Ðể đưa vào đầu vào của s(t).

Do đó, để xác định bộ lọc dự đoán H(s) của s(t), tiến hành như sau:

Phân tán phổ của s(t) như trong (11-3): S(s) = L(s)L(-s).

Tìm biến đổi nghịch đảo l(t) của L(s) và tạo hàm

Tìm biến đổi H1(s) của h1(t)và xác định H(s) từ {13-46).

Lỗi ước tính MS được xác định từ (13-44):

Chúng ta được cho một quá trình s(t) với hàm tự tương quan

và chúng ta muốn xác định bộ dự đoán của nó. Trong vấn đề này

Ðiều này cho thấy rằng bộ dự đoán của dựa vào toàn bộ quá khứ của nó giống như bộ dự
đoán dựa vào hiện tại s(t) của nó. Nói cách khác, nếu s(t) đã được xác định, thì quá khứ không ảnh
hưởng đến sự dự đoán tuyến tính của tương lai

Việc xác định H(s) dễ dàng hơn nếu s(t) có phổ hợp lý. Giả sử các cực củaH(s) là đơn giản, chúng ta
thu được:

Và (13-46) cho ra H(s) = N1(s) / N(s)

Nếu N(s)= 1, thì H(s) là một đa thức:

Và là tổng tuyến tính của s(t) và n đạo hàm đầu tiên của nó:

Chúng ta được cho một quá trình s(t) với:

Và chúng tamuốn ước tính giá trị tươnglai của nó s ( t+ λ ) với λ=log 2 .Trong bàitoán này ,
 λ
e ≈2

Vì vậy

Ghi chú 1: Tích phân:

Trong (13-40) là phản ứng của bộ lọc Wiener H(s) đối với đầu vào R(τ ). Từ (13-40) và (13-41l) ta có:

2.Trong tất cả các vấn đề về ước tính MS, chỉ có các khoảnh khắc cấp hai được sử dụng. Nếu vậy, hai quá trình có cùng hàm
tự tương quan thì bộ dự đoán của họ là giống nhau. Điều này gợi ý đến việc xuất phát của phương trình Wiener-Hopf như
sau: Giả sử rằng ω là một biến ngẫu nhiên có mật độ xác suất f(ω ) và z(t) = e jωτ . Rõ ràng,

Từ đó, ta có phổ công suất của z(t) bằng 2 πf (ω) [xem thêm (9-140)]. Vì vậy, nếu s(t) là một quá trình có phổ công suất
S ( ω )=¿2 πf (ω) , thì bộ dự đoán của nó h(t) sẽ giống với bộ dự đoán của z(t):

Vì vậy:

Các quy trình có thể dự đoán. Chúng ta sẽ nói rằng một quá trình s[n] là có thể dự đoán nếu nó bằng
với bộ dự đoán của nó:

Trong trường hợp này [xem (13-25)]

Vì S ( ω ) ≥ 0 tích phân trên là 0 nếu S ( ω ) ≠ 0 chỉ trong một khu vực R trên trục w, nơi e jω =0. Có thể
chứng minh rằng khu vực này bao gồm một số điểm ω i đếm được - bằng chứng dựa trên điều kiện
Paley-Wiener (11-9). Từ đó, ta có:

Do đó, một quá trình s[n] là có thể dự đoán nếu nó là tổng của các hàm mũ như trong (11 – 43)

Chúng ta khẳng định rằng phản lại cũng đúng: Nếu s[n] là tổng của m hàm mũ như trong (13-52), thì
nó có thể dự đoán và bộ lọc dự đoán của nó bằng 1−D (z) trong đó

Chứng minh. Trong trường hợp này E(z) = D(z) và E( e jω ) = 0; Vì vậy E( e jω ) S( ω ) = 0 do

Từ đó ta có P =0. Trong trường hợp

Và (xem chân trang 13, trang S64, ch. 12).

Ghi chú: Kết quả trước đó có vẻ mâu thuẫn với việc mở rộng lấy mẫu (10-201) của một quá trình BL s(t): Mở rộng này cho
thấy rằng s(t) có thể được dự đoán trong ý nghĩa rằng nó có thể được xấp xỉ với sai số ε tùy ý bằng một tổng tuyến tính chỉ
liên quan đến các mẫu quá khứ s(nT0) Từ đó, ta có quy trình kỹ thuật số s[n] = s(nT0) thể được dự đoán theo cùng một ý
nghĩa. Tuy nhiên, mở rộng như vậy không vi phạm (13-50). Đó chỉ là sự xấp xỉ và các hệ số của nó có xu hướng tiến tới

∞ khi ε → 0

QUÁ TRÌNH TỔNG QUÁT VÀ PHÂN GIẢI CỦA WOLD. Cuối cùng, chúng tôi sẽ chỉ ra rằng một quá trình
tùy ý s[n] có thể được biểu diễn như một tổng

của một quá trình chính quy s1[n] và một quá trình có thể dự đoán s2[n], và rằng những quá trình này
là trực giao, và chúng có cùng bộ lọc dự đoán. Chúng tôi từ đó tái thiết lập một cách xây dựng phân
giải của Wold (11-89) trong bối cảnh của việc ước tính MS.

Như chúng ta biết [xem (13-24)], sai số của ε [ n ] ước tính một bước của s[n] là một quá trình
nhiễu trắng. Chúng ta tạo ra ước tính s1[n] của s[n] dựa trên s[n] và quá khứ của nó:

Vậy s1[n] là phản ứng của hệ thống (Hình 13-7)

 Hình 13-7 cho đến đầu vào ε [ n ] . Sự khác biệt s2[n] = s1[n] - s[n], là sai số ước tính (Hình 13-
7). Rõ ràng (nguyên tắc trực giao)

Lưu ý rằng nếu ε [ n ] là một quá trình chính quy, thì [xem (13-32)] ε [ n ] = l[0].l[n]

Trong trường hợp này, s1[n] = s[n].

(a) Các quá trình s1[n] và s2[n] là trực giao

(b) s1[n] là quá trình chính quy

(c) s2[n] là một quá trình có thể dự đoán và bộ lọc dự đoán của nó là tổng trong (13-19):

Chứng minh. (a) Quá trình ε [ n ] là trực giao với s[n – k] đối với mọi k > 0. Hơn nữa, s2[n – k] một hàm tuyến tính của s[n –

k] và quá khứ của nó; do đó, s2[n – k] ⊥ ε [ n ] với k > 0. Kết hợp với (13-56), chúng ta kết luận rằng:

Và vì s1[n] phụ thuộc tuyến tính vào ε [ n ]và quá khứ của nó, nên (13-57) được suy ra.

(b) Quá trình s1[n] là phản ứng của hệ thống W( z ¿ đối với tín hiệu nhiễu trắng ε [ n ]. Để chứng minh rằng nó là quá trình
chính quy, chỉ cần chứng minh rằng:

Từ (13-54) và (13-55), ta có:

Điều này dẫn đến (13-60) vì E{s2[n]} = R(0) < ∞

(c) Để chứng minh (13-58), chỉ cần chứng minh sự khác biệt

bằng với 0. Từ (13-59), ta có z [ n ] ⊥ ε [ n−k ]cho mọi k. Nhưng z [ n ] là phản ứng của
hệ thống 1 - H[ z ] =E [ z ]với đầu vào s2[n] = s[n] – s1[n]. vì vậy (xem Hình 13-8)

Điều này cho thấ z [n] là một hàm tuyến tính của ε [n] và quá khứ của nó. Và vì nó cũng trực giao với
ε [n] chúng ta kết luận rằng z [n] = 0.
Lưu ý cuối cùng rằng [xem (13-61)]

Do đó, tổng này chính là bộ dự đoán của s1[n]. Chúng tôi kết luận rằng tổng H[ z ]trong (13-20) chính
là bộ lọc dự đoán của các quá trình s[n], s1[n] và s2[n]

DỰ ĐOÁN FIR. Chúng ta sẽ tìm ước tính §N[n]của một quá trình s[n] dựa trên N giá trị quá khứ gần
nhất của nó:

n
Ước tính này sẽ được gọi là bộ dự đoán tiến về phía trước cấp N. Chỉ số trêna k xác định cấp độ. Quá
trình §N[n] là phản ứng của bộ lọc dự đoán tiến về phía trước

n
đối với đầu vào s[n]. Mục tiêu của chúng ta là xác định các hằng số a kđể làm giảm thiểu giá trị MS.

của sai số dự đoán tiến về phía trước

Các phương trình Yule-Walker. Từ nguyên tắc trực giao, ta có:

Điều này dẫn đến hệ thống

n
Giải quyết, chúng ta thu được các hệ số a k của bộ lọc dự đoán HN( z ¿. Sai số MS kết quả bằng [xem
(12-83)]

Trong Hình 13-8, chúng ta thể hiện việc thực hiện bộ lọc HN( z ¿ dưới dạng thang máy và bộ lọc lỗi
tiến về phía trước EN( z ¿=1−¿ HN( z ¿

Như chúng tôi đã chỉ ra trong Phần 12-3, bộ lọc lỗi có thể được thực hiện bằng cấu trúc
mạng lưới như trong Hình 13-9. Trong hình đó, đầu vào là s[n] và đầu ra trên cùng là §N[n]. Đầu ra
dưới cùng eN[n] là sai số dự đoán ngược được định nghĩa như sau: Các quá trình s[n] và s[-n] có cùng
hàm tự tương quan; do đó, bộ lọc dự đoán của họ là giống nhau. Từ đó suy ra rằng bộ dự đoán
ngược s[n], tức là bộ dự đoán s[n] của dựa trên N giá trị tương lai gần nhất của nó, bằng

Lỗi dự đoán ngược

là phản ứng của bộ lọc

với đầu vào s[n]. Từ đó và (12-94 ta có đầu ra thấp hơn, của hình 13-8 là eN[n].

Trong Phần 12-3, chúng tôi đã sử dụng sự tương đương giữa thang máy và mạng lưới để đơn giản
hóa việc giải các phương trình Yule-Walker. Dưới đây, chúng tôi tóm tắt các kết quả chính trong bối
cảnh vấn đề dự đoán. Chúng tôi lưu ý rằng việc thực hiện mạng lưới cũng có lợi ích sau đây. Giả sử
chúng ta có một bộ dự đoán cấp N và chúng ta muốn tìm bộ dự đoán cấp N + 1. Trong thang máy,
N +1
chúng ta phải tìm một tập hệ số mới a k cấp N + 1. Trong mạng lưới, chúng ta chỉ cần hệ số phản
chiếu mới KN+1; N hệ số phản chiếu đầu tiên Kk không thay đổi.
 N
Thuật toán Levinson. Chúng ta sẽ xác định các hằng số a k , KN, và PN theo cách đệ quy. Điều này bao
gồm các bước sau: Bắt đầu bằng

N −1
Giả định rằng N + 1 hằng sốa k , KN-1, và PN-1 đã biết. Tìm KN, và PN từ (12-107) và (12-108): Tìm từ
(12-97)

N
Tìm a k từ (12-97):

Trong thuật toán Levinson, thứ tự N của các lần lặp là hữu hạn nhưng có thể tiếp tục vô hạn. Chúng
ta sẽ xem xét các tính chất của bộ dự đoán và sai số MS PN khi N -> ∞ .Rõ ràng rằng PN là một chuỗi
giảm không tăng của các số dương; do đó, nó tiến đến một giới hạn dương

Như chúng tôi đã chỉ ra trong Phần 11-3, các điểm không của bộ lọc lỗi z I :

có thể hoặc nằm bên trong đơn vị tròn hoặc nằm trên đường tròn đơn vị:

Nếu PN > 0, thì |K k|< 1 với mọi k <= N và ì |z i|<1 cho mọi i [xem (12-99)].

Nếu PN-1 > 0 PN = 0 thì |K k|< 1 cho mọi k ≤ N−1 ,|K N|=1 và |z i|=1 cho mọi i[xem (12-101)]. Trong
trường hợp này, quá trình s[n] có thể được dự đoán và phổ của nó bao gồm các đường thẳng.

Nếu P > 0 thì |z i|<1 cho mọi i [xem (13-26)]. Trong trường hợp này, bộ dự đoán s[n] của s[n] tiến
dần đến bộ dự đoán Wiener như trong (13-19). Từ đó và (13-34) ta có:

Điều này cho thấy sự kết nối giữa sai số LMS P của việc dự đoán s[n] dựa trên toàn bộ quá khứ của
nó, phổ công suất S ( ω ) của s [ n ], giá trị ban đầu l[0] của phản ứng delta l[n] của bộ lọc đổi mới của
nó và định thức tương quan Δ N.

Hãy giả sử cuối cùng rằng PM-1 > PM và

Trong trường hợp này, Kk = 0 đối với |k| > M; do đó thuật toán kết thúc ở bước thứ M. Từ đó suy ra
bộ dự đoán cấp M sM[n] của s[n] bằng bộ dự đoán Wiener của nó:

Nói cách khác, quá trình s[n] là quá trình Markov rộng ý nghĩa cấp M. Điều này dẫn đến kết luận rằng
sai số dự đoán eM[n] = s[n] – sM[n] là tín hiệu nhiễu trắng với giá trị trung bình