信号白化是什么原理、作用以及实现信号白化whitening这个词在自适应滤波、语音增强、阵列处理、机器学习和统计信号处理中都经常出现。很多人第一次看到“白化”时会觉得它像一个经验技巧但从本质上说它做的是一件非常明确的事把原本带相关性的信号变成“更接近白噪声”的信号。所谓“更白”通常有两个标志自相关函数更接近冲激只在零时刻附近显著功率谱更平坦不再明显偏向某些频段白化本身不是目的它真正的价值在于降低相关性、压平特征值扩展、改善数值条件从而让后续算法更稳定、更快收敛。本文按下面 5 个部分展开介绍信号白化的原理及作用结合数学公式推导为什么信号白化会提升自适应滤波器的效果给出信号白化的几种实现代码Python结合实现代码的仿真结果图说明总结及结论本文完整的仿真代码放在个人网站VoxWorking上了大家有兴趣免费自取即可。资源库 · VoxWorking1. 信号白化的原理及作用1.1 什么是白化理想白噪声满足R_x[k] σ_x^2 δ[k]也就是说当k 0时自相关为信号功率当k ! 0时自相关为 0。对应到频域理想白噪声的功率谱密度是常数S_x(ω) 常数因此白化可以理解为通过一个变换W(z)把原始信号x[n]变成输出v[n]使得v[n] W(z) x[n]并且v[n]的统计特性更接近白噪声。1.2 为什么很多真实信号都不是白的现实中的信号往往带有很强的相关性。例如语音信号有明显谱包络低频能量通常更强机械振动信号常常有共振峰回声路径输入常带有长时间相关性通信中的基带信号经过成形滤波后也会相关一旦信号相关性很强就意味着自相关矩阵R_x的对角占优不明显特征值分布不均匀某些方向能量很大某些方向能量很小这会给参数估计和自适应更新带来困难。1.3 白化的常见作用白化最常见的工程价值有四类提升自适应滤波的收敛速度改善线性估计或最小二乘问题的数值稳定性减少特征之间的相关性便于后续建模在谱分析、阵列处理、检测问题里突出异常结构在本文里我们重点关心第一类为什么白化能让自适应滤波器更好用。先看一个仿真里的着色输入信号。本文用一个 AR(1) 模型生成强相关输入x[n] 0.92 x[n-1] u[n]其中u[n]是白噪声激励。从图里可以看到着色输入x[n]相比白噪声激励u[n]平滑得多自相关在多个时延上都明显不为 0功率谱明显偏向低频不是平坦分布我们以这个为例去讨论白化不失普遍性。2. 数学公式推导为什么信号白化会提升自适应滤波器的效果2.1 自适应滤波器为什么会被输入相关性拖慢以 LMS 自适应滤波为例权值更新公式是w[n1] w[n] 2μ e[n] x[n]其中w[n]是滤波器系数向量μ是步长e[n]是瞬时误差x[n]是输入向量如果用最优解w*表示目标参数并定义权值误差向量v[n] w[n] - w*那么在均值意义下它的递推近似可以写成E[v[n1]] (I - 2μR_x) E[v[n]]这里的关键量就是输入自相关矩阵R_x E[x[n]x^T[n]]如果把R_x做特征分解R_x QΛQ^T其中Λ diag(λ_1, λ_2, ..., λ_M)那么在特征空间里每个方向的收敛速度由下面这个因子决定1 - 2μλ_i这说明特征值大的方向收敛快特征值小的方向收敛慢如果特征值分布很不均匀即特征值扩展很大那么某些方向早就收敛了某些方向却还很慢整体收敛就会被最慢的方向限制住。通常用条件数来描述这种不均匀程度κ(R_x) λ_max / λ_minκ(R_x)越大LMS 通常越难调、越慢收敛。2.2 白化为什么会改善这个问题如果我们对白化后的输入记为v[n] W x[n]理想情况下白化后的协方差矩阵满足R_v E[v[n]v^T[n]] ≈ σ_v^2 I这意味着各个方向的特征值变得接近条件数接近 1不同方向的收敛速度更一致于是均值递推就从E[v[n1]] (I - 2μR_x) E[v[n]]变成了一个更接近各向同性的问题。对于 LMS 来说这通常直接带来两个好处收敛更快步长选择更宽松2.3 为什么对白化前后的输入和期望信号同时处理不改变目标系统很多人会问如果把输入拿去白化了那原来要辨识的系统会不会变掉如果原系统满足d[n] h[n] * x[n]再对输入和期望信号同时通过同一个线性白化滤波器W(z)x_w[n] W(z)x[n] d_w[n] W(z)d[n]由于卷积满足交换律d_w[n] W(z)(h[n] * x[n]) h[n] * (W(z)x[n]) h[n] * x_w[n]所以只要对白化前后的两路信号做一致处理目标系统h[n]并没有变。变化的只是输入统计特性而这正是我们想要的。3. 给出信号白化的几种实现代码Python本文配套完整脚本见signal_whitening_demo.py这里给出三种很典型的白化实现思路。3.1 一阶差分白化如果信号低频相关性很强一阶差分是最简单的近似白化方式deffirst_difference_whiten(x):returnnp.convolve(x,np.array([1.0,-1.0]),modefull)[:len(x)]它的本质相当于一个简单高通削弱慢变化趋势降低邻近样本之间的相关性实现极其简单它的优点是便宜、稳定、容易在线实现缺点是白化能力有限而且会改变频谱形状较多。3.2 基于 AR 预测误差滤波的白化如果信号可以近似看成 AR 过程x[n] a_1 x[n-1] ... a_p x[n-p] e[n]那么预测误差e[n]往往就更接近白噪声。对应代码写法是defar_whiten(x,order6):aestimate_ar_coeffs_yw(x,order)filtnp.concatenate(([1.0],-a))ynp.convolve(x,filt,modefull)[:len(x)]returny,filt这种方法比一阶差分更“贴合数据模型”在语音、回声路径建模、时间序列处理中都很常见。3.3 基于频谱幅度均衡的白化还有一种直观做法是在频域里对谱幅度做归一化defspectral_whiten(x):nlen(x)x0x-np.mean(x)specnp.fft.rfft(x0)magnp.abs(spec)smoothednp.convolve(mag,np.ones(17)/17,modesame)white_specspec/(smoothed1e-6)ynp.fft.irfft(white_spec,nn)y/np.std(y)1e-12returny它的思想是原信号在哪些频率能量大就把这些频率压一压原信号在哪些频率能量弱就把这些频率抬一抬目标是让整体功率谱更平坦这种方法非常直观但在线实现和因果实现通常没有 FIR/IIR 方法那么直接。4. 结合实现代码的仿真结果图说明4.1 三种白化方法对白化程度的影响下面这张图对比了原信号、一阶差分白化、AR 白化和频域白化后的统计特性从图里可以看到一阶差分能明显减弱相关性但功率谱会偏向高频AR 白化后自相关衰减得更快功率谱也更接近平坦频域白化在谱平坦化上通常最直观本文脚本输出的部分指标如下raw_lag1_autocorr0.9204 diff_lag1_autocorr-0.0442 ar_lag1_autocorr0.0001 spectral_lag1_autocorr-0.0052数值的含义它们衡量的是白化前后相邻样本的一阶相关性。越接近 0通常说明“越白”。4.2 白化前后自适应滤波器收敛速度的差异为了展示白化对自适应滤波的帮助本文做了一个 LMS 系统辨识实验输入强相关的 AR 着色信号目标系统一个长度为 16 的 FIR对比对象直接用着色输入做 LMS对输入和期望信号同时做预白化再做 LMS结果如下从学习曲线和失配曲线可以清楚看到白化后的输入让 LMS 更快进入低误差区参数失配下降也更快收敛过程更“整齐”说明不同方向的学习速度更接近这也对应了上一节推导里的核心观点白化减小了特征值扩展因此改善了收敛条件。4.3 白化前后输入协方差矩阵的特征值分布变化为了把“特征值扩展”这件事可视化本文还画了白化前后输入协方差矩阵特征值的分布这张图的意义非常直接着色输入时特征值分布很不均匀条件数较大预白化后特征值更接近彼此条件数明显下降本文仿真里这两个条件数分别约为colored_condition_number275.24 prewhitened_condition_number1.18这也是为什么白化会让 LMS 更容易训练。如果从工程角度做一句概括白化并不是“让信号更好看”而是“让优化问题更好解”。5. 总结及结论本文可以压缩成 5 个结论信号白化的目标是让信号的自相关更接近冲激、功率谱更接近平坦。白化的核心价值是降低输入相关性减小协方差矩阵的特征值扩展。对 LMS 这类自适应滤波器来说白化后不同特征方向的收敛速度更一致因此整体收敛通常更快。常见白化实现包括一阶差分、AR 预测误差白化、频域谱均衡白化它们复杂度和适用场景不同。工程上应记住白化不是目的改善后续估计、检测、滤波和优化问题的条件数才是它真正的作用。附运行方式在当前目录执行python signal_whitening_demo.py脚本会生成whitening_assets/01_signal_properties.pngwhitening_assets/02_whitening_comparison.pngwhitening_assets/03_lms_convergence.pngwhitening_assets/04_eigenvalue_spread.pngwhitening_assets/metrics.txt