matlab高斯白噪声绘制

matlab高斯噪声函数

matlab高斯噪声函数（原创版）目录1.Matlab 中生成高斯噪声的方法2.高斯噪声的特点和应用3.椒盐噪声与高斯噪声的区别4.如何在 Matlab 中生成椒盐噪声和高斯白噪声5.滤波器在噪声抑制中的应用正文在 Matlab 中，生成高斯噪声常用的函数是 randn。

该函数可以生成服从正态分布的随机数。

其使用方法为：y = randn(m,n)，其中 m 和 n 分别为矩阵的大小。

生成的随机数矩阵 y 中，每个元素都服从均值为 0、方差为 1 的高斯分布。

高斯噪声的特点是其噪声幅度随机，且在图像中的位置固定。

这种噪声在图像处理中很常见，例如在图像传输过程中，信号可能受到高斯噪声的影响。

因此，研究如何生成和处理高斯噪声对于图像处理具有重要意义。

椒盐噪声是一种特殊的高斯噪声，其特点是在图像中的某些位置上噪声幅度较大，形成“椒盐”状。

椒盐噪声与高斯噪声的主要区别在于噪声的幅度分布，椒盐噪声的噪声幅度分布不是正态分布，而是具有较高的峰值和较低的谷值。

在 Matlab 中，可以通过 imnoise 函数生成椒盐噪声。

例如，使用imnoise(I, "salt", m, v) 可以生成椒盐噪声，其中 I 为要添加噪声的图像，m 和 v 分别表示噪声的强度和方差。

除了椒盐噪声，Matlab 中也可以生成高斯白噪声。

高斯白噪声是在频域上呈高斯分布的噪声，其能量分布均匀。

在 Matlab 中，可以使用awgn 函数生成高斯白噪声。

例如，使用 awgn(x, snr) 可以生成高斯白噪声，其中 x 为信号，snr 为信噪比。

在实际应用中，噪声抑制滤波器可以用于去除图像中的噪声。

常见的噪声抑制滤波器包括均值滤波器、中值滤波器和边界保持类滤波器。

均值滤波器的原理是在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。

将模板中的全体像素的均值来替代原来的像素值。

中值滤波器则通过取图像中每个像素邻域的中值来实现噪声抑制。

matlab 正弦波高斯白噪声均匀白噪声功率谱密度自相关函数(word文档良心出品)

现代通信原理作业一姓名：张英伟学号：133320085208036 班级：13级理工部3班利用matlab完成：●产生正弦波信号、均匀白噪声以及高斯白噪声并分别将两种噪声叠加到正弦波信号上，绘出波形。

●分别求取均匀白噪声序列和高斯白噪声序列的自相关及功率谱密度，绘出波形。

一、白噪声区别及产生方法1、定义：均匀白噪声：噪声的幅度分布服从均匀分布，功率谱密度在整个频域内均匀分布的噪声。

高斯白噪声：噪声的幅度分布服从正态分布，功率谱密度在整个频域内均匀分布的噪声。

2、matlab仿真函数：rand函数默认产生是区间在[0,1]的随机数，这里需要利用公式：z2=a+(b-(a))*rand(m,n)............（公式1）randn函数默认产生均值是0、方差是1的随机序列，所以可以用其来产生均值为0、方差为1的正态分布白噪声，即N(0，12)。

利用公式：z1=a+b*randn(1,n).................（公式2）可以产生均值为a，方差为b2 高斯白噪声，即N(a，b2)。

二、自相关函数与功率谱密度之间的关系1、功率谱密度：每单位频率波携带的功率，这被称为信号的功率谱密度。

2、自相关函数：描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度。

3、维纳-辛钦定理：由于平均值不为零的信号不是平方可积的，所以在这种情况下就没有傅里叶变换。

幸运的是维纳-辛钦定理提供了一个简单的替换方法，如果信号可以看作是平稳随机过程，那么功率谱密度就是信号自相关函数的傅里叶变换。

4、平稳随机过程：是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。

（就是指得仅一个随机过程，中途没有变成另外一个统计特性的随机过程）二、源代码及仿真结果1、正弦波x=(0:0.01:2); %采样频率100Hzy1=sin(10*pi*x); %产生频率5Hz的sin函数plot(x,y1,'b');2、高斯白噪声+正弦波z1=0.1*randn(1,201); %产生方差N（0，0.12）高斯白噪声（b=0.01/0.1/1）plot(x,z1,'b');y2=y1+z1; %叠加高斯白噪声的正弦波plot(x,y2,'b');3、均匀白噪声+正弦波z2=-.3+.6*rand(1,201); %产生-0.3到0.3的均匀白噪声plot(x,z2,'b');y3=y1+z2; %叠加均匀白噪声的正弦波plot(x,y3,'b');4、高斯白噪声序列自相关函数及功率谱密度z1=0.1*randn(1,201); %产生方差N（0，0.12）高斯白噪声[r1,lags]=xcorr(z1); %自相关函数的估计plot(lags,r1);f1=fft(r1);f2=fftshift(f1); %频谱校正l1=(0:length(f2)-1)*200/length(f2)-100; %功率谱密度x轴y4=abs(f2);plot(l1,y4);5、均匀白噪声序列自相关函数及功率谱密度z2=-.3+.6*rand(1,201); %产生-0.3到0.3的均匀白噪声[r2,lags]=xcorr(z2); %自相关函数的估计plot(lags,r2);f3=fft(r2);f4=fftshift(f3); %频谱校正l2=(0:length(f4)-1)*200/length(f4)-100; %功率谱密度x轴y5=abs(f4);plot(l2,y5);。

产生高斯白噪声和有色噪声的MATLAB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 to STATE.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A WGN。

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。

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;。

基于MATLAB的高斯白噪声信道分析报告

基于MATLAB的高斯白噪声信道分析报告一、引言高斯白噪声是信号传输过程中一种常见的干扰信号。

对于通信系统的设计和性能分析来说，了解信道模型对系统的影响非常重要。

本报告主要基于MATLAB对高斯白噪声信道进行分析，通过模拟实验来研究高斯白噪声对信号传输的影响。

二、背景知识1.高斯白噪声信道：高斯白噪声是一种均值为零，功率谱密度为常数的随机过程。

它的特点是干扰信号的瞬时值是随机的，且各个样本之间是无关的。

2.信道容量：信道容量是指在给定带宽和信噪比条件下，信道所能传输的最大信息速率。

对于高斯白噪声信道，香农公式可以用来计算信道容量。

三、实验步骤1. 生成高斯白噪声信号：使用MATLAB提供的randn函数生成服从高斯分布的随机数序列作为高斯白噪声信号。

2.生成待传输信号：为了模拟实际通信系统，我们生成一个随机的二进制信号序列，其中1代表信号出现，0代表信号未出现。

3.信号加噪声：将待传输信号与高斯白噪声信号相加，模拟信号在传输过程中受到噪声的影响。

4.信号解码：使用最简单的译码方法，将收到的信号进行硬判决，即大于0的样本判定为1，小于0的样本判定为0。

5. 比较原始信号和解码信号：对比原始信号和解码信号，计算误比特率（Bit Error Rate, BER）。

四、实验结果与讨论我们进行了多次实验，分别改变了信号传输的信噪比（Signal-to-Noise Ratio, SNR），记录了每次实验的误比特率。

实验结果表明，在相同的SNR条件下，误比特率随信噪比的增大而减小，即信噪比越大，误比特率越低。

这是因为噪声对信号传输的干扰越小，解码的准确性越高。

我们还进行了不同信噪比下信道容量的计算。

根据香农公式，信道容量与信噪比成正比。

我们发现，当信噪比较小时，信道容量较低，即信号传输的速率较慢；当信噪比较大时，信道容量达到最大值，即信号传输的速率最大。

通过以上分析，我们可以得出以下结论：1.高斯白噪声对信号传输会造成一定的干扰，降低信号的传输质量。

高斯白实验报告

一、实验目的1. 理解高斯白噪声的概念及其特性。

2. 掌握高斯白噪声的模拟方法。

3. 分析高斯白噪声对信号的影响。

4. 学习使用MATLAB进行高斯白噪声的仿真与分析。

二、实验原理高斯白噪声是一种在时间和频率上都具有随机性的噪声，其概率密度函数服从高斯分布。

高斯白噪声在通信、信号处理等领域有着广泛的应用。

高斯白噪声的数学模型为：f(t) = ∫[n(t) e^(-n(t)^2/2σ^2)]dt其中，n(t)为高斯白噪声，σ^2为噪声方差。

三、实验内容1. 熟悉MATLAB基本运算操作和图形绘制基本指令。

2. 模拟高斯白噪声。

3. 分析高斯白噪声对信号的影响。

4. 使用MATLAB进行高斯白噪声的仿真与分析。

四、实验步骤1. 打开MATLAB，创建一个新的脚本文件。

2. 编写代码，生成高斯白噪声信号。

3. 绘制高斯白噪声信号的时域波形图。

4. 对高斯白噪声信号进行傅里叶变换，绘制频谱图。

5. 将高斯白噪声信号与原始信号相加，生成含噪声信号。

6. 分析含噪声信号的时域波形图和频谱图。

7. 计算含噪声信号的信噪比（SNR）。

五、实验结果与分析1. 高斯白噪声信号的时域波形图如图1所示。

从图中可以看出，高斯白噪声信号的波形呈现出随机性，无明显规律。

图1：高斯白噪声信号的时域波形图2. 高斯白噪声信号的频谱图如图2所示。

从图中可以看出，高斯白噪声信号的频谱在频域内均匀分布，无明显峰值。

图2：高斯白噪声信号的频谱图3. 含噪声信号的时域波形图如图3所示。

从图中可以看出，含噪声信号的波形受到了高斯白噪声的影响，波形变得不规则。

图3：含噪声信号的时域波形图4. 含噪声信号的频谱图如图4所示。

从图中可以看出，含噪声信号的频谱与原始信号的频谱相似，但噪声频谱叠加在原始信号频谱上。

图4：含噪声信号的频谱图5. 计算含噪声信号的信噪比（SNR）为：SNR = 10 log10(Ps/Nn)其中，Ps为信号功率，Nn为噪声功率。

高斯白噪声 matlab 带宽

高斯白噪声matlab 带宽高斯白噪声（Gaussian White Noise）是指在信号的频谱中，每个频率带宽上都有相同的功率密度。

正如其名，它是一种高斯分布的随机过程，具有相等的功率密度在整个频率范围内。

在MATLAB中，我们可以使用一些技术来生成高斯白噪声，并调整其带宽来满足特定的需求。

首先，我们需要理解高斯白噪声的基本概念。

高斯分布是一种具有钟形曲线的连续概率分布，也被称为正态分布。

白噪声是一种具有等幅度、随机性和平坦频谱的信号。

高斯白噪声是将高斯分布特性应用于白噪声的过程，其频谱具有高斯分布的特点。

在MATLAB中，可以使用randn函数来生成高斯白噪声。

randn函数生成一个具有均值为0和标准差为1的高斯分布的随机序列。

我们可以使用该函数生成一个包含N个样本的高斯白噪声序列：matlabN = 1000; % 样本数量noise = randn(1, N); % 生成高斯白噪声上述代码中，通过指定`N`的值来控制生成噪声的样本数量。

`randn`函数返回一个包含N个样本的行向量，每个样本都是一个从标准高斯分布中随机抽取的数值。

然而，上述生成的噪声序列的带宽是未知的，我们可以使用谱估计技术来估计其带宽。

常见的谱估计方法包括傅里叶变换和自相关函数。

对于高斯白噪声，其功率谱密度（Power Spectral Density，PSD）应该是平坦的。

以下是使用MATLAB中的fft函数进行傅里叶变换得到的高斯白噪声的功率谱密度的估计代码：matlabFs = 1000; % 采样率T = 1/Fs; % 采样间隔L = N; % 数据长度t = (0:L-1)*T; % 时间向量Y = fft(noise); % 对噪声序列进行傅里叶变换P = abs(Y/L).^2; % 估计的功率谱密度f = Fs*(0:(L/2))/L; % 频率区间plot(f, P(1:L/2+1)) % 绘制频谱title('Power Spectral Density')xlabel('Frequency (Hz)')ylabel('PSD')上述代码中，我们首先定义了采样率`Fs`和采样间隔`T`，并计算出数据的长度`L`。

matlab高斯白噪声绘制

matlab高斯白噪声绘制一、概念英文名称：white Gaussian noise; WGN定义：均匀分布于给定频带上的高斯噪声；所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。

这是考察一个信号的两个不同方面的问题。

高斯白噪声：如果一个噪声，它的幅度服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。

热噪声和散粒噪声是高斯白噪声。

二、matlab举例Matlab有两个函数可以产生高斯白噪声，wgn( )和awgn( )。

1. WGN：产生高斯白噪声y = wgn(m,n,p)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)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)y = wgn(m,n,p,imp,state) %重置RANDN的状态。

2. AWGN：在某一信号中加入高斯白噪声y = awgn(x,SNR)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。

clear,clc;N=0:1000;fs=1024;t=N./fs;y=3*sin(2*pi*t);x=wgn(1,1001,2);i=y+x;% i=awgn(y,2); subplot(3,1,1),plot(x); subplot(3,1,2),plot(y); subplot(3,1,3),plot(i);。

通过matlab产生wav的白噪声

MATLAB 中产生高斯白噪声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。

如果POWERTYPE 是’linear’，那么SNR 作为比值来度量，而SIGPOWER 以瓦特为单位。

通过matlab产生wav的白噪声

MATLAB 中产生高斯白噪声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。

如果POWERTYPE 是’linear’，那么SNR 作为比值来度量，而SIGPOWER 以瓦特为单位。

matlab 协方差白噪声

matlab 协方差白噪声
在Matlab中，可以使用'randn'函数生成服从高斯白噪声（随机数）的向量，然后使用'cov'函数计算该向量的协方差矩阵。

下面是一个示例代码：
```matlab
N = 1000; % 数据长度
x = randn(N, 1); % 生成服从高斯分布的白噪声
C = cov(x); % 计算x的协方差矩阵
% 显示结果
disp('协方差矩阵：');
disp(C);
```
上述代码首先设置了数据长度N为1000，然后使用'randn'函数生成一个N行1列的服从高斯分布的随机向量x。

接着，使用'cov'函数计算x的协方差矩阵C。

最后，使用'disp'函数显示协方差矩阵C的结果。

注意，由于是随机生成的白噪声，每次运行代码生成的随机数序列和协方差矩阵都会略有不同。

实验一-基于MATLAB的白噪声信号u(n)、sinc函数、chirp信号产生实验

实验一基于MATLAB的白噪声信号u(n)、sinc函数、chirp信号产生实验一、实验目的：1.学会使用MATLAB2.通过实验了解MATLAB如何产生各种常用信号3.掌握MATLAB的编程方法二、实验内容：1.用MATLAB编程产生一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。

代码：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,100);grid on;ylabel('histogranm of u(n)');运行结果：2.用MATLAB编程产生一均匀分布、均值为零、功率为0.01的白噪声信号u(n)，画出其波形。

代码：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)/N;subplot(111);plot(u1(1:200));grid on;ylabel('u(n)');xlabel('n');运行结果：3.用MATLAB编程产生高斯分布的白噪声信号，使功率为p，并观察数据分布的直方图。

代码：p = 0.1;N = 50000;u = rand(1,N);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('histgram of u(n)');运行结果：4.用MATLAB编程产生一sinc函数，画出其波形。

(word完整版)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)/(),(,)(0Hz W f n f P n +∞<<-∞=式中：0n 为常数，责成该噪声为白噪声，用)(t n 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 background noisclear allf = 1:1:1000;for i = 1:length(f)K = (0.2) * randn(1,1) - 0;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i));endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft));plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:1000;for i = 1:length(f)K = (2) * randn(1,1) - 0;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:1000;for i = 1:length(f)K = (10) * randn(1,1) - 0;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:1000;for i = 1:length(f)K = (0.2) * randn(1,1) - 10;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:1000;for i = 1:length(f)K = (2) * randn(1,1) - 10;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:1000;for i = 1:length(f)K = (10) * randn(1,1) - 10;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:100;for i = 1:length(f)K = (0.2) * randn(1,1) - 0;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:100;for i = 1:length(f)K = (2) * randn(1,1) - 0;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:100;for i = 1:length(f)K = (10) * randn(1,1) - 0;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:100;for i = 1:length(f)K = (0.2) * randn(1,1) - 10;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:100;for i = 1:length(f)K = (2) * randn(1,1) - 10;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)程序如下所示：% White background noisclear allf = 1:1:100;for i = 1:length(f)K = (10) * randn(1,1) - 10;P(i) = 10.^(K - 3.95*(10^-5)*f(i));A(i) = sqrt(2*P(i)); endxifft = ifft(A);realx = real(xifft);ti = [1:length(xifft)-1]/1000;realx2(1:length(xifft)-1) = realx(2:length(xifft)); plot(ti,realx2)。

MATLAB环境下的正弦信号及高斯白噪声仿真程序说明

姓名：朱奇峰专业：电子与通信工程方向：数字广播电视技术学号：103320430109033MATLAB 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。

三、仿真结果：附源程序代码：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10 a=0;b=0.5; %均值为a，方差为b^2subplot(3,2,1);plot(x,y1,'r');title('y=sin(20pi*x)');ylabel('y');xlabel('x/20pi');grid;y2=a+b*rand(1,n); %均匀白噪声subplot(3,2,2);plot(x,y2,'r');title('N(0，0.25)的均匀白噪声');ylabel('y');xlabel('x/20pi');grid;y=y1+y2; %加入噪声之后的信号subplot(3,2,3);plot(x,y,'r');title('叠加了均匀白噪声的sinx');ylabel('y');xlabel('x/20pi');grid;FY=fft(y); %傅里叶变换得出频谱函数FY1=fftshift(FY); %频谱校正f=(0:200)*fs/n-fs/2;subplot(3,2,4);plot(f,abs(FY1),'r');title('函数频谱图');ylabel('F(jw)');xlabel('w');grid;%求均匀白噪声的自相关函数m=50;i=-0.49:1/fs:0.49;for j=1:mR1(j)=sum(y2(1:n-j-1).*y2(j:199),2)/(n-j);%无偏自相关函数的估计R1x(49+j)=R1(j);R1x(51-j)=R1(j);endsubplot(3,2,5);plot(i,R1x,'r');%plot(leg*1/fs,R1x,'r');title('白噪声自相关函数图');ylabel('R1x');xlabel('x');grid;Fy2=fft(R1x); %傅里叶变换得出白噪声功率谱函数Fy21=fftshift(Fy2); %功率谱校正f=(0:98)*fs/99-fs/2;subplot(3,2,6);plot(f,abs(Fy21),'r');axis([-50 50 -0.5 6]);title('白噪声功率谱函数图');ylabel('F(R1x)');xlabel('w');grid;%求正弦波加均匀白噪声的自相关函数m=50;i=-0.49:1/fs:0.49;for j=1:mR2(j)=sum(y(1:n-j-1).*y(j:199),2)/(n-j);%无偏自相关函数的估计R2x(49+j)=R2(j);R2x(51-j)=R2(j);endsubplot(3,2,5);plot(i,R2x,'r');%plot(leg*1/fs,R2x,'r');title('正弦波加白噪声自相关函数图');ylabel('R2x');xlabel('x');grid;Fy2=fft(R2x); %傅里叶变换得出正弦波加白噪声功率谱函数Fy21=fftshift(Fy2); %功率谱校正f=(0:98)*fs/99-fs/2;subplot(3,2,6);plot(f,abs(Fy21),'r');axis([-50 50 -0.5 6]);title('白噪声功率谱函数图'); ylabel('F(R2x)');xlabel('w');grid;clc;clear all;close all;fs=100;%采样频率100hzN=1000;%采样点数t=(0:1:N-1)/fs;f=10;%正弦信号频率10hzs0=sin(2*pi*f*t);%正弦信号am=max(abs(s0));% % -------加噪方案1（由加噪后信噪比确定高斯白噪声）-----snr=5; %设定加入白噪声后的信噪比为5db(均值为0)Pv=(am/(10^(snr/20)))^2;%噪声方差% % --------------------------------------------------% % -------加噪方案2（由噪声方差确定高斯白噪声）--------% % Pv=3; %设定白噪声方差(均值为0)% % snr=20*log10(am/(sqrt(Pv))); %求信噪比% % % % ---------------------------------------------------% % % ---------加噪声-------------v=rand(1,N);v=v*sqrt(Pv);%白噪声s=s0+v;%信号加噪声% % ----------信号画图-------------figure(1)subplot(3,1,1),plot(s0);title('原始信号')subplot(3,1,2),plot(s);title(['加噪信号信噪比= ',num2str(snr),' dB. 噪声方差= ',num2str(Pv)])s1=detrend(s);%去趋势ffs=abs(fft(s1));ffs=ffs*2/N;%频谱%%ffs=ffs.^2;%功率谱subplot(3,1,3),plot(ffs(1:N/2));title('加噪信号FFT')。

matlab awgn 函数

在MATLAB 中，`awgn` 函数用于向信号添加高斯白噪声（AWGN）。

该函数的语法为：
y = awgn(x, snr)
其中，`x` 是原始信号，`snr` 是信噪比（Signal-to-Noise Ratio）。

函数返回添加了噪声的信号`y`。

例如，如果要将原始信号`x` 添加10 dB 的信噪比的高斯白噪声，可以使用以下代码：
x = randn(1, 1000); % 生成一个长度为1000 的随机信号
y = awgn(x, 10); % 添加10 dB 的信噪比的高斯白噪声
这将生成一个长度为1000 的随机信号`x`，并将其与10 dB 的信噪比的高斯白噪声相结合，结果保存在`y` 中。

`awgn` 函数还有其他一些选项，例如指定噪声的功率、信号的采样率等。

你可以通过查阅MATLAB 的帮助文档或者在MATLAB 命令窗口中输入`help awgn` 来获取更多关于该函数的信息。

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。

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。

使用Matlab进行随机信号生成的方法

使用Matlab进行随机信号生成的方法随机信号在现代通信、雷达、生物医学工程等领域中起着重要作用。

为了研究随机信号及其特性，我们常常需要生成符合特定分布的随机信号。

Matlab作为一种功能强大的科学计算软件，提供了丰富的函数和工具，方便我们进行随机信号的生成与分析。

本文将介绍使用Matlab进行随机信号生成的一些常见方法。

一、高斯白噪声信号生成高斯白噪声是一种统计特性良好的随机信号，其频域内的功率谱密度是常数。

在Matlab中，可以使用randn函数生成服从标准正态分布的随机数，进而得到高斯白噪声信号。

以下是一个简单的示例：```matlabt = 0:0.1:10; % 时间变量n = length(t); % 信号长度noise = randn(1,n); % 生成高斯白噪声plot(t,noise);```其中，t为时间变量，n为信号长度，randn函数生成服从标准正态分布的随机数，最后使用plot函数进行绘制。

通过修改时间变量和信号长度，可以生成不同长度和采样频率的高斯白噪声信号。

二、均匀白噪声信号生成均匀白噪声是一种功率谱密度为常数的随机信号，与高斯白噪声相比，其统计特性略有不同。

在Matlab中，可以使用rand函数生成服从均匀分布的随机数，进而得到均匀白噪声信号。

以下是一个简单的示例：```matlabt = 0:0.1:10; % 时间变量n = length(t); % 信号长度noise = rand(1,n); % 生成均匀白噪声plot(t,noise);```同样地，通过修改时间变量和信号长度，可以生成不同长度和采样频率的均匀白噪声信号。

三、正弦信号加噪声在实际应用中，我们常常需要有噪声干扰的信号。

假设我们要生成带有高斯白噪声的正弦信号，可以使用以下方法：```matlabt = 0:0.1:10; % 时间变量n = length(t); % 信号长度signal = sin(t); % 生成正弦信号noise = 0.1*randn(1,n); % 生成高斯白噪声noisy_signal = signal + noise; % 信号加噪声plot(t,noisy_signal);```在上述示例中，我们首先生成了一个正弦信号，然后使用randn函数生成与信号长度相同的高斯白噪声，最后将信号和噪声相加得到带有噪声干扰的信号。

matlab-正弦波-高斯白噪声-均匀白噪声-功率谱密度-自相关函数

现代通信原理作业一利用matlab完成：●产生正弦波信号、均匀白噪声以及高斯白噪声并分别将两种噪声叠加到正弦波信号上，绘出波形。

●分别求取均匀白噪声序列和高斯白噪声序列的自相关及功率谱密度，绘出波形。

一、白噪声区别及产生方法1、定义：均匀白噪声：噪声的幅度分布服从均匀分布，功率谱密度在整个频域内均匀分布的噪声。

高斯白噪声：噪声的幅度分布服从正态分布，功率谱密度在整个频域内均匀分布的噪声。

2、matlab仿真函数：rand函数默认产生是区间在[0,1]的随机数，这里需要利用公式：z2=a+(b-(a))*rand(m,n)............（公式1）randn函数默认产生均值是0、方差是1的随机序列，所以可以用其来产生均值为0、方差为1的正态分布白噪声，即N(0，12)。

利用公式：z1=a+b*randn(1,n).................（公式2）可以产生均值为a，方差为b2 高斯白噪声，即N(a，b2)。

二、自相关函数与功率谱密度之间的关系1、功率谱密度：每单位频率波携带的功率，这被称为信号的功率谱密度。

2、自相关函数：描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度。

3、维纳-辛钦定理：由于平均值不为零的信号不是平方可积的，所以在这种情况下就没有傅里叶变换。

幸运的是维纳-辛钦定理提供了一个简单的替换方法，如果信号可以看作是平稳随机过程，那么功率谱密度就是信号自相关函数的傅里叶变换。

4、平稳随机过程：是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。

（就是指得仅一个随机过程，中途没有变成另外一个统计特性的随机过程）二、源代码及仿真结果1、正弦波x=(0:0.01:2); %采样频率100Hzy1=sin(10*pi*x); %产生频率5Hz的sin函数plot(x,y1,'b');2、高斯白噪声+正弦波z1=0.1*randn(1,201); %产生方差N（0，0.12）高斯白噪声（b=0.01/0.1/1）plot(x,z1,'b');y2=y1+z1; %叠加高斯白噪声的正弦波plot(x,y2,'b');3、均匀白噪声+正弦波z2=-.3+.6*rand(1,201); %产生-0.3到0.3的均匀白噪声plot(x,z2,'b');y3=y1+z2; %叠加均匀白噪声的正弦波plot(x,y3,'b');4、高斯白噪声序列自相关函数及功率谱密度z1=0.1*randn(1,201); %产生方差N（0，0.12）高斯白噪声[r1,lags]=xcorr(z1); %自相关函数的估计plot(lags,r1);f1=fft(r1);f2=fftshift(f1); %频谱校正l1=(0:length(f2)-1)*200/length(f2)-100; %功率谱密度x轴y4=abs(f2);plot(l1,y4);5、均匀白噪声序列自相关函数及功率谱密度z2=-.3+.6*rand(1,201); %产生-0.3到0.3的均匀白噪声[r2,lags]=xcorr(z2); %自相关函数的估计plot(lags,r2);f3=fft(r2);f4=fftshift(f3); %频谱校正l2=(0:length(f4)-1)*200/length(f4)-100; %功率谱密度x轴y5=abs(f4);plot(l2,y5);。

MATLAB多方法去高斯白噪声

1、用matlab实现多幅图像平均去高斯白噪声.clear;I=imread('2222.jpg');I=rgb2gray(I);imshow(I);[a,b]=size(I);I2=zeros(a,b);noise=randn(a,b)*25;I1=double(I)+noise;figure(2);imshow(uint8(I1));for n=1:30noise=randn(a,b)*25;I1=double(I)+noise;I2=I2+double(I1);end;I2=I2/n;figure(3);imshow(uint8(I2));原图加了白噪声多图去除白噪声2、用matlab 实现均值滤波去除高斯白噪声.clear;I=imread('2222.jpg');I=rgb2gray(I);figure;imshow(I);noise=randn(a,b)*25;I=double(I)+noise;[a,b]=size(I);I2=zeros(a+2,b+2);I3=zeros(a,b);for n=1:afor m=1:b原图I2(n+1,m+1)=I(n,m);end;end;for n=2:afor m=2:bI3(n-1,m-1)=[I2(n-1,m-1)+I2(n-1,m)+I2( n-1,m+1)+I2(n,m-1)+I2(n,m)+I2(n,m+1) +I2(n+1,m-1)+I2(n+1,m)+I2(n+1,m+1)]/ 9;end;均值滤波后图3、用matlab实现中值滤波去除脉冲噪声. clear;I=imread('2222.jpg');I=rgb2gray(I);figure(1);imshow(I);%I0=zeros(1:9);[a,b]=size(I);I2=zeros(a+2,b+2);I3=zeros(a,b);for n=1:afor m=1:bI2(n+1,m+1)=I(n,m);end;end;for n=0:100I2(round(rand*a),round(rand*b))=0; end; for n=0:200I2(round(rand*a),round(rand*b))=255; end;figure(2)imshow(uint8(I2));I2=double(I2);for n=2:afor m=2:bI0=[I2(n-1,m-1),I2(n-1,m),I2(n-1,m+1),I2(n,m-1), I2(n,m),I2(n,m+1),I2(n+1,m-1),I2(n+1,m),I2(n+1 ,m+1)];I0=sort(I0);I3(n-1,m-1)=I0(5);end;end;处理前原图添加随机脉冲噪声处理后图片心得体会：这两次作业是一起做的，所以心得也基本一样吧，主要是在边缘扩展的时候感觉有点怪怪的，不知道那么扩展对不对，还有不知道除了0扩展之外其他扩展怎么写和效果怎么样，有时间试试看。

matlab高斯白噪声绘制

matlab高斯噪声函数

matlab 正弦波 高斯白噪声 均匀白噪声 功率谱密度 自相关函数(word文档良心出品)

产生高斯白噪声和有色噪声的MATLAB程序

MATLAB环境下的正弦信号及高斯白噪声仿真程序说明

基于MATLAB的高斯白噪声信道分析报告

高斯白实验报告

高斯白噪声 matlab 带宽

matlab高斯白噪声绘制

通过matlab产生wav的白噪声

通过matlab产生wav的白噪声

matlab 协方差白噪声

实验一-基于MATLAB的白噪声信号u(n)、sinc函数、chirp信号产生实验

(word完整版)高斯白噪声的matlab实现

MATLAB环境下的正弦信号及高斯白噪声仿真程序说明

matlab awgn 函数

白噪声(matlab)

Matlab高级教程_第四篇：白噪声的MATALB生成方式

使用Matlab进行随机信号生成的方法

matlab-正弦波-高斯白噪声-均匀白噪声-功率谱密度-自相关函数

MATLAB多方法去高斯白噪声

matlab 正弦波高斯白噪声均匀白噪声功率谱密度自相关函数(word文档良心出品)