Advertisement

Lineare Optimalfilter

  • Eberhard Hänsler
Part of the Nachrichtentechnik book series (NACHRICHTENTECH, volume 10)

Zusammenfassung

In diesem Kapitel sollen die im 4. Kapitel hergeleiteten Zusammenhänge für die Eigenschaften yon Zufallsprozessen am Eingang und am Aus-gang eines linearen Systems zur Bestimmung optimaler Systeme angewendet werden. Von diesen Systemen werden wir verlangen, daß sie -ange-regt durch einen Zufallsprozeß y(n,t) -an ihrem Ausgang einen Zufallsprozeβ z(n,t) erzeugen, der ein „möglichst guter“ Schätzwert für einen Zufallsprozeβ d(η,t) ist (Bild 5.1). Für den Eingangsprozeß y(η,t) werden wir dabei annehmen, daβ dieser sich additiv aus einem Signalanteil x(η,t) und einer Störung n(η,t) zusammensetzt. Der zu schätzende Zufallsprozeβ d(η,t) ist im einfachsten Fall der Prozeß x(η,t) selbst. Allgemein kann er ein Zufallsprozeβ sein, der durch eine lineare Operation aus x(η,t) abgeleitet ist. Beispiele für derartige Operationen sind eine Prädiktion, eine Integration oder eine Differentiation.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Schrifttum

  1. [5.1]
    Van Trees, H. L.: Detection, Estimation, and Modulation Theory. Part I. J. Wiley, New York, 1968.zbMATHGoogle Scholar
  2. [5.2]
    Thomas, J. B.: An Introduction to Applied Probability and Random Processes. J. Wiley, New York, 1971.zbMATHGoogle Scholar
  3. [5.3]
    Wiener, N.: The Extrapolation, Interpolation, and Smoothing of Stationary Time Series with Engineering Applications. J.Wiley, New York, 1949. (Die Originalarbeit erschien als MIT Radiation Laboratory Report bereits 1942.)Google Scholar
  4. [5.4]
    Kolmogoroff, A.: Interpolation und Extrapolation von stationären zufSlligen Folgen (russ.)• Akad. Nauk. UdSSR Ser. Math. 5 (1941), 3–14.MathSciNetGoogle Scholar
  5. [5.5]
    Papoulis, A.: Signal Analysis. McGraw-Hill, New York, 1977.zbMATHGoogle Scholar
  6. [5.6]
    Berger, T. and D. W. Tufts: Optimum pulse amplitude modulation, part I: transmitter-receiver design and bounds from information theory. IEEE Trans. on Information Theory, IT-13 (1967), 196–208.CrossRefGoogle Scholar
  7. [5.7]
    Oppelt, W•: Kleines Handbuch technischer Regelvorgänge• Verlag Chesiie, Weinheim, 1964.Google Scholar
  8. [5.8]
    Sorenson, H. W.: Least-squares estimation: from Gauss to Kalman. IEEE Spectru a, 7 (1970), No.7, 63–68.CrossRefGoogle Scholar
  9. [5.9]
    Kalman, R. E.: A new approach to linear filtering and prediction problems. Trans. ASME, J. of Basic Eng. 82 (1960), 35–45.CrossRefGoogle Scholar
  10. [5.10]
    Kalman, R. E• and R• S• Bucy: New results in linear filtering and prediction theory. Trans. ASME, J. of Basic Eng. 83. (1961), 95–108.CrossRefMathSciNetGoogle Scholar
  11. [5.11]
    Brammer, K. und G. Siffling: Stochastische Grundlagen des Kalman-Bucy-Filters. Oldenbourg-Verlag, München, 1975.zbMATHGoogle Scholar
  12. [5.12]
    Brammer, K. und G. Siffling: Kalman-Bucy-Filter. Oldenbourg-Verlag, München, 1975.zbMATHGoogle Scholar
  13. [5.13]
    Falconer, D. D. and L. Ijung: Application of fast Kalman estimation to adaptive equalization. IEEE Trans. on Communication, C0M-26 (197 8), 1439–1446.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin, Heidelberg 1983

Authors and Affiliations

  • Eberhard Hänsler
    • 1
  1. 1.Institut für Netzwerk-und SignaltheorieTechnische Hochschule DarmstadtDeutschland

Personalised recommendations