Використання фільтра передбачення помилок для фільтрації напіввідомого сигналу

Я намагаюся обернути голову навколо правильного використання фільтра Вінера або прогнозування помилок для фільтрації даних. Мені здається, що це лише відбілюючий фільтр, так як він використовується, коли дані, які ви хочете відновити, не є сигналом AWGN?

Наприклад, у мене є сигнал, який містить кілька перешкод для перешкод - можна побачити їх на PSD, але я не знаю, що вони: а) стаціонарні та б) які властивості вони мають. Я можу використовувати такий метод, як рівняння Юль-Уокера, щоб відновити модель AR для всього сигналу, але в цьому випадку я хочу лише відновити модель інтерференційних сигналів, а не ту частину, яку я хочу відновити.

Я спробував реалізувати адаптивний фільтр вирізування LMS, при цьому опорний сигнал був єдиним синусоїдою, але це виявилося для мене занадто вузьким і не дуже добре відстежувало зміни частоти сигналу.

Я думаю, в основному моє запитання таке: якщо я використовую фільтр прогнозування помилок для фільтрації реальних даних, то як я відокремлюю частину даних від частини шуму? Іншими словами, я не хочу відбілити весь сигнал, лише шум. Що я пропускаю?

я не впевнений, що правильно розумію питання (не соромтеся оновити мене, якщо не так).

Існує алгоритм MUSIC, який витягує сигнали, вбудовані у фоновий шум, як суму синусоїдальних сигналів

Також є можливість використовувати SVD (або перетворення Кархунена-Лоева) і зменшити розмірність вхідних даних, зберігаючи при цьому максимальну інформацію (це відкине більшість компонентів фонового шуму).

Якщо це в Інтернеті чи в режимі реального часу, це можна зробити адаптивно.

Сподіваюсь, це допомагає