我们考虑的过程都是广义稳态随机过程,且均值为0。考虑的线性预测有两种,一种是
向前线性预测(forward linear prediction),用
u(n−1),
u(n−2),
…,
u(n−M)来预测
u(n),
Un−1表示
u(n−1),
u(n−2),
…,
u(n−M)张成的空间,
u^(n∣Un−1);另一种是
向后线性预测(backward linear prediction),用
u(n),
u(n−1),
…,
n(n−M+1)预测
u(n−M)。
向前线性预测
u^(n∣Un−1)=k=1∑Mwf,k∗u(n−k),
向前预测误差为fM(n)===:u(n)−u^(n∣Un−1)u(n)−k=1∑Mwf,k∗u(n−k)k=0∑MaM,k∗u(n−k).
和Wiener滤波一样在均方误差的意义上考虑最佳系数,J=E[∣fM(n)∣2]=r(0)−wfHr−rHwf+wfHRwf,【符号介绍可以看Adaptive Filter Learing Notes 自适应滤波学习笔记01 随机过程】。要求Jmin就需要Rwf=r,此时令PM=Jmin。可以得到两个等式Rwf=r,PM=r(0)−rHwf. 第一个式子相对与Wiener滤波就是Wiener-Hopf方程,两个式子结合起来可以得到向前预测的增广Wiener-Hopf方程(Augmented Wiener-Hopf Equations for Forward Prediction)[r(0)rrHR][1−wf]=[PM0] 也可以写成RM+1aM=[PM0]
而解这个方程可以利用Cramer法则避免求逆,而且等式右边只有一个非零值,所以在维数比较低的时候比较好求。
向后线性预测
u^(n−M∣Un)=k=1∑Mwb,k∗u(n−k+1),
向后预测误差为bM(n)==u(n−M)−u^(n−M∣Un)u(n−M)−k=1∑Mwb,k∗u(n−k+1)
同样地,按Wiener滤波的方式考虑,得到Rwb=rB∗,这里的⋅B表示这个向量的顺序调换了一下,原来最后一项变成第一项,倒数第二项变为第二项,以此类推。
观察一下这个式子RTwbB=r∗RHwbB∗=r注意RH=R,所以有wbB∗=wf。而此时向后预测误差的均方值为PM=r(0)−rBTwb=r(0)−rHwf,注意PM和r(0)都是实值的。
向后预测的增广Wiener-Hopf方程是[RrBTrB∗r(0)]=[−wb1]=[0PM].