白噪声的测试MATLAB程序
matlab白噪声代码
matlab白噪声代码
白噪声是一种具有均匀能量分布的随机信号，其频率分布在所有频率上都是相等的。
在 Matlab 中，可以通过以下代码生成白噪声信号：
```matlab
Fs = 1000; % 采样率
t = 0:1/Fs:1-1/Fs; % 时间向量
N = length(t); % 信号长度
x = randn(1,N); % 产生随机信号
```
上述代码中，Fs 为采样率，t 为时间向量，N 为信号长度，x 为随机信号。
使用 randn 函数可以产生均值为 0、方差为 1 的高斯白噪声信号。
如果需要产生其它均值和方差的白噪声信号，可以通过以下代码实现：
```matlab
mu = 2; % 均值
sigma = 0.5; % 方差
x = mu + sigma*randn(1,N); % 产生随机信号
```
上述代码中，mu 和 sigma 分别为均值和方差，使用 mu + sigma*randn 函数可以产生均值为 mu、方差为 sigma 的高斯白噪声信号。
（三十三）MATLAB如何生成实高斯白噪声、复高斯白噪声
（三⼗三）MATLAB如何⽣成实⾼斯⽩噪声、复⾼斯⽩噪声
什么是⾼斯⽩噪声
如果⼀个噪声，它的幅值服从，⽽它的⼜是均匀分布的，则称它为⾼斯⽩噪声.
以下参考⽹址：
1. 实⾼斯随机变量
2. 实⾼斯随机向量
3. 复⾼斯随机向量
3. 复⾼斯随机变量
以下参考⽹址：
参考资料：复⾼斯随机变量
Reyleigh 分布特性维基百科：
chi-squared分布特性维基百科：
gamma分布特性维基百科：
MATLAB如何根据给定的SNR、Es/N0或Eb/N0，⽣成实⾼斯⽩噪声参考资料：20210326PPT
1.SNR、Es/N0和Eb/N0之间的数学关系
2. Simulaitons
给定Es/N0=x——>N0=Es/x——>sigma^2=N0/2=Es/2x
给定Eb/N0=x——>N0=Es/kx——>sigma^2=N0/2=Es/2kx
3. Simulaitons of coded systems
给定Es/N0=x——>N0=Es/x——>sigma^2=N0/2=Es/2x
给定Eb/N0=x——>N0=Es/kRx——>sigma^2=N0/2=Es/2kRx
注：
(1) 这⾥的R指的是码率;
(2) 若 sigma^2=N0/2，这⾥的N0指的是单边功率谱密度，这⾥的N0/2指的是双边功率谱密度；
4. MATLAB实现代码
n=normrnd(0,sqrt(sigma^2),[1,N])
或
n=sqrt(sigma^2).*randn(1,N)
MATLAB如何⽣成复⾼斯⽩噪声
参考⽹址1：。
高斯白噪声 matlab
高斯白噪声matlab摘要：1.高斯白噪声的定义和特性2.MATLAB 中生成高斯白噪声的方法3.高斯白噪声在各个领域的应用正文：1.高斯白噪声的定义和特性高斯白噪声（Gaussian White Noise）是一种在各个频率上具有相同能量分布的随机信号，它是信号处理领域中常见的一种噪声模型。
高斯白噪声具有以下特性：- 它的概率密度函数服从正态分布（高斯分布），即均值为0，方差为常数σ的正态分布。
- 在各个频率上的能量分布是均匀的，即具有平坦的功率谱。
- 高斯白噪声是各态历经（ergodic）的，这意味着在一个长时间内，信号的任何一段样本都是可能出现的。
2.MATLAB 中生成高斯白噪声的方法在MATLAB 中，可以使用内置函数`wgn`来生成高斯白噪声。
以下是一个简单的示例：```matlab% 指定信号的长度= 1000;% 生成高斯白噪声oise = wgn(n, 1);% 显示噪声信号figure;plot(noise);title("高斯白噪声示例");```其中，`wgn`函数的第一个参数`n`表示信号的长度，第二个参数`1`表示信号的均值为1。
需要注意的是，`wgn`函数生成的高斯白噪声是在均值为0，标准差为1 的条件下生成的，因此在实际应用中，可能需要根据需要对信号进行缩放。
3.高斯白噪声在各个领域的应用高斯白噪声在许多领域都有广泛的应用，包括通信、信号处理、图像处理等。
例如，在通信系统中，高斯白噪声常常被用作信道噪声的模型，以研究信道对信号传输性能的影响；在图像处理中，高斯白噪声可以作为随机噪声加入到图像中，以生成具有自然随机纹理的效果。
MATLAB环境下的正弦信号及高斯白噪声仿真程序说明
MATLAB 环境下的正弦信号及高斯白噪声仿真程序说明一、信号的产生及时域观察1、设定正选信号的频率为10HZ ，抽样频率为100HZ ；2、设定N(0,0.25)高斯白噪声，及噪声功率为0.25W ；3、最后将噪声叠加到正弦信号上，观察其三者时域波形。
二、信号频谱及白噪声功率谱的求解与观察1、对原正弦信号直接进行FFT ，得出其频谱；2、求白噪声的自相关函数，随机序列自相关函数的无偏估计公式为：1^01()()()N m xx n r m x n x n m N m --==+-∑ 01m N ≤≤- ^^()()xx xx r m r m =- 01m N <<-对所求自相关函数进行FFT 变换，求的白噪声的功率谱函数。
源程序：1.产生正弦信号fs=100;fc=10;x=(0:1/fs:2);n=201;y1=sin(2*pi*fc*x); %原正弦信号，频率为10a=0;b=0.5; %均值为a ，方差为b^2subplot(2,2,1);plot(x,y1,'r');title('y=sin(20pi*x)');ylabel('y');xlabel('x/20pi');grid;2.产生高斯白噪声y2=a+b*randn(1,n); %高斯白噪声subplot(2,2,2);plot(x,y2,'r');title('N(0，0.25)的高斯白噪声');ylabel('y');xlabel('x/20pi');grid;3.复合信号y=y1+y2; %加入噪声之后的信号subplot(2,2,3);plot(x,y,'r');title('混合信号');ylabel('y');xlabel('x/20pi');grid;4.复合信号功率谱密度%求复合信号的自相关函数m=50;i=-0.49:1/fs:0.49;for j=1:mR(j)=sum(y(1:n-j-1).*y(j:199),2)/(n-j);%无偏自相关函数的估计Rx(49+j)=R(j);Rx(51-j)=R(j);endFy2=fft(Rx); %傅里叶变换得出复合信号功率谱函数Fy21=fftshift(Fy2); %功率谱校正f=(0:98)*fs/99-fs/2;subplot(2,2,4);plot(f,abs(Fy21),'r');axis([-50 50 -0.5 1]);title('复合信号功率谱函数图');ylabel('F(Rx)');xlabel('w');grid;。
高斯白噪声的matlab实现
通信系统建模与仿真实验一、高斯白噪声的matlab实现要求：样本点：100 1000标准差：0.2 2 10均值：0 0.2白噪声如果噪声的功率谱密度在所有的频率上均为一常数，即P n(f)f(八 f ：),(W/HZ)式中：n0为常数，责成该噪声为白噪声，用n(t)表示。
高斯白噪声的matlab实现1样本点为1000、均值为0、标准差为0.2时，高斯白噪声分布为下图所示:程序如下所示：% White backgro und noisclear all f = 1:1:1000;for i = 1:le ngth(f)K = (0.2) * randn(1,1) - 0;P(i) = 10.A(K - 3.95*(10人-5)*慣))；A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft));plot(ti,realx2)程序如下所示：% White backgro und noisclear all f = 1:1:1000;for i = 1:le ngth(f)K = (2) * randn(1,1) - 0;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft)); plot(ti,realx2)II ■■H I I I I ■■D n.1 02 03 0.4 0.5 DG 07 D.S D.9程序如下所示：% White backgro und noisclear allf = 1:1:1000;for i = 1:le ngth(f)K = (10) * randn (1,1) - 0;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft));plot(ti,realx2)程序如下所示：% White backgro und noisclear all f = 1:1:1000;for i = 1:le ngth(f)K = (0.2) * randn(1,1) - 10;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft)); plot(ti,realx2)程序如下所示：% White backgro und noisclear all f = 1:1:1000;for i = 1:le ngth(f)K = (2) * randn(1,1) - 10;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft)); plot(ti,realx2)X 1Q13程序如下所示：% White backgro und noisclear allf = 1:1:1000;for i = 1:le ngth(f)K = (10) * randn (1,1) - 10;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft)); plot(ti,realx2)A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft));plot(ti,realx2)程序如下所示：% White backgro und noisclear all f = 1:1:100;for i = 1:le ngth(f)K = (0.2) * randn(1,1) - 0;P(i) = 10.A (K - 3.95*(10A-5)*f(i));8•样本点为100、均值为0、标准差为2时，高斯白噪声分布为下图所示:程序如下所示：% White backgro und noisclear all f = 1:1:100;for i = 1:le ngth(f)K = (2) * randn(1,1) - 0;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft));plot(ti,realx2)9. 样本点为100、均值为0、标准差为10时，高斯白噪声分布为下图所示:程序如下所示：% White backgro und noisclear all f = 1:1:100;for i = 1:le ngth(f)K = (10) * randn (1,1) - 0;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft));plot(ti,realx2)程序如下所示：% White backgro und noisclear all f = 1:1:100;for i = 1:le ngth(f)K = (0.2) * randn(1,1) - 10;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft)); plot(ti,realx2)程序如下所示：% White backgro und noisclear allf = 1:1:100;for i = 1:le ngth(f)K = (2) * randn(1,1) - 10;P(i) = 10.A(K - 3.95*(10A-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft)); plot(ti,realx2)A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:le ngth(xifft)-1]/1000;realx2(1:le ngth(xifft)-1) = realx(2:le ngth(xifft));plot(ti,realx2)程序如下所示：% White backgro und noisclear all f = 1:1:100;for i = 1:le ngth(f)K = (10) * randn (1,1) - 10;P(i) = 10.A (K - 3.95*(10A-5)*f(i));。
Matlab中rand、randn、randi、rands的区别以及用randn生成白噪声的示例
Matlab中rand、randn、randi、rands的区别以及⽤randn⽣成⽩噪声的⽰例2020-05-30 20:42:05Matlab中⽣成随机数的函数有多个：rand、randn、randi、rands，其简要说明和区别如下：rand(m,n) ：在 ( 0~1 ) 内⽣成m⾏n列均匀分布的伪随机数矩阵；randn (m,n) ：⽣成m⾏n列标准正态分布 ( 均值为0，⽅差为1 ) 的伪随机数矩阵；rands(m,n) ：在 ( -1~1 ) 内⽣成m⾏n列均匀分布的伪随机数；randi( [min,max] , m , n) ：在 [min,max] 内⽣成m⾏n列的均匀分布的随机整数矩阵；下⾯重点讨论randn函数：randn⽤法详细说明：x = randn——返回⼀个伪随机数x，其值来⾃于均值为0，标准差为1的正态分布；x = randn(n)——返回⼀个n x n的矩阵，其元素值来⾃于均值为0，标准差为1的正态分布；x = rand( m ,n ) 或 x = x = rand( [m ,n] )，——返回⼀个 m x n的矩阵，其元素值来⾃于均值为0，标准差为1的正态分布。
在⾳频算法测试中，常常要⽤到⽩噪声(例如给纯净⾳频叠加⽩噪声等)，由于⽩噪声的定义和特性：⽩噪声⼀种功率谱密度为常数的随机信号，换⾔之，⽩噪声在各个频段上的功率相等(若不满⾜以上条件，则不是⽩噪声，⽽被称为“有⾊噪声”)，因此，由于⽩噪声的功率谱是正态分布的，所以要⽤randn来⽣成⽩噪声，Matlab中⽣成幅值为0~1的⽩噪声的代码如下：1 noise_white=randn(1,wav_len); % ⽣成长度为wav_len的⽩噪声，满⾜正态分布;2 noise_white=noise_white/max(abs(noise_white)); % ⽩噪声信号幅度归⼀化，此处⽩噪声幅值范围：0~1;。
白噪声(matlab)
均匀分布的白噪声信号u(n),画出其波形，并检验其分布情况%-----------------------------------------------------------------% To test rand.m and to generate the white noise signal u(n)% with uniform distribution% 产生均匀分布的随机白噪信号,并观察数据分布的直方图%-----------------------------------------------------------------clear;N=50000;u=rand(1,N);u_mean=mean(u)power_u=var(u)subplot(211)plot(u(1:100));grid on;ylabel('u(n)')xlabel('n')subplot(212)hist(u,50);grid on;ylabel('histogram of u(n)')思考：如何产生一均匀分布、均值为0，功率为0.01的白噪声信号u(n)提示：u （n ）~[a ，b]上均匀分布，E （u ）= (a+b)/2, 12/)()(2a b u -=σ% to generate the white noise signal u(n) with uniform distribution% and power p;% 产生均匀分布的白噪信号，使均值为0，功率为p%-----------------------------------------------------------------clear;p=0.01;N=50000;u=rand(1,N);u=u-mean(u);a=sqrt(12*p);u1=u*a;power_u1=dot(u1,u1)/Nsubplot(211)plot(u1(1:200));grid on;ylabel('u(n)')xlabel('n')example2: 产生零均值功率0.1且服从高斯分布的白噪声%-----------------------------------------------------------------% to test randn.m and to generate the white noise signal u(n)% with Gaussian distribution and power p% 产生高斯分布的白噪信号，使功率为p，并观察数据分布的直方图%-----------------------------------------------------------------clear;p=0.1;N=500000;u=randn(1,N);a=sqrt(p)u=u*a;power_u=var(u)subplot(211)plot(u(1:200));grid on;ylabel('u(n)');xlabel('n')subplot(212)hist(u,50);grid on;ylabel('histogram of u(n)');example3: sinc信号%-----------------------------------------------------------------% to generate the sinc function.% 产生一sinc 函数；%-----------------------------------------------------------------clear;n=200;stept=4*pi/n;t=-2*pi:stept:2*pi;y=sinc(t);plot(t,y,t,zeros(size(t)));ylabel('sinc(t)');xlabel('t=-2*pi~2*pi');grid on;example4: chirp信号%-----------------------------------------------------------------% to test chirp.m and to generate the chirp signal x(t)% 产生一chirp 信号；% chirp(T0,F0,T1,F1):% T0: 信号的开始时间；F0:信号在T0时的瞬时频率，单位为Hz；% T1: 信号的结束时间；F1:信号在T1时的瞬时频率，单位为Hz；%-----------------------------------------------------------------clear;t=0:0.001:1;x=chirp(t,0,1,125);plot(t,x);ylabel('x(t)')xlabel('t')%-------------------------------------------------------------------------% to test specgram.m ：估计信号谱图（SFFT）%specgram（x，Nfft，Fs，window，Noverlap）%x-信号；Fs抽样频率（2），Nfft做FFT长度（256）, window窗函数（Hanning）%Noverlap：估计功率谱时每一段叠合长度（0）%-------------------------------------------------------------------------clear;t=0:0.001:1.024-.001;N=1024;% 得到两个Chirp 信号，并相加；y1=chirp(t,0,1,350);y2=chirp(t,350,1,0);y=y1+y2;subplot(211);plot(t,y1);ylabel(' Chirp signal y1')% 求两个Chirp 信号和的短时傅里叶变换；[S,F,T]=specgram(y,127,1,hanning(127),126);subplot(212);surf(T/1000,F,abs(S).^2)view(-80,30);shading flat;colormap(cool);xlabel('Time')ylabel('Frequency')zlabel('spectrogram')还有diric信号（周期SINC）gauspuls(高斯信号)pulstran(脉冲串信号)tripuls三角波脉冲信号example5:线性卷积%-----------------------------------------------------------------% to test conv.m% 计算两个序列的线性卷积；%-----------------------------------------------------------------clear;N=5;M=6;L=N+M-1;x=[1,2,3,4,5];h=[6,2,3,6,4,2];y=conv(x,h);nx=0:N-1;nh=0:M-1;ny=0:L-1;subplot(231);stem(nx,x,'.k');xlabel('n');ylabel('x(n)');grid on;subplot(232);stem(nh,h,'.k');xlabel('n');ylabel('h(n)');grid on;subplot(233);stem(ny,y,'.k');xlabel('n');ylabel('y(n)');grid on;思考：设信号x(n)由正弦信号加均值为0白噪声所组成，正弦信号幅度为1，白噪声方差为1 SNR = 10LG(PS/PU) = -3dB,试分析信号；%-----------------------------------------------------------------% to test xcorr.m% 求两个序列的互相关函数，或一个序列的自相关函数；%-----------------------------------------------------------------clear;N=500;p1=1;p2=0.1;f=1/8;Mlag=50;u=randn(1,N);n=[0:N-1];s=sin(2*pi*f*n);% 混有高斯白噪的正弦信号的自相关u1=u*sqrt(p1);x1=u1(1:N)+s;rx1=xcorr(x1,Mlag,'biased');subplot(221);plot(x1(1:Mlag));xlabel('n');ylabel('x1(n)');grid on;subplot(223);plot((-Mlag:Mlag),rx1);grid on;xlabel('m');ylabel('rx1(m)');% 高斯白噪功率由原来的p1减少为p2，再观察混合信号的自相关u2=u*sqrt(p2);x2=u2(1:N)+s;rx2=xcorr(x2,Mlag,'biased');subplot(222);plot(x2(1:Mlag));xlabel('n');ylabel('x2(n)');grid on;subplot(224);plot((-Mlag:Mlag),rx2);grid on;xlabel('m');ylabel('rx2(m)');用乘同余法产生(见光盘FLch2bzsheg2.m)①编程如下：A=6; x0=1; M=255; f=2; N=100；%初始化；x0=1; M=255;for k=1: N %乘同余法递推100次；x2=A*x0; %分别用x2和x0表示x i+1和x i-1；x1=mod (x2,M); %取x2存储器的数除以M的余数放x1（x i）中；v1=x1/256; %将x1存储器中的数除以256得到小于1的随机数放v1中；）减去0.5再乘以存储器f中的系数，存放在v(:,k)=(v1-0.5 )*f; %将v1中的数（i矩阵存储器v的第k列中，v(:,k)表示行不变、列随递推循环次数变化；x0=x1; % x i-1= x i；v0=v1;end %递推100次结束；v2=v %该语句后无‘；’，实现矩阵存储器v中随机数放在v2中，且可直接显示在MATLAB的window中；k1=k;%grapher %以下是绘图程序；k=1:k1;plot(k,v,k,v,'r');xlabel('k'), ylabel('v');tktle(' (-1,+1)均匀分布的白噪声')②程序运行结果如图2.6所示。
（1）MATLAB中白噪声的WGN和AWGN函数的使用
（1）MATLAB中白噪声的WGN和AWGN函数的使用MATLAB中白噪声的WGN和AWGN函数的使用如下：MATLAB中产生高斯白噪声非常方便，可以直接应用两个函数，一个是WGN，另一个是AWGN。
WGN用于产生高斯白噪声，AWGN则用于在某一信号中加入高斯白噪声。
1. WGN：产生高斯白噪声y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。
y = wgn(m,n,p,imp) 以欧姆(Ohm)为单位指定负载阻抗。
y = wgn(m,n,p,imp,state) 重置RANDN的状态。
在数值变量后还可附加一些标志性参数：y = wgn(…,POWERTYPE) 指定p的单位。
POWERTYPE可以是'dBW', 'dBm'或'linear'。
线性强度(linear power)以瓦特(Watt)为单位。
y = wgn(…,OUTPUTTYPE) 指定输出类型。
OUTPUTTYPE可以是'real'或'complex'。
2. AWGN：在某一信号中加入高斯白噪声y = awgn(x,SNR) 在信号x中加入高斯白噪声。
信噪比SNR以dB为单位。
x的强度假定为0dBW。
如果x是复数，就加入复噪声。
y = awgn(x,SNR,SIGPOWER) 如果SIGPOWER是数值，则其代表以dBW为单位的信号强度；如果SIGPOWER为'measured'，则函数将在加入噪声之前测定信号强度。
y = awgn(x,SNR,SIGPOWER,STATE) 重置RANDN的状态。
y = awgn(…,POWERTYPE) 指定SNR和SIGPOWER的单位。
POWERTYPE可以是'dB'或'linear'。
如果POWERTYPE是'dB'，那么SNR以dB为单位，而SIGPOWER以dBW为单位。
用matlab仿真余弦信号与白噪声
(3)功率谱密度仿真方法：自相关函数法，又称间接法， 随机信号 x(n)的相关函数是在时间域内描述随机过程的重要特征。
自相关函数是随机信号在不同时刻的值之间的依赖性的量度，是一个很有用的统计平均量。
在随机信号处理中，自相关函数可以用来检测淹没在随机噪声干扰中的信号，随机信号的自功率谱等于它的自相关函数的傅里叶变换。
因此，通过自相关估计可求得信号的功率谱。
利用计算机计算自相关估值有两种方法。
一种是直接方法，先计算出随机信号和它的滞后序列的乘积，再取其平均值即得相关函数的估计值。
另一种是间接方法，先用快速变换算法计算随机序列的功率谱密度，再作反变换计算出相关函数。
本题则采用自相关函数法。
()(),||1Mjw jwm N m M S e R m e M N -=-=<=-∑这个实验是对白噪声与带限白噪声进行对比，其中带限白噪声 的产生是由于白噪声通过滤波器产生的，而本实验采用的是IIR 滤波器。
IIR 滤波器有如下特点：单位冲击响应h(n)是无限长的。
系统函数H （z ）在有限Z 平面（1<|z|<∞）上有极点存在。
结构上存在着输出到输入的反馈，也就是结构递归型的。
因果稳定的IIR 滤波器全波极点一定在单位圆内。
一个IIR 滤波器的有理系统函数为：01()()/(1)()/()M Nk k k k k k H z b za z Y z X z --===-=∑∑clear all;randn('state',0)NFFT=1024; %采样点数Fs=1000; %取样频率（单位为Hz ） t=0:1/Fs:.2;y1=cos(t*20*pi); %余弦序列 figure(1)plot(t,y1);ylabel('余弦序列');grid on;%余弦序列的图像：%白噪声m=(0:NFFT-1)/Fs;y=0.1*randn(size(m)); %产生高斯白噪声。
matlab白噪声函数
matlab白噪声函数
在线性系统设计及信号处理领域，白噪声是经常被使用的一种信号。
它具有完全均匀的频谱，因此有不同的特性。
Matlab具有专门用来生成白噪声信号的函数。
白噪声信号生成函数为wgn，它的参数有三个：
Power：定义着白噪声信号的功率大小，该参数是必需的。
Size：描述输出信号的尺寸，可以是1*1，1*N，N*1，M*N等不同形式，参数默认值为1*1，即单一的白噪声信号。
Seed：用于设置随机种子的参数，不输入会自动使用默认种子。
如果每次运行生成的白噪声信号不变，可以设置不同的种子。
例如可以使用以下Matlab命令来生成1*128的负载的-30dB的信号：
x = wgn(1, 128,-30);
另外，用户可以使用两个特殊的函数来生成具有正态分布的均匀能量的白噪声，这两个函数分别是randn和rand. randn函数是生成标准正态分布均匀能量白噪声，它的参数有2个：Size和Seed。
而rand函数则可以生成具有指定均值和方差的正态分布白噪声，它的第一个参数是Size，第二个参数为Seed，第三个参数为均值，第四个参数为方差。
下面是生成具有不同均值和方差的白噪声的Matlab代码：
% Generate Gaussian noise with mean 0, var 1
x1 = randn(1, 128);
% Generate gaussian noise with mean 2, var 4
x2 = randn(1, 128, 2, 4);。
Matlab高级教程_第四篇：白噪声的MATALB生成方式
Matlab⾼级教程_第四篇：⽩噪声的MATALB⽣成⽅式
1. ⽩噪声主要是⾼斯⽩噪声。
2. 为什么是⾼斯⽩噪声？
⾼斯⽩噪声：1）这个噪声它是⼀个随机信号。
2）“⽩”是指其功率谱的常数，这样他的⾃相关函数是狄拉克函数（冲激函数），由于它的⾃相关函数是冲激函数，这说明信号只与它⾃⼰相关，它的时延信号就相关，也可以形象地说这种信号是“翻脸不认⼈”；功率谱是常数，⼈们形象的⽤⽩⾊光包含七彩光来⽐喻，这种频谱⼜称为“⽩谱”。
3）“⾼斯”是指这个噪声信号的信号波形中幅度⼤⼩的分布满⾜⾼斯分布。
另外⾼斯分布的熵最⼤。
clear;clc;
temp = []
temptemp = []
%--------------------------------
for i = 1:length(temp)
y=randn(500,1)
y=y/std(y)
y=y-mean(y)
a=0
b=sqrt(3)
t1 = temp(i) + b*y
t2 = temp(i) - b*y
temptemp(i,1) = ( max(t1) )
temptemp(i,2) = ( min(t2) )
clear y a b t1 t2
end。
白噪声的测试MATLAB程序
白噪声的测试MATLAB程序学术篇 2009-11-13 22:18:03 阅读232 评论0 字号：大中小订阅clear; clc;%生成各种分布的随机数x1=unifrnd(-1,1,1,1024);%生成长度为1024的均匀分布x2=normrnd(0,1,1,1024);%生成长度为1024的正态分布x3=exprnd(1,1,1024);%生成长度为1024的指数分布均值为零x4=raylrnd(1,1,1024);%生成长度为1024的瑞利分布x5=chi2rnd(1,1,1024);%生成长度为1024的kaifang分布%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%求各种分布的均值m1=mean(x1),m2=mean(x2),m3=mean(x3),m4=mean(x4),m5=mean(x5) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%求各种分布的方差v1=var(x1),v2=var(x2),v3=var(x3),v4=var(x4),v5=var(x5) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%求各种分布的自相关函数figure(1);title('自相关函数图');cor1=xcorr(x1);cor2=xcorr(x2);cor3=xcorr(x3);cor4=xcorr(x4);cor5=xcorr(x5); subplot(3,2,1),plot(1:2047,cor1);title('均匀分布自相关函数图');subplot(3,2,2),plot(1:2047,cor2);title('正态分布');subplot(3,2,3),plot(1:2047,cor3);title('指数分布');subplot(3,2,4),plot(1:2047,cor4);title('瑞利分布');subplot(3,2,5),plot(1:2047,cor5);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %求各种分布的概率密度函数y1=unifpdf(x1,-1,1);y2=normpdf(x2,0,1);y3=exppdf(x3,1);y4=raylpdf(x4,1);y5=chi2pdf(x5,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %各种分布的频数直方图figure(2);subplot(3,2,1),hist(x1);title('均匀分布频数直方图');subplot(3,2,2),hist(x2,[-4:0.1:4]);title('正态分布');subplot(3,2,3),hist(x3,[0:.1:20]);title('指数分布');subplot(3,2,4),hist(x4,[0:0.1:4]);title('瑞利分布');subplot(3,2,5),hist(x5,[0:0.1:10]);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%各种分布的概率密度估计figure(3);[k1,n1]=ksdensity(x1);[k2,n2]=ksdensity(x2);[k3,n3]=ksdensity(x3);[k4,n4]=ksdensity(x4);[k5,n5]=ksden sity(x5);subplot(3,2,1),plot(n1,k1);title('均匀分布概率密度');subplot(3,2,2),plot(n2,k2);title('正态分布');subplot(3,2,3),plot(n3,k3);title('指数分布');subplot(3,2,4),plot(n4,k4);title('瑞利分布');subplot(3,2,5),plot(n5,k5);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%功率谱密度%plot(abs(fft(cor2,2^18)));plot(fft(cor2,2^18));plot(fft(cor3,2^18));plot(fft(c or4,2^18));plot(fft(cor5,2^18));figure(4);f1=fft(x1,1024);f2=fft(x2,1024);f3=fft(x3,1024);f4=fft(x4,1024);f5=fft(x5,1024);p1=f1.*conj(f1)/1024; p2=f2.*conj(f2)/1024; p3=f3.*conj(f3)/1024; p4=f4 .*conj(f4)/1024; p5=f5.*conj(f5)/1024;f=1000*(0:511)/1024;subplot(3,2,1),plot(f,log10(p1(1:512)));title('均匀分布功率谱密度');%axis([0 511 0 10]);subplot(3,2,2),plot(f,log10(p2(1:512)));title('正态分布');%axis([0 511 0 10]); subplot(3,2,3),plot(f,log10(p3(1:512)));title('指数分布');%axis([0 511 0 10]); subplot(3,2,4),plot(f,log10(p4(1:512)));title('瑞利分布');%axis([0 511 0 10]); subplot(3,2,5),plot(f,log10(p5(1:512)));title('K方分布');%axis([0 511 0 10]); %时域，频域特性曲线%时域特性曲线：figure(5);subplot(3,2,1),plot(1:1024,x1);title('均匀分布时域特性曲线');subplot(3,2,2),plot(1:1024,x2);title('正态分布');subplot(3,2,3),plot(1:1024,x3);title('指数分布');subplot(3,2,4),plot(1:1024,x4);title('瑞利分布');subplot(3,2,5),plot(1:1024,x5);title('K方分布');%幅频特性曲线%%%%%%%%%%%%%%%figure(6);subplot(3,2,1),plot(abs(f1)),axis([0 1023 0 50]);title('均匀分布幅频特性'); subplot(3,2,2),plot(abs(f2));title('正态分布');subplot(3,2,3),plot(abs(f3)),axis([0 1023 0 200]);title('指数分布');subplot(3,2,4),plot(abs(f4)),axis([0 1023 0 50]);title('瑞利分布');subplot(3,2,5),plot(abs(f5)),axis([0 1023 0 100]);title('K方分布');%相频特性曲线%%%%%%%%%%%%%%%figure(7);subplot(3,2,1),plot(angle(f1));title('均匀分布相频特性');subplot(3,2,2),plot(angle(f2));title('正态分布');subplot(3,2,3),plot(angle(f3));title('指数分布');subplot(3,2,4),plot(angle(f4));title('瑞利分布');subplot(3,2,5),plot(angle(f5));title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%随机数长度为10240时figure(8);x11=unifrnd(-1,1,1,10240);%生成长度为10240的均匀分布x22=normrnd(0,1,1,10240);%生成长度为10240的正态分布x33=exprnd(1,1,10240);%生成长度为10240的指数分布x44=raylrnd(1,1,10240);%生成长度为10240的瑞利分布x55=chi2rnd(1,1,10240);%生成长度为10240的kaifang分布f11=fft(x11,10240);f22=fft(x22,10240);f33=fft(x33,10240);f44=fft(x44,10240);f55=fft(x55,10240);p11=f11.*conj(f11)/10240; p22=f22.*conj(f22)/10240; p33=f33.*conj(f33)/1024 0; p44=f44.*conj(f44)/10240; p55=f55.*conj(f55)/10240;ff=10000*(0:5119)/10240;subplot(3,2,1),plot(ff,log10(p11(1:5120))),title('均匀分布功率谱密度'); subplot(3,2,2),plot(ff,log10(p22(1:5120))),title('正态分布');subplot(3,2,3),plot(ff,log10(p33(1:5120))),title('指数分布');subplot(3,2,4),plot(ff,log10(p44(1:5120))),title('瑞利分布');subplot(3,2,5),plot(ff,log10(p55(1:5120))),title('K方分布');figure;cor11=xcorr(x11);cor22=xcorr(x22);cor33=xcorr(x33);cor44=xcorr(x44);cor55=xcorr (x55);subplot(3,2,1),plot(cor11);title('均匀分布自相关函数图');subplot(3,2,2),plot(cor22);title('正态分布');subplot(3,2,3),plot(cor33);title('指数分布');subplot(3,2,4),plot(cor44);title('瑞利分布');subplot(3,2,5),plot(cor55);title('K方分布');%vp1=var(p1),vp11=var(p11),vp2=var(p2),vp22=var(p22),vp3=var(p3),vp33=var(p33), vp4=var(p4),vp44=var(p44),vp5=var(p5),vp55=var(p55)%判断是否是高斯分布%%%%%%%%%%%%%%%%%%%%%%%%%%s=zeros(1,1024);for i=0:4z=unifrnd(0,1,1,1024);s=s+z;ends1=zeros(1,1024);for j=0:4z1=exprnd(3,1,1024);s1=s1+z1;endfigure;[j1,l1]=ksdensity(s);[j2,l2]=ksdensity(s1);subplot(2,2,1),hist(s);title('均匀分布叠加');subplot(2,2,2),plot(l1,j1);title('均匀分布叠加'); subplot(2,2,3),hist(s1);title('指数分布叠加');subplot(2,2,4),plot(l2,j2);title('指数分布叠加'); figure;subplot(1,2,1),normplot(s);title('均匀分布正态检验'); subplot(1,2,2),normplot(s1);title('指数分布正态检验'); %参数估计[muhat,sigmahat,muci,sigmaci]=normfit(s);[muhat1,sigmahat1,muci1,sigmaci1]=normfit(s1);%假设检验[h,sig,ci]=ttest(s,muhat)[h1,sig1,ci1]=ttest(s1,muhat1)。
matlab服从标准正态分布的离散白噪声 过程
matlab服从标准正态分布的离散白噪声过程标题：深度探讨matlab中服从标准正态分布的离散白噪声过程一、引言在实际科学研究和工程应用中，对随机过程的分析和处理往往是至关重要的。
在matlab中，我们可以通过一些工具和函数来模拟和处理服从标准正态分布的离散白噪声过程。
本文将深入探讨该主题，并帮助读者更好地理解和应用这一概念。
二、离散白噪声过程的概念及特性1. 什么是离散白噪声过程？离散白噪声过程是指在一定时间间隔内，各个时刻的随机变量相互独立且服从同一分布的随机过程。
它通常被用来模拟噪声信号或随机变动。
2. 标准正态分布标准正态分布是概率论中的重要分布之一，其概率密度函数呈钟形曲线，均值为0，标准差为1。
在实际应用中，服从标准正态分布的随机变量具有许多重要特性，因此被广泛应用于模拟和分析。
3. 离散白噪声过程服从标准正态分布的意义当离散白噪声过程服从标准正态分布时，其随机变量之间的相关性较低，且易于进行分析和处理。
这为我们在实际问题中的建模和仿真提供了便利和灵活性。
三、matlab中如何生成服从标准正态分布的离散白噪声过程1. 使用randn函数生成随机数在matlab中，可以使用randn函数生成服从标准正态分布的随机数序列。
其语法为randn(N)，其中N为生成随机数的个数。
2. 生成离散白噪声过程通过将生成的随机数序列进行适当的处理和加工，即可得到服从标准正态分布的离散白噪声过程。
这为我们提供了在matlab中模拟和处理随机信号的有效方法。
四、深度探讨1. 样本数对于离散白噪声过程的影响在实际应用中，生成的随机序列的样本数对于离散白噪声过程的性质和特性有着重要的影响。
通过改变样本数，我们可以观察到离散白噪声过程的频谱特性和统计特性的变化。
2. 应用场景与案例分析离散白噪声过程在通信系统、信号处理、金融工程等领域中都具有重要的应用价值。
通过实际案例分析，我们可以更好地理解和应用这一概念。
五、总结与回顾通过本文的深度探讨，我们对matlab中服从标准正态分布的离散白噪声过程有了更深入的理解和掌握。
matlab标准正态分布离散白噪声
标准正态分布离散白噪声是一种常见的随机过程，它在许多领域中都有着重要的应用。
在本文中，我将对标准正态分布离散白噪声进行深入探讨，从其基本概念到应用实例，帮助你更好地理解这一主题。
1. 标准正态分布让我们来了解一下标准正态分布。
正态分布又称为高斯分布，是一种连续概率分布，其概率密度函数呈钟形曲线，两侧尾部逐渐递减，中心对称。
标准正态分布是指均值为0，标准差为1的正态分布，其概率密度函数可以用数学公式表示为：\[f(x) = \frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}\]其中，\(x\) 表示随机变量的取值，\(e\) 是自然对数的底。
2. 离散白噪声离散白噪声是一种具有平均功率谱的随机信号，其功率谱呈常数分布。
白噪声的特点是在所有频率上具有相等的能量，因此被称为“白噪声”，类似于白光包含了所有颜色的光谱。
在时域上，白噪声是一种均值为0，方差为常数的随机过程。
3. 标准正态分布离散白噪声将标准正态分布与离散白噪声结合起来，可以得到标准正态分布离散白噪声。
这是一种均值为0，方差为1的随机信号，并且在所有频率上具有相等的能量分布。
在信号处理和系统建模中，标准正态分布离散白噪声常常被用来模拟系统中的随机干扰或噪声，以及进行系统性能分析和验证。
4. 应用实例标准正态分布离散白噪声在通信系统、控制系统、金融工程等领域有着广泛的应用。
在通信系统中，它可以用来模拟信道中的随机噪声，评估系统的抗干扰能力和误码率性能；在控制系统中，可以用来模拟传感器和执行器的随机误差，分析系统的稳定性和控制性能；在金融工程中，可以用来进行股票价格、汇率等金融资产的随机模拟，进行风险管理和衍生品定价。
5. 个人观点和理解个人认为，标准正态分布离散白噪声作为一种理想的随机信号模型，具有很强的应用价值和理论意义。
它不仅可以帮助我们更好地理解随机过程和随机信号的特性，还可以为工程技术和科学研究提供重要的分析工具。
白化滤波器-matlab-程序
白化滤波器原理在统计信号处理中，往往会遇到等待处理的随机信号是非白色的，例如云雨、海浪、地物反射的杂乱回波等，它们的功率谱即使在信号通带内也非均匀分布。
这样会给问题的解决带来困难。
克服这一困难的措施之一是对色噪声进行白化处理。
主要内容是设计一个稳定的线性滤波器，将输入的有色噪声变成输出的白噪声。
在这里，我们就对一般的具有功率谱)(ωx G 的平稳随机过程X(t)白化处理问题进行讨论。
为了具体的进行分析和计算，假设)(ωx G 可以表达成有理数的形式，即 ))......(())......(()(112m n x Z Z a G βωβωωωω++++= m n Z β≠ 其中分子、分母为多项式。
这个假设对于通常见到的功率谱是很近似的，而且有可行的方法用有理数去逼近任意的功率谱密度。
由于)(ωx G 是功率谱，它的平稳随机过程相关函数的傅里叶变换具有非负的实函数和偶函数的性质。
这些性质必然在其有理函数的表示式中体现出来，特别是，)(ωx G 的零、极点的分布和数量会具有若干个特点。
由于)(ωx G 是实函数，因此有：)()(*ωωx x G G =，2a 是实数，)(ωx G 的零、极点是共轭成对的。
从而也可以把)(ωx G 的表示式写成如下形式：⎥⎦⎤⎢⎣⎡+-+-+-+-⎥⎦⎤⎢⎣⎡++++=))......(())......(())......(())......(()(1111l k l k x j j j j a j j j j a G βωβωαωαωβωβωαωαωω 把ω开拓到复平面s 中去，另ωσj s +=。
用s 代替ωj 就可以把函数)(ωx G 扩大到整个复平面。
)(ωx G 的零、极点必将对称于σ轴，如图13所示：图13 由于)(ωx G 是偶函数，因此不难判断，)(ωx G 的零、极点是象限对称的，从而对于ωj 轴也是对称的。
由于0)(≥ωx G ，因此分子的虚根必然是偶数，否则)(ωx G 会出现负值。
白噪声的程序
白噪声的程序1.产生一个高斯白噪声t=0:0.1:100;x=wgn(1,1001,2);y=sin(50*t);i=y+x;subplot(2,1,1),plot(x);subplot(2,1,2),plot(i);产生白噪声的函数Y = WGN(M,N,P) generates an M-by-N matrix of white Gaussian noise.P specifies the power of the output noise in dBW.Y = WGN(M,N,P,IMP) specifies the load impedance in Ohms.Y = WGN(M,N,P,IMP,STATE) resets the state of RANDN toSTATE.2.给信号叠加一个高斯白噪声我想要程序代码，产生一个高斯白噪声，并且让MATLAB输出高斯的时域波形和频谱。
让产生的高斯白噪声与一个语音信号叠加，画出叠加后的时域波形和频谱。
t = 0:.1:10;x = sawtooth(t); % Create sawtooth signal.y = awgn(x,10,'measured'); % Add white Gaussian noise.plot(t,x,t,y) % Plot both signals.legend('Original signal','Signal with AWGN');MATLAB中产生高斯白噪声的两个函数MATLAB中产生高斯白噪声的两个函数MATLAB中产生高斯白噪声非常方便，可以直接应用两个函数，一个是WGN，另一个是AWGN。
WGN用于产生高斯白噪声，AWGN则用于在某一信号中加入高斯白噪声。
1. WGN：产生高斯白噪声y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。
噪声a振级matlab代码
噪声a振级 MATLAB代码1. 引言噪声是随机信号的一种形式，常常存在于各种实际应用中。
对于一些特定的应用，我们可能需要生成特定类型的噪声信号。
本文将介绍如何使用 MATLAB 编写代码来生成噪声信号，并重点讨论振级噪声（也称为白噪声）、a 振级噪声以及两者之间的关系。
2. 噪声信号噪声信号是一个包含了所有频率的随机信号。
在频谱中，噪声信号的幅度在不同频率上是均匀分布的，因此也被称为“白噪声”。
白噪声是一种随机过程，其幅度是恒定的且无相关性，可以看作是一种理想的参考信号。
在 MATLAB 中，我们可以使用randn函数生成服从标准正态分布的随机数序列。
通过对这些随机数序列进行时间域或频域操作，可以生成不同类型的噪声信号。
3. 振级噪声振级噪声是一种特殊类型的噪声信号，其在能量谱上的分布呈幂律。
在频谱上，振级噪声的幅度随频率呈倒幂关系，表现为低频部分有较高振幅，而高频部分振幅逐渐减小。
振级噪声在许多实际应用中具有重要的应用价值，例如声音信号处理、通信系统和图像处理等。
我们可以使用rand函数生成随机数序列，然后对该序列进行振级处理来生成振级噪声。
下面是一个生成振级噪声的 MATLAB 代码示例：fs = 1000; % 采样率T = 1/fs; % 采样间隔t = 0:T:1; % 时间序列A = 1; % 振幅beta = 2; % 振级参数noise = rand(size(t)); % 生成随机噪声信号x = A * sin(2*pi*t) .* (noise .^ beta); % 生成振级噪声信号在上述代码中，我们首先定义了采样率 fs，采样间隔 T 和时间序列 t。
然后，我们生成了与时间序列相同长度的随机数序列noise，并将其与正弦函数相乘。
通过对随机数序列进行幂运算，我们实现了振级效果。
4. 噪声a振级噪声a振级是一种介于白噪声和振级噪声之间的噪声信号。
在噪声a振级中，振幅随频率的变化更平滑，且不像振级噪声那样呈幂律分布。
- 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)。
白噪声的测试MATLAB程序学术篇 2009-11-13 22:18:03 阅读232 评论0 字号：大中小订阅clear; clc;%生成各种分布的随机数x1=unifrnd(-1,1,1,1024);%生成长度为1024的均匀分布x2=normrnd(0,1,1,1024);%生成长度为1024的正态分布x3=exprnd(1,1,1024);%生成长度为1024的指数分布均值为零x4=raylrnd(1,1,1024);%生成长度为1024的瑞利分布x5=chi2rnd(1,1,1024);%生成长度为1024的kaifang分布%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%求各种分布的均值m1=mean(x1),m2=mean(x2),m3=mean(x3),m4=mean(x4),m5=mean(x5) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%求各种分布的方差v1=var(x1),v2=var(x2),v3=var(x3),v4=var(x4),v5=var(x5) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%求各种分布的自相关函数figure(1);title('自相关函数图');cor1=xcorr(x1);cor2=xcorr(x2);cor3=xcorr(x3);cor4=xcorr(x4);cor5=xcorr(x5); subplot(3,2,1),plot(1:2047,cor1);title('均匀分布自相关函数图');subplot(3,2,2),plot(1:2047,cor2);title('正态分布');subplot(3,2,3),plot(1:2047,cor3);title('指数分布');subplot(3,2,4),plot(1:2047,cor4);title('瑞利分布');subplot(3,2,5),plot(1:2047,cor5);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %求各种分布的概率密度函数y1=unifpdf(x1,-1,1);y2=normpdf(x2,0,1);y3=exppdf(x3,1);y4=raylpdf(x4,1);y5=chi2pdf(x5,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %各种分布的频数直方图figure(2);subplot(3,2,1),hist(x1);title('均匀分布频数直方图');subplot(3,2,2),hist(x2,[-4:0.1:4]);title('正态分布');subplot(3,2,3),hist(x3,[0:.1:20]);title('指数分布');subplot(3,2,4),hist(x4,[0:0.1:4]);title('瑞利分布');subplot(3,2,5),hist(x5,[0:0.1:10]);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%各种分布的概率密度估计figure(3);[k1,n1]=ksdensity(x1);[k2,n2]=ksdensity(x2);[k3,n3]=ksdensity(x3);[k4,n4]=ksdensity(x4);[k5,n5]=ksden sity(x5);subplot(3,2,1),plot(n1,k1);title('均匀分布概率密度');subplot(3,2,2),plot(n2,k2);title('正态分布');subplot(3,2,3),plot(n3,k3);title('指数分布');subplot(3,2,4),plot(n4,k4);title('瑞利分布');subplot(3,2,5),plot(n5,k5);title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%功率谱密度%plot(abs(fft(cor2,2^18)));plot(fft(cor2,2^18));plot(fft(cor3,2^18));plot(fft(c or4,2^18));plot(fft(cor5,2^18));figure(4);f1=fft(x1,1024);f2=fft(x2,1024);f3=fft(x3,1024);f4=fft(x4,1024);f5=fft(x5,1024);p1=f1.*conj(f1)/1024; p2=f2.*conj(f2)/1024; p3=f3.*conj(f3)/1024; p4=f4 .*conj(f4)/1024; p5=f5.*conj(f5)/1024;f=1000*(0:511)/1024;subplot(3,2,1),plot(f,log10(p1(1:512)));title('均匀分布功率谱密度');%axis([0 511 0 10]);subplot(3,2,2),plot(f,log10(p2(1:512)));title('正态分布');%axis([0 511 0 10]); subplot(3,2,3),plot(f,log10(p3(1:512)));title('指数分布');%axis([0 511 0 10]); subplot(3,2,4),plot(f,log10(p4(1:512)));title('瑞利分布');%axis([0 511 0 10]); subplot(3,2,5),plot(f,log10(p5(1:512)));title('K方分布');%axis([0 511 0 10]); %时域，频域特性曲线%时域特性曲线：figure(5);subplot(3,2,1),plot(1:1024,x1);title('均匀分布时域特性曲线');subplot(3,2,2),plot(1:1024,x2);title('正态分布');subplot(3,2,3),plot(1:1024,x3);title('指数分布');subplot(3,2,4),plot(1:1024,x4);title('瑞利分布');subplot(3,2,5),plot(1:1024,x5);title('K方分布');%幅频特性曲线%%%%%%%%%%%%%%%figure(6);subplot(3,2,1),plot(abs(f1)),axis([0 1023 0 50]);title('均匀分布幅频特性'); subplot(3,2,2),plot(abs(f2));title('正态分布');subplot(3,2,3),plot(abs(f3)),axis([0 1023 0 200]);title('指数分布');subplot(3,2,4),plot(abs(f4)),axis([0 1023 0 50]);title('瑞利分布');subplot(3,2,5),plot(abs(f5)),axis([0 1023 0 100]);title('K方分布');%相频特性曲线%%%%%%%%%%%%%%%figure(7);subplot(3,2,1),plot(angle(f1));title('均匀分布相频特性');subplot(3,2,2),plot(angle(f2));title('正态分布');subplot(3,2,3),plot(angle(f3));title('指数分布');subplot(3,2,4),plot(angle(f4));title('瑞利分布');subplot(3,2,5),plot(angle(f5));title('K方分布'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%随机数长度为10240时figure(8);x11=unifrnd(-1,1,1,10240);%生成长度为10240的均匀分布x22=normrnd(0,1,1,10240);%生成长度为10240的正态分布x33=exprnd(1,1,10240);%生成长度为10240的指数分布x44=raylrnd(1,1,10240);%生成长度为10240的瑞利分布x55=chi2rnd(1,1,10240);%生成长度为10240的kaifang分布f11=fft(x11,10240);f22=fft(x22,10240);f33=fft(x33,10240);f44=fft(x44,10240);f55=fft(x55,10240);p11=f11.*conj(f11)/10240; p22=f22.*conj(f22)/10240; p33=f33.*conj(f33)/1024 0; p44=f44.*conj(f44)/10240; p55=f55.*conj(f55)/10240;ff=10000*(0:5119)/10240;subplot(3,2,1),plot(ff,log10(p11(1:5120))),title('均匀分布功率谱密度'); subplot(3,2,2),plot(ff,log10(p22(1:5120))),title('正态分布');subplot(3,2,3),plot(ff,log10(p33(1:5120))),title('指数分布');subplot(3,2,4),plot(ff,log10(p44(1:5120))),title('瑞利分布');subplot(3,2,5),plot(ff,log10(p55(1:5120))),title('K方分布');figure;cor11=xcorr(x11);cor22=xcorr(x22);cor33=xcorr(x33);cor44=xcorr(x44);cor55=xcorr (x55);subplot(3,2,1),plot(cor11);title('均匀分布自相关函数图');subplot(3,2,2),plot(cor22);title('正态分布');subplot(3,2,3),plot(cor33);title('指数分布');subplot(3,2,4),plot(cor44);title('瑞利分布');subplot(3,2,5),plot(cor55);title('K方分布');%vp1=var(p1),vp11=var(p11),vp2=var(p2),vp22=var(p22),vp3=var(p3),vp33=var(p33), vp4=var(p4),vp44=var(p44),vp5=var(p5),vp55=var(p55)%判断是否是高斯分布%%%%%%%%%%%%%%%%%%%%%%%%%%s=zeros(1,1024);for i=0:4z=unifrnd(0,1,1,1024);s=s+z;ends1=zeros(1,1024);for j=0:4z1=exprnd(3,1,1024);s1=s1+z1;endfigure;[j1,l1]=ksdensity(s);[j2,l2]=ksdensity(s1);subplot(2,2,1),hist(s);title('均匀分布叠加');subplot(2,2,2),plot(l1,j1);title('均匀分布叠加'); subplot(2,2,3),hist(s1);title('指数分布叠加');subplot(2,2,4),plot(l2,j2);title('指数分布叠加'); figure;subplot(1,2,1),normplot(s);title('均匀分布正态检验'); subplot(1,2,2),normplot(s1);title('指数分布正态检验'); %参数估计[muhat,sigmahat,muci,sigmaci]=normfit(s);[muhat1,sigmahat1,muci1,sigmaci1]=normfit(s1);%假设检验[h,sig,ci]=ttest(s,muhat)[h1,sig1,ci1]=ttest(s1,muhat1)。