维纳滤波

定义

维纳滤波是一种以最小均方误差为准则的最佳线性滤波方法，用于从被噪声污染的观测数据中提取有用信号。它的基本设想是：设期望信号与加性噪声互不相关，含噪观测信号通过某个线性滤波器后，输出尽量接近真实信号，使输出与期望输出之差的均方值最小，这样的滤波器即维纳滤波器^[1]。

维纳滤波属于线性滤波器，其输出是输入的线性函数。与低通、高通、带通等按频率设计的滤波器不同，维纳滤波并不单以频率为取舍依据，而是根据输入信号与期望输出的统计特性，在各频段上分配不同的权重。它的解通常由维纳-霍夫方程给出，该方程把滤波器系数与观测信号的自相关函数、观测信号和期望信号之间的互相关函数联系起来^[2]。

原理

维纳滤波把滤波问题当作一个统计估计问题。设含噪观测信号为 $x(t) = s(t) + v(t)$，其中 $s(t)$ 是有用信号，$v(t)$ 是与之不相关的加性噪声，二者均为广义平稳随机过程。设计目标是寻找滤波器的单位冲激响应，使得滤波输出与实际期望信号之差的均方值达到最小^[3]。

按最小均方误差准则求极值，可以导出滤波器系数满足的条件：估计误差与每一个输入样本正交。这一正交性原理是线性最优滤波的充要条件，其物理含义是，维纳滤波器的输出是期望信号在输入信号空间上的正交投影^[4]。由正交性条件得到的方程组即维纳-霍夫方程，写成矩阵形式为 $\mathbf{R}\mathbf{w} = \mathbf{r}$，其中 $\mathbf{R}$ 是输入的自相关矩阵，$\mathbf{r}$ 是输入与期望响应的互相关向量^[5]。

在频域中，当信号与噪声互不相关时，非因果维纳滤波器的传递函数有简洁形式：$H(\omega) = \frac{P_s(\omega)}{P_s(\omega) + P_n(\omega)}$，其中 $P_s$ 与 $P_n$ 分别是信号和噪声的功率谱密度^[6]。该比值在 0 到 1 之间，信噪比高的频段近乎原样通过，噪声占优的频段则被压低，因而维纳滤波呈现随频段变化的自适应加权特征^[2]。

按是否允许使用未来数据，维纳滤波器分为非因果与因果两种形式。非因果形式可以利用未来信息取得最佳去噪效果，但不适用于实时系统；因果形式只使用当前和过去的数据，需要借助频谱因式分解求解，推导更为复杂，均方误差也略高于非因果解。在离散时间域中，维纳滤波器可以用有限长度或无限长度的形式实现。

求解离散维纳滤波器的最小均方误差与信号、噪声功率谱的重叠程度有关：最小均方误差可以表示为信号与噪声功率谱乘积对观测信号功率谱的积分，重叠部分越大，可达到的误差下限越高^[6]。

发展历程

维纳滤波理论由美国数学家诺伯特·维纳在第二次世界大战期间提出，最初用于解决对空射击的控制问题，即从受噪声污染的观测数据中预测目标运动。1942 年，他基于最小均方误差准则给出了最佳线性滤波方法^[1]。1949 年，维纳在专著《平稳时间序列的外推、内插和平滑问题》中完整发表了这一成果^[2]。

同一时期，苏联数学家柯尔莫哥洛夫独立研究了离散时间信号的线性预测与估计问题，其成果与维纳的工作互相呼应，二者被合称为柯尔莫哥洛夫-维纳理论，统一了连续时间与离散时间两种形式^[2]。维纳与霍夫在随机信号估计问题上的研究导出了维纳-霍夫方程，为滤波器冲激响应提供了可解析求解的框架。

维纳滤波是较早以严格方式解决加性噪声下信号估计问题的方法，1960 年出现的卡尔曼滤波把最优估计推广到非平稳过程与动态系统；在平稳过程条件下，两者在适当条件下结果一致^[2]。为解决统计特性难以事先获知的问题，维纳滤波之后衍生出最小均方算法、递推最小二乘算法等一系列自适应滤波方法，这些方法可以在线估计滤波系数，追踪环境变化并维持接近最小均方误差的性能。相关研究在自适应滤波、频谱估计与信号增强等方向持续展开，并见于《信号处理》《长治学院学报》等期刊的论文^[7]。

应用

语音增强是维纳滤波的代表性应用之一。带噪语音被视为干净语音与加性噪声之和，滤波器依据语音与噪声的功率谱估计设计，对信噪比偏低的频率成分加以衰减；实际系统常结合短时傅里叶变换、语音活动检测与最小值控制递归平均等方法估计噪声谱，以改善跟踪效果，评价指标包括信噪比提升、语音质量感知评价和短时客观可懂度。

在图像处理中，维纳滤波用于含加性噪声图像的降噪与模糊图像复原，常在频域中设计滤波器，并需要估计图像信号与噪声的功率谱；调节滤波参数可改变平滑强度，当把噪声功率视为零时，维纳滤波退化为逆滤波^[8]。它也被用于从退化模型中恢复图像，处理过程中可与约束最小二乘、非局部均值等方法结合^[9]。

在通信领域，维纳滤波可用于信道估计与均衡，对信道响应进行滤波去噪并抑制干扰，在非高速移动场景下改善接收性能。多级维纳滤波器还被用于空时自适应信号处理，对输入信号在空域和时域联合处理，以抑制干扰并降低计算复杂度^[10]。

雷达信号处理是维纳滤波的另一类应用场景，用于杂波抑制与目标信号提取；在生物医学领域，它被用于脑电、心电等信号的去噪^[2]。地质勘探中的地震信号降噪也采用维纳滤波及其改进算法，以从噪声中提取有效地震信号^[11]。

局限

维纳滤波要求输入过程广义平稳，并且其统计特性已知，即需要事先掌握信号与噪声的自相关函数或功率谱密度。而在实际环境中，信号与干扰的统计特性往往未知且随时间变化，这两个条件难以满足，因此它的直接应用受到限制。理论最优还要求观测数据足够长，实际中难以获得半无限时间区间内的全部观测数据。

维纳滤波是一种线性方法，对非线性现象无能为力，处理结果可能出现模糊、振铃等失真；传统的频域实现方式通常不能实时处理，且 FIR 或 IIR 滤波器的设计涉及矩阵求逆或频谱因式分解，在数据规模较大时计算负担较重。在语音增强中，过度抑制噪声可能引入被称为音乐噪声的残留伪影。

由于语音等信号只在很短的帧内近似平稳，先验信噪比需要按短时帧反复估计，噪声谱也必须不断更新，否则估计会随时间失去有效性^[12]。当待处理信号包含瞬态成分、不再是高斯过程时，维纳滤波的线性处理难以兼顾降噪与保留锐变，效果会明显下降，这也是非线性去噪方法发展的动因^[13]。

维纳滤波是线性滤波器中的最优方案，但非线性滤波可能取得更好的结果；只有在信号与噪声联合高斯的条件下，它才同时具有总体最优性^[14]。正因如此，实际系统中常把维纳滤波作为理论基准，并与自适应或其他非线性方法结合使用。

参见

• 卡尔曼滤波 —— 把最优估计推广到非平稳过程和动态系统的滤波方法，在平稳条件下与维纳滤波一致。

• 自适应滤波 —— 为克服维纳滤波需要已知统计特性的限制而发展出的滤波方法。

• 最小均方算法 —— 迭代逼近维纳最优解的常用自适应算法。

• 维纳-霍夫方程 —— 维纳滤波器冲激响应所满足的积分方程。

• 逆滤波 —— 图像复原中的另一种方法，在忽略噪声时是维纳滤波的特例。