Escuela Superior Politécnica de Chimborazo
Electrónica Telecomunicaciones y Redes
FILTRO WIENER
L. Caiza, S. Asadovay, M. Tixi, L. Martínez
ESPOCH , Riobamba- Ecuador
1. Introducción
Los filtros de Wiener son los mejores
filtros lineales de mínimos cuadrados,
que pueden ser usados para predicció n,
estimació n, interpolació n, filtrado de
señ al y ruido, etc. Para diseñ arlos se
necesita tener un conocimiento previo
apropiado de las propiedades
estadísticas de la señ al de entrada. El
problema reside en que este
conocimiento generalmente no se puede
obtener. En su lugar se usan filtros
adaptativos, que hacen uso de los datos
de entrada para aprender los datos
estadísticos requeridos. En cualquier
caso, la teoría de Wiener es importante
para el presente estudio porque los
filtros adaptativos que será n empleados
convergen asintó ticamente (en media)
en las soluciones de Wiener.
2. Filtro de Wiener
En su forma má s general, consiste en una
señ al de entrada, f(k), una respuesta
deseada, d(k), y un filtro lineal de
respuesta impulsional h*(k). Este filtro es
alimentado por f(k) y produce a su salida
g(k). La diferencia entre la señ al de salida
del filtro, g(k), y la señ al deseada, d(k), es
el error de la estimació n, e(k).
Fig.1 Filtro Digital Wiener
Ing.
    El objetivo del filtrado de Wiener es
determinar la respuesta impulsional h(k)
de forma que el error e(k) sea, en un
sentido estadístico, "lo má s pequeñ o
posible". El criterio elegido es la
minimizació n del valor cuadrá tico medio
del error
x = E{|e(n)|2}
El filtro digital tiene una señ al de entrada
y produce una señ al de salida. El filtro
será un filtro de Wiener si su respuesta
impulsiva se elige para minimizar el
error cuadrá tico medio. El error se define
como la diferencia entre la salida del
filtro y la respuesta deseada:
Cuando se trabaja con filtros de Wiener,
generalmente la respuesta deseada
existe só lo de forma conceptual. Las
propiedades estadísticas de la respuesta
deseada y sus relaciones estadísticas con
la señ al de entrada al filtro se asume que
son conocidas por el diseñ ador.
La situació n es bastante diferente cuando
se trata con filtros adaptativos. En éstos,
la respuesta deseada existe como una
señ al que puede ser obtenida como
entrada en tiempo real al algoritmo
adaptativo, para conseguir aprender y
adaptarse. Los filtros de Wiener no
aprenden.
Su diseñ o es fijo, basado en un primer
conocimiento estadístico.
La respuesta impulsiva del filtro de
Wiener se obtiene encontrando una
expresió n para el error cuadrá tico medio
1
Escuela Superior Politécnica de Chimborazo
y minimizá ndola con respecto a la
respuesta impulsiva. Elevando al
cuadrado en ambas partes, se obtiene:
Sabiendo que:
Se puede sustituir:
Si tomamos valor medio en ambos lados,
encontramos una expresió n para el error
cuadrá tico medio (MSE, mean square
error):
Siendo Φmm la auto correlació n y Φmn la
correlació n cruzada de dos señ ales m y n.
si derivamos con respecto a h, que es la
respuesta impulsiva del filtro, e
igualamos a cero para minimizar el error:
Esta es la ecuació n de Wiener-Hopf , que
en forma de convolució n queda:
Tomando transformada Z en ambas
partes:
Ing. Electrónica Telecomunicaciones y Redes
Con la solució n de Wiener se puede
encontrar la funció n de transferencia del
filtro H*(z) a partir de la transformada
z de la funció n de autocorrelació n de la
señ al de entrada, de la correlació n
cruzada de la señ al de entrada, y de la
respuesta deseada. Si se sustituye esta
ecuació n en la expresió n del error se
obtiene el valor del mínimo MSE:
2.1. Tipos
Existen diversas estructuras para el
filtro de Wiener. Comenzaremos con el
caso en el que el filtro puede ser no
causal y de duració n infinita, el filtro IIR
no causal. Posteriormente, añ adiremos la
restricció n de causalidad, para obtener el
filtro IIR causal. Por ú ltimo, la restricció n
de longitud finita nos conducirá al filtro
FIR.
Recordamos que nuestro objetivo es
diseñ ar un filtro lineal en tiempo discreto
tal que su salida, g(k), proporcione una
estimació n de la señ al deseada, d(k), a
partir de una señ al de entrada, f(k), de
forma el valor cuadrá tico medio del error
e(k), definido como la diferencia entre la
señ al deseada d(k) y la salida actual g(k),
sea mínimo.
2.1.1. Filtro de Wiener  IIR
Nuestro propó sito es diseñ ar un filtro
h(n) que produzca una salida:
y(n) = x(n) * h(n)
Tan cercana como sea posible, en sentido
cuadrá tico-medio, a la respuesta deseada
d(n).
El enunciado del problema es idéntico
para filtros FIR y para IIR, pero existe
una gran diferencia que cambia la
solució n.
2
Escuela Superior Politécnica de Chimborazo
Para el filtro FIR, existe un nú mero finito
de posibles coeficientes del filtro,
mientras que con el filtro IIR, el nú mero
de incó gnitas, es decir, de valores de h(n)
para todo n, es infinito. Vamos a
considerar dos situaciones:
 Primero el caso en que no
aplicamos restricciones a la
solució n. Obtendremos que el
filtro ó ptimo es, en general, no
causal, y por tanto, irrealizable: 
Filtro Wiener IIR no causal.
 Posteriormente, aplicaremos la
condició n de causalidad, y para
ello forzaremos  h(n) a cero para
valores de índice n negativos:
Filtro Wiener IIR causal.
La funció n de transferencia del IIR en
tiempo discreto es:
Y del FIR es:
En el primer caso, encontraremos una
expresió n sencilla para la respuesta
frecuencial; en cambio, para el filtro
causal, ú nicamente podremos
caracterizar el sistema en términos de
una factorizació n espectral.
3. Programa en Matlab
La siguiente funció n implementada en
MatLab se encarga de calcular los
coeficientes de un filtro FIR segú n el
método de Wiener. Una utilidad puede
ser la cancelación de ruido donde,
teniendo acceso a la fuente de ruido,
podemos conseguir el filtrado de la señ al
contaminada, donde es imprescindible
Ing. Electrónica Telecomunicaciones y Redes
que el ruido de la señ al contaminada esté
lo suficientemente correlado con el ruido
de la fuente a la que tenemos acceso.
Usando, tal y como se explica en la ayuda
de la funció n, el siguiente có digo,
podremos obtener un filtro de orden 'p'
con el que realizar una estimació n del
ruido aditivo de la señ al informació n,
restando finalmente este a la señ al
contaminada.
% Calcula y devuelve los coeficientes de
un filtro FIR por el método de
% Wiener segú n la siguiente estructura:
%
% w = fWiener(x1,x2,p,N)
%
% Donde en 'w' se almacenan los
coeficientes del filtro FIR de Wiener. 'x1'
% se corresponde con, en el caso de
cancelació n de ruido, la señ al
% contaminada y, 'x2' con el ruido
procedente de la fuente de ruido. Es
% necesario que 'x1' y 'x2' se encuentren
lo má s correlados posible. El
% orden del filtro deseado se pasa a
través del parámetro 'p' y, 'N'
% indica finalmente el nú mero de
muestras de las que queremos hacer uso
de
% las señ ales 'x1' y 'x2' para la obtenció n
del filtro (para funcionamiento
% ó ptimo, N = length(x1)).
function [w] = fWiener(x1,x2,p,N)
% Consideramos siempre muestras
reales, por lo que no tendremos en
cuenta
% el conjugado de la matriz de
autocorrelació n.
% Cálculo de la autocorrelació n de 'x1' y
de la correlació n de 'x2' con
% 'x1'.
x1 = x1(1:N);
x2 = x2(1:N);
autocorrx1 = xcorr(x1,'biased');
autocorrx1x2 = xcorr(x2,x1,'biased');
% Cálculo de la matriz de Wiener y del
vector de términos independientes.
vWiener =
autocorrx1(ceil(length(autocorrx1)/2):c
eil(length(autocorrx1)/2)+p-1);
3
Escuela Superior Politécnica de Chimborazo Ing. Electrónica Telecomunicaciones y Redes

mWiener = toeplitz(vWiener); ecuació n. El operador "\" resuelve la

vWiener =
autocorrx1x2(ceil(length(autocorrx1x2)
/2):ceil(length(autocorrx1x2)/2)+p-1);
vWiener = vWiener';
% Obtenció n de los pará metros del filtro
de Wiener.
w = inv(mWiener)*vWiener;
Generaremos un filtro de orden 15.
P=15;
ecuació n de mínimos cuadrados. Es
mucho má s conveniente que calcular
, ya que nadie nos asegura que la
matriz de autocorrelació n tenga inversa.
r=xcorr(x);
R=toeplitz(r(N:N+P-1));
ptemp=xcorr(x,d);
p=ptemp(N:N+P-1);

La señ al deseada (señ al de referencia) es w=R\p

una sinusoide de frecuencia 0.45 y 200
muestras. w=

0.1208
N=200; 0.1070
k=1:N; 0.0905
w0=0.45; 0.0416
d=sin(w0*k)'; %Senal deseada -0.0104
-0.0574
La señ al a tratar es la señ al deseada con -0.0774
un ruido blanco de distribució n normal, -0.0922
varianza 1. -0.0831
-0.0703
-0.0269
eps=1; 0.0172
n=eps*randn(N,1); 0.0613
x=d+n; 0.0723
0.0783
plot(x,'r');
%hold on; Estos son los coeficientes que mejor
%plot(d) filtran el ruido de la señ al . Obviamente,
%hold off; la respuesta que te dará es diferente, ya
pause; que no estamos utilizando la matriz de
autocorrelació n real, sino una estimació n
en base a las muestras de que
disponemos, que cambian cada vez que
creamos la señ al x al tener una
componente aleatoria.

Vamos a ver có mo queda la señ al

después de filtrarla con nuestro filtro
recién calculado, y lo compararemos con
la señ al deseada.

xrec=filter(w,1,x);

%plot(x,'r');
Calculamos la matriz R y el vector p y le %hold on;
decimos a Matlab que resuelva w de la plot(xrec);

4
Escuela Superior Politécnica de Chimborazo Ing. Electrónica Telecomunicaciones y Redes

hold on; hold on;

plot(d,'g'); plot(Xrec);
hold off; hold off;

No está mal, compará ndolo con la señ al Prueba variaciones de los pará metros de
original. Para entender el tipo de filtrado la señ al y del filtro y describe có mo
que realiza el filtro de Wiener, vamos a cambian los efectos del filtrado: prueba
ver la respuesta frecuencial del filtro diferentes ó rdenes (P=6, 50 y 200),
frente al espectro de la señ al que hemos diferentes nú meros de muestras (N=25 y
recibido: 1000), diferentes frecuencias (w0=0.2 y
1.0) y diferentes varianzas (eps=0.25 y
X=abs(fft(x,1024)); 5).
W=abs(fft(w,1024));
Comprueba el efecto de añ adir un offset
plot(X./max(X)); de 0.5 al ruido.
hold on;
plot(W./max(W),'r'); eps=1;
hold off; n=eps*randn(N,1)+0.5;

A continuació n se muestra un ejemplo de

la utilizació n del filtro Wiener en
procesamiento de imá genes.

Si vemos el espectro de la señ al después

de filtrarla, y la comparamos con la señ al
deseada, vemos que realmente el filtro ha
hecho un buen trabajo.

D=abs(fft(d,1024));
Xrec=abs(fft(xrec,1024));

plot(D,'g');

5
Escuela Superior Politécnica de Chimborazo Ing. Electrónica Telecomunicaciones y Redes

 Para el estudio del filtro Wiener

es necesario tener previos
conocimientos de Estadística y
Transformada Z.
 Al programar en Matlab, tomar
en cuenta que la matriz de
correlació n debe tener su
inversa.

6. Referencias

 http://www.dma.fi.upm.es/doce
ncia/cursosanteriores/02-
03/segundociclo/redesdeneuron
as/Temas/7FiltrosAdaptativos.p
df
 http://physionet.cps.unizar.es/~
eduardo/docencia/tds/librohtml
/adapt1.htm
 http://physionet.cps.unizar.es/~
eduardo/docencia/tds/librohtml
/adapt1.htm
4. Conclusiones  http://physionet.cps.unizar.es/~
eduardo/docencia/tds/librohtml
 En tecnología digital el diseñ o /adapt1.htm
mediante filtros FIR, el filtrado
MSE se implementa en
prá cticamente todas las
aplicaciones de procesado de
señ al. Desde receptores de
comunicaciones, codificadores de
fuente, prospecció n acú stica, etc.
todos los sistemas incluyen de un
modo u otro un filtro de Wiener.
 El filtro se basa en el principio de
ortogonalidad de datos que
consiste en derivar e igualar a
cero la funció n. Esto ha permitido
descubrir un método de conocer
las prestaciones del filtro antes
de proceder a su diseñ o.
 Se ha utilizado una herramienta
Simulink y Matlab que permite al
usuario concentrarse en los
problemas del algoritmo má s que
en los de su implementació n,
pues le oculta a éste detalles de la
misma.

5. Recomendaciones