帶觀測時滯的ARMA信號轉換為狀態(tài)空間模型。用自回歸滑動平均模型（ARMA），描述了存在時滯的系統(tǒng)和噪聲。通過ARMA信號與狀態(tài)空間模型的轉換來完成模型的轉換，從而可以直接求取系統(tǒng)模型的濾波增益。再借助于引理2.1可以求出Wiener濾波器[2]。通過觀測加權算法，得到多傳感器信息融合Wiener反卷積濾波器。

[1]Mendel J M.Optimal seismic deconvolution：an estimation-based approach.New York：Academic Press，1983.

[2]孫赫.基于現(xiàn)代時間序列分析方法的信息融合反卷積濾波器[D].黑龍江大學控制理論與控制工程，2013.

[3]鄧自立，王欣，李云.多傳感器分布式融合白噪聲反卷積濾波器[J].電子與信息學報，2006，7（28）：1179?1182.

[4]鄧自立，郭一新.現(xiàn)代時間序列分析及其應用——建模、濾波、去卷、預報和控制[M].北京：知識出版社，1989.

TN7

A

1674-6708（2015）144-0039-02