随机信号分析实验报告
实验四 随机信号分析
实验四随机信号分析生物医学工程系罗融编一、实验目的：1．理解随机信号的各种数字特征及相关函数。
2．学习用MATLAB语言编写数字特征及相关函数计算程序。
3．观察脑电信号的数字特征及相关函数。
二、实验内容：1．产生1千点的白噪声信号，并计算它的均值、均方值、均方根值、方差。
（产生白噪声可用语句n=10^3;x=randn(1,n)）2．计算一白噪声加10Hz正弦信号构成的随机信号并作图显示该随机信号与它的自相关函数。
（白噪声加10Hz正弦信号可用语句x2=x+sin(2*pi*10*[0:999]/250);其中抽样率fs=250Hz）3．计算白噪声的自相关函数并作图显示白噪声与它的自相关函数。
4．计算脑电信号的均值、均方值、均方根值、方差，计算脑电信号的自相关函数并作图显示脑电信号与它的自相关函数。
5．计算含有噪声的心电信号的自相关函数并作图显示含有噪声的心电信号与它的自相关函数。
含有噪声的心电信号与脑电信号由数据文件shiyansi.mat提供，用load shiyansi命令后，shiyansi数据文件中的变量zshecg与eeg即在matlab工作空间中，可用plot（zshecg）语句观察该含有噪声的心电信号，用plot（eeg）语句观察脑电信号。
三、报告要求：报告格式要求同实验一。
报告内容应包含实验名称，实验目的，实验内容，实验程序代码及结果，实验结果分析与讨论等附录：1）均值：3）均方：4）相关函数：2．MATLAB语言说明：1）mean函数：2）var函数：(2)option为’biased’时，计算有偏互相关估计(3)option为’unbiased’时，计算无偏互相关估计。
随机信号分析实验报告
随机信号分析实验报告引言：随机信号是指信号在时间或空间上的其中一种特性是不确定的，不能准确地预测其未来行为的一类信号。
随机信号是一种具有随机性的信号，其值在一段时间内可能是不确定的，但是可以通过概率论和统计学的方法来描述和分析。
实验目的：通过实验，学习了解随机信号的基本概念和特性，学习了解和掌握常见的随机信号分析方法。
实验原理：随机信号可以分为离散随机信号和连续随机信号。
离散随机信号是信号在离散时间点上，在该时间点上具有一定的随机性；而连续随机信号是信号在连续时间上具有随机性。
常见的随机信号分析方法包括概率密度函数、功率谱密度函数等。
实验器材：计算机、MATLAB软件、随机信号产生器、示波器、电缆、电阻等。
实验步骤：1.配置实验仪器：将随机信号产生器和示波器与计算机连接。
2.生成随机信号：调节随机信号产生器的参数，产生所需的随机信号。
3.采集数据：使用示波器采集随机信号的样本数据，并将数据导入MATLAB软件。
4.绘制直方图：使用MATLAB软件绘制样本数据的直方图，并计算概率密度函数。
5.计算统计特性：计算随机信号的均值、方差等统计特性。
6.绘制功率谱密度函数：使用MATLAB软件绘制随机信号的功率谱密度函数。
实验结果和讨论：我们采集了一段长度为N的随机信号样本数据，并进行了相应的分析。
通过绘制直方图和计算概率密度函数，我们可以看出随机信号的概率分布情况。
通过计算统计特性，我们可以得到随机信号的均值、方差等重要参数。
通过绘制功率谱密度函数，我们可以分析随机信号的频谱特性。
结论：本实验通过对随机信号的分析，加深了对随机信号的理解。
通过绘制直方图、计算概率密度函数、计算统计特性和绘制功率谱密度函数等方法，我们可以对随机信号进行全面的分析和描述，从而更好地理解随机信号的特性和行为。
2.王五,赵六.随机信号分析方法.物理学报,2024,30(2):120-130.。
《随机信号分析与处理》实验报告完整版(GUI)内附完整函数代码
《随机信号分析与处理》实验报告指导教师：班级：学号：姓名：实验一 熟悉MA TLAB 的随机信号处理相关命令一、实验目的1、熟悉GUI 格式的编程及使用。
2、掌握随机信号的简单分析方法3、熟悉语音信号的播放、波形显示、均值等的分析方法及其编程 二、实验原理 1、语音的录入与打开在MATLAB 中，[y,fs,bits]=wavread('Blip',[N1 N2]);用于读取语音，采样值放在向量y 中，fs 表示采样频率(Hz)，bits 表示采样位数。
[N1 N2]表示读取从N1点到N2点的值。
2，均匀分布白噪声在matlab 中，有x=rand （a ，b ）产生均匀白噪声序列的函数，通过与语言信号的叠加来分析其特性。
3、均值随机变量X 的均值也称为数学期望，它定义为对于离散型随机变量，假定随机变量X 有N 个可能取值，各个取值的概率为则均值定义为上式表明，离散型随机变量的均值等于随机变量的取值乘以取值的概率之和，如果取值是等概率的，那么均值就是取值的算术平均值，如果取值不是等概率的，那么均值就是概率加权和，所以，均值也称为统计平均值。
4、方差定义为随机过程的方差。
方差通常也记为D 【X （t ）】 ，随机过程的方差也是时间 t 的函数, 由方差的定义可以看出，方差是非负函数。
5、自相关函数设任意两个时刻1t ，2t ，定义为随机过程X （t ）的自相关函数，简称为相关函数。
自相关函数可正，可负，其绝对值越大表示相关性越强。
6．哈明(hamming)窗（10.100）121212121212(,)[()()](,,,)X R t t E X t X t x x f x x t t dx dx +∞+∞-∞-∞==⎰⎰（10.101）B = 1.3Δf，A = -43dB，D= -6dB/oct.哈明窗本质上和汉宁窗是一样的，只是系数不同。
哈明窗比汉宁窗消除旁瓣的效果好一些而且主瓣稍窄，但是旁瓣衰减较慢是不利的方面。
随机信号分析实验报告
随机信号分析实验报告实验一：平稳随机过程的数字特征实验二：平稳随机过程的谱分析实验三：随机信号通过线性系统的分析实验四：平稳时间序列模型预测班级：姓名：学号：一、实验目的1、加深理解平稳随机过程数字特征的概念2、掌握平稳随机序列期望、自相关序列的求解3、分析平稳随机过程数字特征的特点二、实验原理平稳随机过程数字特征求解的相关原理三、实验过程function y = experiment number = 49; %学号49 I = 8; %幅值为8 u = 1/number;Ex = I*0.5 + (-I)*0.5; N = 64; C0 = 1; %计数 p(1) = exp(-u);for m = 2:N k = 1:m/2;p(m) = exp(-u*m) + sum((u*m).^(2*k)./factorial(2*k)*exp(-u*m));2222()[()()]{()()}{()()}X R m E X n X n m I P X n X n m I I P X n X n m I =+=+=-+=-E[X(n)]= I P{X(n)=+I}+(-I)P{X(n)=-I}=0⨯⨯0m >当时，/222(){()()}(2)!m k mk m P X n X n m I e P k λλ⎢⎥⎣⎦-=+===∑222()(1)(21)X R m I P I P I P =--=-2()()X X XC m R m m =-me I m n X n X E m R λ22)]()([)(-=+=end;pp = [fliplr(p) C0 p];Rx = (2*pp - 1)*I^2;m = -N:N;Kx = Rx - Ex*Ex;rx = Kx/25;subplot(211), plot(m,Rx); axis([-N N 0 I*I]); title('自相关序列');subplot(212), plot(m,rx); axis([-N N 0 1]); title('自相关序数');四、实验结果及分析自相关序列的特点分析：m>0时Rx(m)随着m的增大而减小，m<0时Rx(m)随着m的增大而增大。
随机信号分析实验报告
实验一 随机噪声的产生与性能测试一、实验内容1．产生满足均匀分布、高斯分布、指数分布、瑞利分布的随机数,长度为N=1024，并计算这些数的均值、方差、自相关函数、概率密度函数、概率分布函数、功率谱密度，画出时域、频域特性曲线; 2．编程分别确定当五个均匀分布过程和5个指数分布分别叠加时,结果是否是高斯分布; 3．采用幅度为2, 频率为25Hz 的正弦信号为原信号,在其中加入均值为2 ， 方差为0.04 的高斯噪声得到混合随机信号()X t ，编程求 0()()tY t X d ττ=⎰的均值、相关函数、协方差函数和方差，并与计算结果进行比较分析。
二、实验步骤 1.程序N=1024； fs=1000； n=0:N —1;signal=chi2rnd （2，1，N); ％rand(1,N)均匀分布 ,randn(1,N ）高斯分布，exprnd(2,1，N ）指数分布,raylrnd （2，1,N)瑞利分布，chi2rnd(2，1，N ）卡方分布 signal_mean=mean(signal ）； signal_var=var （signal ）；signal_corr=xcorr(signal,signal ，'unbiased ’)； signal_density=unifpdf(signal ，0，1); signal_power=fft(signal_corr); ％[s,w]=periodogram （signal); [k1,n1］=ksdensity(signal)；[k2,n2］=ksdensity （signal,’function ’，'cdf ’）; figure ；hist(signal)；title （’频数直方图’）; figure ；plot （signal)；title(’均匀分布随机信号曲线’）; f=n ＊fs/N ； ％频率序列 figure;plot(abs （signal_power)）; title('功率幅频’); figure;plot(angle （signal_power)）； title （'功率相频'); figure;plot （1:2047,signal_corr)； title （'自相关函数’）; figure;plot(n1，k1）；title('概率密度’）；figure；plot(n2,k2);title（'分布函数’)；结果（1）均匀分布(2）高斯分布（3）指数分布（4)瑞利分布（5）卡方分布2.程序N=1024；signal_1=rand(1,N);signal_2=rand(1，N）；signal_3=rand(1,N);signal_4=rand（1，N）;signal_5=rand(1,N)；signal=signal_1+signal_2+signal_3+signal_4+signal_5; [k1,n1］=ksdensity(signal）；figure(1）subplot(1，2，1）;hist(signal);title（'叠加均匀分布随机数直方图');subplot(1,2，2);plot（n1,k1）；title(’叠加均匀分布的概率密度'）；结果指数分布叠加均匀分布叠加结果：五个均匀分布过程和五个指数分布分别叠加时，结果是高斯分布。
随机信号分析实验
随机实验1、产生均匀分布的随机数，直方图和点表示：代码：x = random('unif', 2,5,1,1024);g = 2:0.1: 5;hist(x, g);Plot 法显示:代码：x = random('unif', 2,5,1,1024);plot(x);分析：均值：采用函数mean求的：m =mean(mean(x));>> mm =3.4940大约是3.5 和理论值差不多方差：var(x)ans =0.7223和理论值0.75 也差不多，说明点还是取的不够多的2、高斯随机数分布直方图均值为1，方差为0代码：N = 200000;g = -5:0.1:5;x = random('normal',0,1,1,N);hist(x,g);分析结果：1）均值看图即可知道均值大约为0；x = random('normal',0,1,1,N);>> m = mean(mean(x));>> mm =0.0025大概N的取值再大一些，这样均值会更接近0 的2）方差var(x)ans =0.9976方差和1 是比较接近的3、相互独立的随机数作和1)J均匀分布随机数作和0 ~ 2区间代码：N = 200000;g = 0:0.1:5;x1 = random('unif',0,2,1,N);x2 = random('unif',0,2,1,N);z = x1+x2;hist(z,g);图像：分析结果：均匀分布的概率密度是矩形，而两相互独立概率密度是两者的卷积之后是一个三角波，理论分析和实际差不多的4、瑞利分布x 方分布：代码：N = 200000;g = -5:0.1:5;G1 = random('normal',0,1,1,N);G2 = random('normal',0,1,1,N);G3 = random('normal',0,1,1,N);G4 = random('normal',0,1,1,N);R = sqrt(G1.*G1 + G2.*G2);X2 = G1.*G1 + G2.*G2+ G3.*G3 + G4.*G4; subplot(311); hist(G1,g);subplot(312); hist(R,0:0.05:5);subplot(313); hist(X2,0:0.02:24);分析结果：瑞利分布图像算是有了，也没什么好分析的了5、自相关函数1)N =256点高斯自相关均值为0代码：N = 256;xn = random('norm', 0, 1,1, N);Rx =xcorr(xn, 'biased');m = -N+1 : N-1;plot(m, Rx);axis([-N N-1 -0.5 1.5]);图像：2）n = 1024 点自相关代码：N = 1024;xn = random('norm', 0, 1,1, N); Rx =xcorr(xn, 'biased');m = -N+1 : N-1;plot(m, Rx);axis([-N N-1 -0.5 1.5]);图像：分析结果：很明显第二幅图点更加均匀些，说明序列越长，自相关函数的估计方差越小3)高斯自相关函数均值不为0代码：N = 1024;xn = random('norm', 1, 1,1, N);Rx =xcorr(xn, 'biased');m = -N+1 : N-1;plot(m, Rx);axis([-N N-1 -0.5 1.5]);图像：结果分析：1024 点均值为1出现上面的图像，确实有点崩溃，具体原因6、白噪声功率谱代码：N = 1024;fs =1000;t = (0:N-1)*fs;fai = random('unif',0,1,1,2)*2*pi;xn =cos(2*pi*30*t+fai(1)) + 3*cos(2*pi*100*t +fai(2)) +randn(1,N); Sx= abs(fft(xn)).^2/N;f = (0:N-1)*fs/N;plot(f, 10*log10(Sx(1:N)));图像：结果分析：带白噪声的功率谱应该是常数，而仿真出来的不符，原因：fft是选取了一个周期取估计功率谱，而且只用了一个样本序列，而且观察数据有限7、不同信号的自相关函数估计代码：N = 256;t = 0:N-1;m = -N : N-1;xn =zeros(N:8);x1n = random('norm',0,1,N,8);X1k = fft(x1n,2*N);R1x = ifft((abs(X1k).^2)/N);A = random('unif',0,1,1,8)*2*pi;for k = 1:8x2n(:,k) =cos(2*pi*4*t(:)/N+A(k));xn(:,k)= x1n(:,k) + x2n(:,k);endX2k = fft(x2n,2*N);R2x = ifft((abs(X2k).^2)/N);Xk = fft(xn,2*N);Rx = ifft((abs(Xk).^2)/N);subplot(311); plot(m,fftshift(R1x)); axis([-N N-1 -0.5 1.5] );subplot(312); plot(m,fftshift(R2x)); axis([-N N-1 -0.5 1.5] );subplot(313); plot(m,fftshift(Rx)); axis([-N N-1 -0.5 1.5] );图像：。
随机信号分析实验报告(基于MATLAB语言)
随机信号分析实验报告——基于MATLAB语言姓名：_班级：_学号：专业：目录实验一随机序列的产生及数字特征估计 (2)实验目的 (2)实验原理 (2)实验内容及实验结果 (3)实验小结 (6)实验二随机过程的模拟与数字特征 (7)实验目的 (7)实验原理 (7)实验内容及实验结果 (8)实验小结 (11)实验三随机过程通过线性系统的分析 (12)实验目的 (12)实验原理 (12)实验内容及实验结果 (13)实验小结 (17)实验四窄带随机过程的产生及其性能测试 (18)实验目的 (18)实验原理 (18)实验内容及实验结果 (18)实验小结 (23)实验总结 (23)实验一随机序列的产生及数字特征估计实验目的1.学习和掌握随机数的产生方法。
2.实现随机序列的数字特征估计。
实验原理1.随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0,1)均匀分布随机数是最最基本、最简单的随机数。
(0,1)均匀分布指的是在[0,1]区间上的均匀分布， U(0,1)。
即实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：，序列为产生的(0,1)均匀分布随机数。
定理1.1若随机变量X 具有连续分布函数，而R 为(0,1)均匀分布随机变量，则有2.MATLAB中产生随机序列的函数(1)(0,1)均匀分布的随机序列函数：rand用法：x = rand(m,n)功能：产生m×n 的均匀分布随机数矩阵。
(2)正态分布的随机序列函数：randn用法：x = randn(m,n)功能：产生m×n 的标准正态分布随机数矩阵。
随机信号分析实验报告
一、实验名称微弱信号的检测提取及分析方法二、实验目的1．了解随机信号分析理论如何在实践中应用2．了解随机信号自身的特性，包括均值、方差、相关函数、频谱及功率谱密度等3．掌握随机信号的检测及分析方法三、实验原理1．随机信号的分析方法在信号与系统中，我们把信号分为确知信号和随机信号。
其中随机信号无确定的变化规律，需要用统计特新进行分析。
这里我们引入随机过程的概念，所谓随机过程就是随机变量的集合，每个随机变量都是随机过程的一个取样序列。
随机过程的统计特性一般采用随机过程的分布函数和概率密度来描述，他们能够对随机过程作完整的描述。
但由于在实践中难以求得，在工程技术中，一般采用描述随机过程的主要平均统计特性的几个函数，包括均值、方差、相关函数、频谱及功率谱密度等来描述它们。
本实验中算法都是一种估算法，条件是N要足够大。
2．微弱随机信号的检测及提取方法因为噪声总会影响信号检测的结果，所以信号检测是信号处理的重要内容之一，低信噪比下的信号检测是目前检测领域的热点，而强噪声背景下的微弱信号提取又是信号检测的难点。
噪声主要来自于检测系统本身的电子电路和系统外空间高频电磁场干扰等，通常从以下两种不同途径来解决①降低系统的噪声，使被测信号功率大于噪声功率。
②采用相关接受技术，可以保证在信号功率小于噪声功率的情况下，人能检测出信号。
对微弱信号的检测与提取有很多方法，常用的方法有：自相关检测法、多重自相法、双谱估计理论及算法、时域方法、小波算法等。
对微弱信号检测与提取有很多方法，本实验采用多重自相关法。
多重自相关法是在传统自相关检测法的基础上，对信号的自相关函数再多次做自相关。
即令：式中，是和的叠加；是和的叠加。
对比两式，尽管两者信号的幅度和相位不同，但频率却没有变化。
信号经过相关运算后增加了信噪比，但其改变程度是有限的，因而限制了检测微弱信号的能力。
多重相关法将当作x（t），重复自相关函数检测方法步骤，自相关的次数越多，信噪比提高的越多，因此可检测出强噪声中的微弱信号。
随机信号分析实验百度
《随机信号分析》试验报告班级班学号姓名实验一1、熟悉并练习使用下列Matlab 的函数，给出各个函数的功能说明和内部参数的意义，并给出至少一个使用例子和运行结果：1）randn()产生随机数数组或矩阵，其元素服从均值为0，方差为1的正态分布（1）Y = randn 产生一个伪随机数（2）Y = randn(n) 产生n×n的矩阵，其元素服从均值为0，方差为1的正态分布（3）Y = randn(m,n) 产生m×n的矩阵，其元素服从均值为0，方差为1的正态分布（4）Y= randn([m n]) 产生m×n的矩阵，其元素服从均值为0，方差为1的正态分布选择（2）作为例子，运行结果如下：>> Y = randn(3)Y =1.3005 0.0342 0.97920.2691 0.9913 -0.8863-0.1551 -1.3618 -0.35622）rand()(1)Y = rand(n) 生成n×n 随机矩阵，其元素在（0，1）内(2)Y = rand(m,n) 生成m×n 随机矩阵(3)Y = rand([m n]) 生成m×n 随机矩阵(4)Y = rand(m,n,p,…) 生成m×n×p×…随机矩阵或数组(5)Y = rand([m n p…]) 生成m×n×p×…随机矩阵或数组(6)Y = rand(size(A)) 生成与矩阵A 相同大小的随机矩阵选择（3）作为例子，运行结果如下：>> Y = rand([3 4])Y =0.0579 0.0099 0.1987 0.19880.3529 0.1389 0.6038 0.01530.8132 0.2028 0.2722 0.74683）normrnd()产生服从正态分布的随机数（1）R = normrnd(mu,sigma) 产生服从均值为mu，标准差为sigma的随机数，mu和sigma可以为向量、矩阵、或多维数组。
北理工随机信号分析实验报告
北理工随机信号分析实验报告本科实验报告实验名称：随机信号分析实验课程名称：随机信号分析实验实验时间：任课教师：实验地点：实验教师：实验类型：□原理验证□综合设计□自主创新学生姓名：学号/班级：组号：学院：同组搭档：专业：成绩：实验一随机序列的产生及数字特征估计一、实验目的1、学习和掌握随机数的产生方法。
2、实现随机序列的数字特征估计。
二、实验原理1、随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0，1)均匀分布随机数是最最基本、最简单的随机数。
(0，1)均匀分布指的是在[0，1]区间上的均匀分布，即 U(0，1)。
实际应用中有许多现成的随机数发生器可以用于产生(0，1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：)(m od ,110N ky y y n n -=Ny x n n /=序列{}nx 为产生的(0，1)均匀分布随机数。
下面给出了上式的3组常用参数： 1、10N 10,k 7==，周期7510≈⨯；2、（IBM 随机数发生器）3116N 2,k 23,==+周期8510≈⨯；3、（ran0）315N 21,k 7,=-=周期9210≈⨯；由均匀分布随机数，可以利用反函数构造出任意分布的随机数。
定理 1.1 若随机变量 X 具有连续分布函数F X (x)，而R 为(0,1)均匀分布随机变量，则有)(1R F X x -=由这一定理可知，分布函数为F X (x)的随机数可以由(0,1)均匀分布随机数按上式进行变换得到。
2、MATLAB 中产生随机序列的函数（1）(0，1)均匀分布的随机序列 函数：rand用法：x = rand(m,n)功能：产生m ×n 的均匀分布随机数矩阵。
随机信号分析实验报告
随机信号分析实验报告实验一：平稳随机过程的数字特征实验二：平稳随机过程的谱分析实验三：随机信号通过线性系统的分析实验四：平稳时间序列模型预测班级：姓名：学号：一、实验目的1、加深理解平稳随机过程数字特征的概念2、掌握平稳随机序列期望、自相关序列的求解3、分析平稳随机过程数字特征的特点二、实验原理平稳随机过程数字特征求解的相关原理三、实验过程function y = experimentnumber = 49; %学号49I = 8; %幅值为8u = 1/number;Ex = I*0.5 + (-I)*0.5;N = 64;C0 = 1; %计数p(1) = exp(-u);for m = 2:Nk = 1:m/2;p(m) = exp(-u*m) + sum((u*m).^(2*k)./factorial(2*k)*exp(-u*m));2222()[()()]{()()}{()()}X R m E X n X n m I P X n X n m I I P X n X n m I =+=+=-+=-E[X(n)]= I P{X(n)=+I}+(-I)P{X(n)=-I}=0⨯⨯0m >当时，/2220(){()()}(2)!m k m k m P X n X n m I e P k λλ⎢⎥⎣⎦-=+===∑222()(1)(21)X R m I P I P I P =--=-2()()X X X C m R m m =-me I m n X n X E m R λ22)]()([)(-=+=end;pp = [fliplr(p) C0 p];Rx = (2*pp - 1)*I^2;m = -N:N;Kx = Rx - Ex*Ex;rx = Kx/25;subplot(211), plot(m,Rx); axis([-N N 0 I*I]); title('自相关序列');subplot(212), plot(m,rx); axis([-N N 0 1]); title('自相关序数');四、实验结果及分析自相关序列的特点分析：m>0时Rx(m)随着m的增大而减小，m<0时Rx(m)随着m的增大而增大。
随机信号分析实验报告
随机信号分析实验报告目录随机信号分析 (1)实验报告 (1)理想白噪声和带限白噪声的产生与测试 (2)一、摘要 (2)二、实验的背景与目的 (2)背景： (2)实验目的: (2)三、实验原理 (3)四、实验的设计与结果 (4)实验设计: (4)实验结果: (5)五、实验结论 (12)六、参考文献 (13)七、附件 (13)1理想白噪声和带限白噪声的产生与测试一、摘要本文通过利用MATLAB软件仿真来对理想白噪声和带限白噪声进行研究。
理想白噪声通过低通滤波器和带通滤波器分别得到低通带限白噪声和帯通带限白噪声。
在仿真的过程中我们利用MATLAB工具箱中自带的一些函数来对理想白噪声和带限白噪声的均值、均方值、方差、功率谱密度、自相关函数、频谱以及概率密度进行研究，对对它们进行比较分析并讨论其物理意义。
关键词：理想白噪声带限白噪声均值均方值方差功率谱密度自相关函数、频谱以及概率密度二、实验的背景与目的背景：在词典中噪声有两种定义：定义1：干扰人们休息、学习和工作的声音，引起人的心理和生理变化。
定义2：不同频率、不同强度无规则地组合在一起的声音。
如电噪声、机械噪声，可引伸为任何不希望有的干扰。
第一种定义是人们在日常生活中可以感知的，从感性上很容易理解。
而第二种定义则相对抽象一些，大部分应用于机械工程当中。
在这一学期的好几门课程中我们都从不同的方面接触到噪声，如何的利用噪声，把噪声的危害减到最小是一个很热门的话题。
为了加深对噪声的认识与了解，为后面的学习与工作做准备，我们对噪声进行了一些研究与测试。
实验目的:了解理想白噪声和带限白噪声的基本概念并能够区分它们，掌握用MATLAB 或c/c++软件仿真和分析理想白噪声和带限白噪声的方法，掌握理想白噪声和带限白噪声的性质。
三、实验原理所谓白噪声是指它的概率统计特性服从某种分布而它的功率谱密度又是均匀的。
确切的说，白噪声只是一种理想化的模型，因为实际的噪声功率谱密度不可能具有无限宽的带宽，否则它的平均功率将是无限大，是物理上不可实现的。
北理工随机信号分析实验报告
本科实验报告实验名称：随机信号分析实验实验一 随机序列的产生及数字特征估计一、实验目的1、学习和掌握随机数的产生方法。
2、实现随机序列的数字特征估计。
二、实验原理1、随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0，1)均匀分布随机数是最最基本、最简单的随机数。
(0，1)均匀分布指的是在[0，1]区间上的均匀分布，即 U(0，1)。
实际应用中有许多现成的随机数发生器可以用于产生(0，1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：)(m od ,110N ky y y n n -=N y x n n /=序列{}n x 为产生的(0，1)均匀分布随机数。
下面给出了上式的3组常用参数： 1、10N 10,k 7==，周期7510≈⨯；2、（IBM 随机数发生器）3116N 2,k 23,==+周期8510≈⨯； 3、（ran0）315N 21,k 7,=-=周期9210≈⨯；由均匀分布随机数，可以利用反函数构造出任意分布的随机数。
定理 1.1 若随机变量 X 具有连续分布函数F X (x)，而R 为(0,1)均匀分布随机变量，则有)(1R F X x -=由这一定理可知，分布函数为F X (x)的随机数可以由(0,1)均匀分布随机数按上式进行变换得到。
2、MATLAB 中产生随机序列的函数（1）(0，1)均匀分布的随机序列 函数：rand 用法：x = rand(m,n)功能：产生m ×n 的均匀分布随机数矩阵。
（2）正态分布的随机序列 函数：randn 用法：x = randn(m,n)功能：产生m ×n 的标准正态分布随机数矩阵。
随机信号实验报告
班级：姓名：学号：指导老师：时间：一、信号基本参数1.均值及方差由上图可以看出，该语音信号的能量不是很大，因其均值在0.12左右，方差在0.02左右，故波动不是很大；当加入信噪比为5的白噪声后，其均值明显增大，在0.48左右，说明噪声的能量远大于信号的能量，其方差在0.13左右，故波动很大。
由此看出，白噪声携带能量加大，且波动加大。
2.正态概率分布函数上图为语音信号各点的幅度的概率分布，它与语音信号分布差不多，它放映的是语音信号在各点的能量大小。
当语音信号在某时刻幅值越大，则其概率越大，反之，则越小。
3.自相关上图可以看出，该语音信号的自相关不是很大，因此该语音信号前后相关性不是很大，因此，在信号处理及通信中对信号处理要求不是很高；当加入噪声后，可以看出自相关有明显减小的痕迹，所以白噪声的自相关不大。
4.互相关上图为两个不同的语音信号的互相关，可以看出在前半段完全没有相关性，而在后半段有一定的相关性；当加入白噪声后，互相关增强，且前半段也没有相关性，说明有一语音信号前半段没有信号。
由两图比较可得，高斯白噪声的互相关较大。
二、信号加噪及提取5.信号加入确定噪声后加入确定噪声sin(17500*t)后，时域图上可以看出，振幅较小的语音信号完全被噪声淹没，从回放的声音中可以听到刺耳的噪声信号，从频谱图中也可以看出，在1800Hz左右，有明显的高峰，所含的能量远大于语音信号。
因此，可以用带阻滤波器滤除该噪声信号。
6.去除确定噪声信号sin()从上面两图可以看出，去噪后的频谱中没有高峰突起，确实去掉了噪声信号，从回放的声音中，也听不到刺耳的声音，是比较清晰地声音。
从频谱图中可以明显看到有凹下去的部分，是因为不是理想滤波器，必定会滤掉临近的很小的一部分信号，但并不会语音信号造成太大的影响。
采用的是巴特沃斯带阻滤波器，fp=1700Hz,fs=100Hz,当增大fs后，可以明显看到凹下去的部分增大；而改变fp后，就不能滤掉噪声信号。
随机信号分析实验报告(基于MATLAB语言)
随机信号分析实验报告——基于MATLAB语言姓名：_ 班级：_ 学号：专业：目录实验一随机序列的产生及数字特征估计2实验目的 2实验原理 2实验内容及实验结果 3实验小结 6实验二随机过程的模拟与数字特征7实验目的7实验原理7实验内容及实验结果8实验小结11实验三随机过程通过线性系统的分析12实验目的12实验原理12实验内容及实验结果13实验小结17实验四窄带随机过程的产生及其性能测试18实验目的18实验原理18实验内容及实验结果18实验小结23实验总结23实验一随机序列的产生及数字特征估计实验目的1.学习和掌握随机数的产生方法。
2.实现随机序列的数字特征估计。
实验原理1.随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0,1)均匀分布随机数是最最基本、最简单的随机数。
(0,1)均匀分布指的是在[0,1]区间上的均匀分布，U(0,1)。
即实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：序列为产生的(0,1)均匀分布随机数。
定理1.1若随机变量X 具有连续分布函数，而R 为(0,1)均匀分布随机变量，则有2.MATLAB中产生随机序列的函数(1)(0,1)均匀分布的随机序列函数：rand用法：x = rand(m,n)功能：产生m×n 的均匀分布随机数矩阵。
(2)正态分布的随机序列函数：randn用法：x = randn(m,n)功能：产生m×n 的标准正态分布随机数矩阵。
随机信号的数字特征分析 实验报告
大理大学实验报告课程名称生物医学信号处理实验名称随机信号的数字特征分析专业班级姓名羽卒兰cl学号实验日期实验地点2015—2016学年度第 3 学期图36 L=512，N=2的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图37 L=256，N=4的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图38 L=128，N=8的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图39 L=64，N=16的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图40 L=32，N=32的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图41 L=16，N=64的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图答：图36-41是改变输入每段数据长度L分别为：512，256，128，64，32 ，16。
输入段数N分别为：2，4，8，16，32，64。
不同的L，N长度的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图，通过查看它们的直方图可以发现，不同的L，N长度的伪随机序列信号的直方图在区间[-5 5]之间是相似的；不同的L，N长度的心电信号的直方图在区间[-1 1]之间都是相似的；不同的L，N长度的脑电信号的直方图在区间[-10 10]之间都是相似的；不同的L，N长度的呼吸信号的直方图在区间[0 10]之间都是相似的；不同的L，N长度的颅内压信号的直方图在区间[0 1000]之间是相似的。
（2）过同一数据分段估计数字特征，大致判断该数据是否可以看作广义平稳。
导入信号为4 ：实际测量的呼吸信号图42 L=512，N=2的呼吸信号的数字特征图图43 L=256，N=4的呼吸信号的数字特征图图44 L=128，N=8的呼吸信号的数字特征图图45 L=64，N=16的呼吸信号的数字特征图图46 L=32，N=32的呼吸信号的数字特征图图47 L=16，N=64的呼吸信号的数字特征图答：广义平稳的概念：如果随机信号的概率特性不随时间变化而变化，就称为广义平稳随机过程。
随机信号分析报告实验：随机过程通过线性系统地分析报告
实验三 随机过程通过线性系统的分析实验目的1. 理解和分析白噪声通过线性系统后输出的特性。
2. 学习和掌握随机过程通过线性系统后的特性，验证随机过程的正态化问题。
实验原理1.白噪声通过线性系统设连续线性系统的传递函数为)(ωH 或)(s H ，输入白噪声的功率谱密度为2)(0N S X =ω，那么系统输出的功率谱密度为2)()(02N H S Y ⋅=ωω （3.1） 输出自相关函数为⎰∞∞-=ωωπτωτd e H N R j Y 20)(4)( （3.2）输出相关系数为)0()()(Y Y Y R R ττγ=（3.3） 输出相关时间为⎰∞=00)(ττγτd Y （3.4）输出平均功率为[]⎰∞=202)(2)(ωωπd H N t Y E （3.5）上述式子表明，若输入端是具有均匀谱的白噪声，则输出端随机信号的功率谱主要由系统的幅频特性)(ωH 决定，不再是常数。
2.等效噪声带宽在实际中，常常用一个理想系统等效代替实际系统的)(ωH ，因此引入了等效噪声带宽的概念，他被定义为理想系统的带宽。
等效的原则是，理想系统与实际系统在同一白噪声的激励下，两个系统的输出平均功率相等，理想系统的增益等于实际系统的最大增益。
实际系统的等效噪声带宽为⎰∞=∆022max)()(1ωωωωd H H e （3.6）或⎰∞∞--=∆j j e ds s H s H H j )()()(212maxωω （3.7）3.线性系统输出端随机过程的概率分布 （1）正态随机过程通过线性系统若线性系统输入为正态过程，则该系统输出仍为正态过程。
（2）随机过程的正态化随机过程的正态化指的是，非正态随机过程通过线性系统后变换为正态过程。
任意分布的白噪声通过线性系统后输出是服从正态分布的；宽带噪声通过窄带系统，输出近似服从正态分布。
实验内容设白噪声通过图3.1所示的RC 电路，分析输出的统计特性。
图3.1 RC 电路（1）试推导系统输出的功率谱密度、相关函数、相关时间和系统的等效噪声带宽。
随机信号分析实验报告
.随机信号分析实验报告实验一 各种分布随机数的产生一、 实验目的在很多系统仿真的过程中，需要产生不同分布的随机变量。
利用计算机可以很方便地产生不同分布的随机变量，各种分布的随机变量的基础是均匀分布的随机变量。
有了均匀分布的随机变量，就可以用函数变换等方法得到其他分布的随机变量。
二、 实验内容产生均匀分布的随机数、高斯分布的随机数和其它分布的随机数。
三、 实验原理1. 均匀分布随机数的产生原理产生伪随机数的一种实用方法是同余法，它利用同余运算递推产生伪随机数序列。
最简单的方法是加同余法)(mod 1M c y y n n +=+M y x n n 11++=为了保证产生的伪随机数能在[0,1]内均匀分布，需要M 为正整数，此外常数c 和初值y0亦为正整数。
加同余法虽然简单，但产生的伪随机数效果不好。
另一种同余法为乘同余法，它需要两次乘法才能产生一个[0,1]上均匀分布的随机数)(mod 1M ay y n n =+ M y x n n 11++=式中，a 为正整数。
用加法和乘法完成递推运算的称为混合同余法，即)(mod 1M c ay y n n +=+ M y x n n 11++=用混合同余法产生的伪随机数具有较好的特性，一些程序库中都有成熟的程序供选择。
常用的计算语言如Basic 、C 和Matlab 都有产生均匀分布随机数的函数可以调用，只是用各种编程语言对应的函数产生的均匀分布随机数的范围不同，有的函数可能还需要提供种子或初始化。
Matlab 提供的函数rand()可以产生一个在[0,1]区间分布的随机数，rand(2,4)则可以产生一个在[0,1]区间分布的随机数矩阵，矩阵为2行4列。
Matlab 提供的另一个产生随机数的函数是random('unif',a,b,N,M)，unif 表示均匀分布，a 和b 是均匀分布区间的上下界，N 和M 分别是矩阵的行和列。
2. 随机变量的仿真根据随机变量函数变换的原理，如果能将两个分布之间的函数关系用显式表达，那么就可以利用一种分布的随机变量通过变换得到另一种分布的随机变量。
随机信号分析实验报告
《随机信号分析》实验报告二班级_______学号______姓名_______实验二高斯噪声的产生和性能测试１．实验目的（1）掌握加入高斯噪声的随机混合信号的分析方法。
（2）研究随机过程的均值、相关函数、协方差函数和方差。
⒉实验原理（1）利用随机过程的积分统计特性，给出随机过程的均值、相关函数、协方差函数和方差。
（2）随机信号均值、方差、相关函数的计算公式，以及相应的图形。
⒊实验报告要求（1）简述实验目的及实验原理。
（2）采用幅度为1，频率为25HZ的正弦信号为原信号，在其中加入均值为2，方差为0.04的高斯噪声得到混合随机信号X(t)。
试求随机过程的均值、相关函数、协方差函数和方差。
用MATLAB进行仿真，给出测试的随机过程的均值、相关函数、协方差函数和方差图形，与计算的结果作比较，并加以解释。
（3）分别给出原信号与混合信号的概率密度和概率分布曲线，并以图形形式分别给出原信号与混合信号均值、方差、相关函数的对比。
（4）读入任意一幅彩色图像，在该图像中加入均值为0，方差为0.01的高斯噪声，请给出加噪声前、后的图像。
（5）读入一副wav格式的音频文件，在该音频中加入均值为2，方差为0.04的高斯噪声，得到混合随机信号X(t)，请给出混合信号X(t)的均值、相关函数、协方差函数和方差，频谱及功率谱密度图形。
4、源程序及功能注释(逐句注释)（1）：clear all;clc;t=0:320;x=sin(2*pi*t*25);x1=wgn(1,321,0);z=x+x1;y=trapz(t,z);%y=int(z,x,0,t);subplot(3,2,1),plot(z);title('随机信号序列')meany=mean(z);subplot(3,2,3),plot(t,meany,'.');title('随机信号均值')vary=var(y); %方差subplot(3,2,4),plot(t,vary,'.');title('随机信号方差')cory=xcorr(z,'unbiased');%自相关函数subplot(3,2,2),plot(cory);title('随机信号自相关函数')covv=cov(y);subplot(3,2,5),plot(t,covv,'.');title('随机信号协方差')（2）：t=[0:0.0005:0.045];X1=sin(2*pi*25*t);%正弦subplot(3,4,1);plot(t,X1);gridtitle('正弦函数序列');X2=randn(1,length(t)); %产生均值为0，方差σ^2=1，标准差σ=1的正态分布的随机数或矩阵的函数高斯随机信号%X2=normrnd(2,0.04); %高斯随机序列均值,标准差subplot(3,4,2);plot(t,X2);title('高斯噪声序列');X=X1+X2; %混合随机信号X(t)subplot(3,4,3);plot(t,X);gridtitle('混合随机信号');meany1=mean(X1); %原信号的均值subplot(3,4,6),plot(t,meany1);title('原信号均值');vary1=var(X1); %原信号的方差subplot(3,4,7),plot(t,vary1);title('原信号方差');cory1=xcorr(X1,'unbiased'); %原信号的自相关函数subplot(3,4,8),plot(cory1);title('原信号自相关函数');meany=mean(X); %混合信号的均值subplot(3,4,10),plot(t,meany);title('混合信号均值');vary=var(X); %混合信号的方差subplot(3,4,11),plot(t,vary);title('混合信号方差')cory=xcorr(X,'unbiased'); %混合信号的自相关函数subplot(3,4,12),plot(cory);title('混合信号自相关函数')covy=cov(X1,X); %协方差subplot(3,4,4),plot(covy);title('协方差');[f1,xi]=ksdensity(X1); %原信号的概率密度subplot(3,4,5);plot(xi,f1);title('原信号的概率密度分布)');[f2,xi]=ksdensity(X); %混合信号的概率密度subplot(3,4,9);plot(xi,f2);title('混合信号概率密度分布');（3）：clcclear allclose allA = imread('dadian.jpg'); % 读入图像V=0.01;Noisy=imnoise(A,'gaussian',0,V);subplot(1,2,1),imshow(A),title('原图像');subplot(1,2,2),imshow(Noisy),title('加噪后图像'); （4）：clcclear allclose allt=0:320;A = wavread('alert.wav'); % 读入音频x = double(A);y=awgn(x,2,0.04);%x1 = double(z);%y=x+x1;subplot(2,3,1),plot(y);title('随机信号序列')meany=mean(y);subplot(2,3,2),plot(t,meany,'.');title('随机信号均值')vary=var(y); %方差subplot(2,3,3),plot(t,vary,'.');title('随机信号方差')cory=xcorr(y,'unbiased');%自相关函数subplot(2,3,4),plot(cory);title('随机信号自相关函数')fy=fft(y);ym=abs(fy);subplot(2,3,5),plot(ym);title('随机信号频谱图')fz=fft(cory);zm=abs(fz);subplot(2,3,6),plot(zm);title('随机信号功率谱密度图')5. 实验总结（手写）可给出实验过程中遇到的问题、解决方法、自己的收获、可否有改进办法等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、实验名称微弱信号的检测提取及分析方法二、实验目的1．了解随机信号分析理论如何在实践中应用2．了解随机信号自身的特性，包括均值、方差、相关函数、频谱及功率谱密度等3．掌握随机信号的检测及分析方法三、实验原理1．随机信号的分析方法在信号与系统中，我们把信号分为确知信号和随机信号。
其中随机信号无确定的变化规律，需要用统计特新进行分析。
这里我们引入随机过程的概念，所谓随机过程就是随机变量的集合，每个随机变量都是随机过程的一个取样序列。
随机过程的统计特性一般采用随机过程的分布函数和概率密度来描述，他们能够对随机过程作完整的描述。
但由于在实践中难以求得，在工程技术中，一般采用描述随机过程的主要平均统计特性的几个函数，包括均值、方差、相关函数、频谱及功率谱密度等来描述它们。
本实验中算法都是一种估算法，条件是N要足够大。
2．微弱随机信号的检测及提取方法因为噪声总会影响信号检测的结果，所以信号检测是信号处理的重要内容之一，低信噪比下的信号检测是目前检测领域的热点，而强噪声背景下的微弱信号提取又是信号检测的难点。
噪声主要来自于检测系统本身的电子电路和系统外空间高频电磁场干扰等，通常从以下两种不同途径来解决①降低系统的噪声，使被测信号功率大于噪声功率。
②采用相关接受技术，可以保证在信号功率小于噪声功率的情况下，人能检测出信号。
对微弱信号的检测与提取有很多方法，常用的方法有：自相关检测法、多重自相法、双谱估计理论及算法、时域方法、小波算法等。
对微弱信号检测与提取有很多方法，本实验采用多重自相关法。
多重自相关法是在传统自相关检测法的基础上，对信号的自相关函数再多次做自相关。
即令：式中，是和的叠加；是和的叠加。
对比两式，尽管两者信号的幅度和相位不同，但频率却没有变化。
信号经过相关运算后增加了信噪比，但其改变程度是有限的，因而限制了检测微弱信号的能力。
多重相关法将当作x（t），重复自相关函数检测方法步骤，自相关的次数越多，信噪比提高的越多，因此可检测出强噪声中的微弱信号。
混合信号 去噪信号四、实验任务及要求实验的目的是了解怎样用随机信号分析理论去检测和提取强噪声下的微弱信号。
实验任务是利用matlab 或C 语言编程实现： ○1 白噪声信号的检测与分析。
○2 色噪声信号的检测与分析。
○3 混合信号（白噪声加微弱周期信号）的检测提取与分析。
五、实验步骤及分析本实验是利用matlab 语言编程实现1、实验方案原信号2、实验步骤与分析任务一：白噪声的检测与分析白噪声信号是一个均值为零的随机过程，任一时刻是均值为零的随机变量。
而服从高斯分布的白噪声即称为高斯白噪声。
如图所示为高斯白噪声的波形及其自相关函数波形：可以看出，高斯白噪声具有随机性及不相关（其自相关函数在t=0处为一冲激，即为该随机过程的平均功率）。
自相关 自相关A/D采 样低通滤波（去除高频噪声） 信号提取算法 统计特性算法 显示 图形由下图可以看出高斯白噪声的均值为0，方差为1，服从高斯分布。
如下图为高斯白噪声的的频率谱密度及功率谱密度：由于matlab中采用近似估算法，其功率谱密度不为理想的在整个频谱内为一常数，但大致在2到4之间波动，可近似为一常数。
附：任务一程序如下%实验任务一figure(1);t=0:0.0001:1;y=randn(size(t)); %产生高斯白噪声subplot(2,1,1),plot(y),axis([0 1000 -5 5]),grid on;title('高斯白噪声')[Xa,Xb]=xcorr(y,'unbiased')subplot(2,1,2),plot(Xb,Xa),title('白噪声自相关函数'),grid on;%求自相关函数figure(2);M=mean(y);subplot(2,1,1),plot(t,M),title('白噪声均值'), axis([0 1 -1 1]),grid on; %求均值R=sum(y.*conj(y))/length(y); %求均方值V=var(y); %求方差subplot(2,1,2),plot(t,V),title('白噪声方差'), axis([0 1 0 2]),grid on;figure(3);x=fft(y,1024); %求频谱f=(0:length(x)-1)'*1024/length(x) ;m=abs(x);subplot(2,1,1),plot(f,m),axis([0 1000 0 150]),grid on;title('白噪声频谱')f1=(0:1023)*10000/1024;p=x.*conj(x)/1024; %求平均功率谱密度subplot(2,1,2),plot(f1,p(1:1024)),title('白噪声平均功率谱密度'),grid on;任务二：色噪声的检测与分析噪声是一个随机过程，而随机过程有其功率谱密度函数，功率谱密度函数的形状则决定了噪声的“颜色”。
白噪声其功率谱密度函数在整个实数范围内为一常数，色噪声的功率谱密度函数则不为常数。
实验中我们用高斯白噪声加上函数3t得到色噪声函数模型。
如下图为色噪声波形及其自相关函数波形：与高四白噪声相比，可以看出其两者具有明显不同。
其自相关函数不再为零，在t=0处仍有一冲激，为其中高斯白噪声的平均功率。
由下图可以看出，色噪声均值不再为0，方差也不再为1。
如下图色噪声频谱和平均功率谱密度，与高斯白噪声相比，其功率谱密度在频谱范围内不再近似为一常数。
附：任务二程序如下%实验任务二figure(1);t=0:0.001:1x=3*t+randn(size(t)); %产生色噪声subplot(2,1,1),plot(t,x),title('色噪声波形'),grid on;ylabel('Input \itx'),xlabel('Time')[Xa,Xb]=xcorr(x,'unbiased') %求自相关函数subplot(2,1,2),plot(Xb,Xa),title('色噪声自相关函数'),grid on;M=mean(x) %求均值figure(2);subplot(2,1,1),plot(t,M),title('色噪声均值'),grid on;V=var(x) %求方差subplot(2,1,2),plot(t,V),title('色噪声方差'),grid on;figure(3)y=fft(x,1024) %求频谱m=abs(y);f=(0:length(y)-1)'*1024/length(y) ;subplot(2,1,1),plot(f,m),title('色噪声频谱'),axis([0 1000 0 150]),grid on;f1=(0:1023)*1000/1024;p=y.*conj(y)/1024; %求平均功率谱密度subplot(2,1,2),plot(f1,p(1:1024)),axis([0 1000 0 10]),grid on,title('色噪声平均功率谱密度');任务三：混合信号的检测提取与分析实验中我们采用了幅度为1，频率为25H Z的正弦信号为原信号，在其中加入了信噪比为-10dB的高斯白噪声的到混合信号（两者波形如下图所示）。
可以看出，原正弦信号全淹没在了噪声当中。
下图为原信号与混合信号均值、方差、平均功率谱密度的对比：通过下图原信号与混合信号频谱的对比我们可以看出，原微弱信号的频率在25Hz，提取的第一不便是用一低通滤波器滤除25Hz以上的高频噪声。
方法一：调用matlab中的buttord低通滤波器，混合信号通过次低通滤波器后得如下1图波形，可见高频噪声已被滤除。
方法二：原信号直接两重自相关得如下2图波形，可见信噪比得到大幅度提高。
方法1：低通+两重自相关提取出信号波形如下图1所示方法2：两重自相关+低通提取出信号波形如下图2所示比较得，两种方法提取信号的信号一致，只是幅度衰减稍有不同。
下图为提取出信号的均值、方差、频谱及功率谱密度：附：任务三程序如下%实验任务三t=0:0.001:1;x1=sin(pi*50*t); %原信号x=awgn(x1,-10); %产生混合信号y1=fft(x1,1024) %求原信号频谱a1=abs(y1);f1=(0:length(y1)-1)'*1024/length(y1);p2=y1.*conj(y1)/1024 %求原信号平均功率谱密度f2=(0:length(y1)-1)*1000/length(y1);y=fft(x,1024) %求混合信号频谱a=abs(y);f=(0:length(y)-1)'*1024/length(y);p3=y.*conj(y)/1024 %求混合信号平均功率谱密度f3=(0:length(y)-1)*1000/length(y);m1=mean(x1) %求原信号均值m=mean(x) %求混合信号均值v1=var(x1) %求原信号方差v=var(x) %求混合信号方差X1=xcorr(x,'unbiased') %混合信号两次自相关X1=xcorr(X1,'unbiased')[n,Wn]=buttord(30/500,45/500,3,10);[k,l] = butter(n,Wn); %低通滤波器Y=filter(k,l,x); %混合信号通过低通滤波器Y1=filter(k,l,X1) %原信号两次自相关通过低通滤波器提取信号X=xcorr(Y,'unbiased') %两次自相关提取信号X=xcorr(X,'unbiased')M=mean(X); %求提取信号均值V=var(X); %求提取信号方差XF=fft(X,1024) %求提取信号频谱A=abs(XF);F=(0:length(XF)-1)'*1024/length(XF);XP=XF.*conj(XF)/1024 %求提取信号平均功率谱密度F1=(0:length(XF)-1)*1000/length(XF);figure(1)subplot(2,3,1),plot(t,m1),grid on;title('原信号均值')subplot(2,3,2),plot(t,v1),grid on;title('原信号方差')subplot(2,3,3),plot(f2,p2),grid on;title('原信号平均功率谱密度')subplot(2,3,4),plot(t,m),grid on;title('混合信号均值')subplot(2,3,5),plot(t,v),grid on;title('混合信号方差')subplot(2,3,6),plot(f3,p3),grid on;title('混合信号平均功率谱密度')figure(2)subplot(2,1,1),plot(t,x1),grid on;title('原信号波形')subplot(2,1,2),plot(t,x),axis([0 1 -10 10]),grid on;title('混合信号波形')figure(3)subplot(2,1,1),plot(f1,a1),axis([0 1050 0 400]),grid on; title('原信号频谱')subplot(2,1,2),plot(f,a),axis([0 1050 0 400]),grid on;title('混合信号频谱')figure(4)subplot(2,1,1),plot(t,Y),grid on;title('混合信号通过低通滤波器波形')subplot(2,1,2),plot(X1),axis([1400 1700 -0.2 0.2]),grid on; title('原信号两次自相关波形')figure(5)subplot(2,1,1),plot(X),axis([1400 1700 -0.2 0.2]),grid on; title('低通+两重自相关提取信号波形')subplot(2,1,2),plot(Y1),axis([1400 1700 -0.2 0.2]),grid on; title('两重自相关+低通提取信号波形')figure(6)subplot(2,2,1),plot(t,M),grid on;title('提取信号均值')subplot(2,2,2),plot(t,V),grid on;title('提取信号方差')subplot(2,2,3),plot(F,A),axis([0 1050 0 20]),grid on;title('提取信号频谱')subplot(2,2,4),plot(F1,XP),grid on;title('提取信号功率谱密度')六、实验中遇到的问题及解决方法本次实验中，遇到了许许多多问题，有编程运行的各种问题，有对随机信号各种特性描述的实际意义及它们之间的存在的关系等等。