随机信号分析试验(4)

合集下载

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

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

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。

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。

随机信号分析基础图文 (4)

(4-6)
第四章随机信号的频域分析
4.1.2
1. 能量信号s(t)的自相关函数的定义为
Rs
s
t
s
t
dt
,
(4-7)
第四章随机信号的频域分析
自相关函数反映了一个信号与时间延迟τ后的同一信号间的相关程度。自相关函数Rs(τ)与时间t无关，只和时间差 τ有关。当τ=0时，能量信号的自相关函数Rs(0)等于信号的能量E：
第四章随机信号的频域分析
同样，两个能量信号的互相关函数 Rs1s2 与其互能量
谱密度 Es1s2 f 也构成一对傅里叶变换，即满足：
Es1s2
R s1s2
e j d S1*
S2
(4-27)
Rs1s2
1 2π
E s1s2
ej d
(4-28)
第四章随机信号的频域分析
若我们仍希望用连续的功率谱密度来表示周期信号的功
率，可以引入δ函数将式（4-35）表示为
第四章随机信号的频域分析
P 1
T0
T0 2 s2 (t)dt
T0 2
1 2π
n =-
Cn
2
n0
d
因此，定义周期信号s(t)的功率谱密度为
(4-37)
Ps
1 2π
n =-
Cn
2
n0
第四章随机信号的频域分析
第四章随机信号的频域分析
4.1 确知信号分析 4.2 随机信号的功率谱密度 4.3 互功率谱密度 4.4 随机信号的带宽 4.5 高斯白噪声与带限白噪声
第四章随机信号的频域分析
4.1 确知信号分析
4.1.1
对于确知信号，根据能量是否有限，可将其分为能量信号和功率信号两类。在通信理论中，通常把信号功率定义为电流或电压信号在单位电阻(1 Ω)上消耗的功率，即归一化功率P。因此，功率就等于电流或电压的平方：

随机信号分析4

y (t) x (t )h( )d
x (t)
0 x (t )h( )d
0 h( )
Y (t) X (t )h( )d
0 X (t )h( )d
0t
t x (t )
1、若X(t)平稳，则输出平稳。
mX (t) mX 常数
因X(t)平稳，则有：
RX
(t1, t2 )
RX
0
传递函数为：
H ( ) h(t)e jt dt 0
若以s代替j，传递函数在复频域中表示为：
H (s) h(t)e st dt 0
3、稳定的物理可实现系统条件
由于：
h(t) dt
0
h(t)
1
2j
j
H
j
(s)e
st
ds
则传递函数H(s)的所有极点都应位于s平面的左半平面（不含虚轴）
2、物理可实现性（因果性）
在输入信号到来前，系统不产生响应。既：h(t)=0， t<0 。
由于；y(t)
h( )x(t )d
x( )h(t )d
h( ) 0，
0
h(t ) 0，t 0 t
由因果性则输出为：
y(t)
h( )x(t )d
t x( )h(t )d
RY ( )
RY ( )
N0b 4
eb，
0
合并 0 和 0 的结果，得到输出自相关函数：
RY
( )
N0b 4
eb| | ，
| |
2）在上式中令 0，即可得输出的平均功率为
PY
E[Y 2(t)]
RY (0)
N0b 4
注意到b是时间常数(RC)的倒数，它也与系统的半功率带宽f 有

随机信号分析实验报告范文

随机信号分析实验报告范文ＨａａrrｂｂiinnＩＩnnttiiｔｔｕｕtteeooffTTeecchhｎｎooｌｌooggyy实验报告告课程名称:院系：电子与信息工程学院班级：姓名:学号：指导教师:实验时间:实验一、各种分布随机数得产生（一)实验原理1、、均匀分布随机数得产生原理产生伪随机数得一种实用方法就是同余法,它利用同余运算递推产生伪随机数序列．最简单得方法就是加同余法为了保证产生得伪随机数能在[0,１]内均匀分布,需要Ｍ为正整数，此外常数c与初值y0亦为正整数。

加同余法虽然简单,但产生得伪随机数效果不好。

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]上均匀分布得随机数ﻩﻩﻩ式中,ａ为正整数。

用加法与乘法完成递推运算得称为混合同余法,即ﻩﻩﻩ用混合同余法产生得伪随机数具有较好得特性,一些程序库中都有成熟得程序供选择。

常用得计算语言如Baic、Ｃ与Matlab都有产生均匀分布随机数得函数可以调用，只就是用各种编程语言对应得函数产生得均匀分布随机数得范围不同，有得函数可能还需要提供种子或初始化。

Matlaｂ提供得函数ｒａnd()可以产生一个在[0,1］区间分布得随机数，rand（2,4）则可以产生一个在［０,1]区间分布得随机数矩阵,矩阵为２行４列。

Matlab提供得另一个产生随机数得函数就是ranｄom(’unif’,a,b，N，M),unif表示均匀分布,a与b就是均匀分布区间得上下界,N与M分别就是矩阵得行与列。

2、、随机变量得仿真根据随机变量函数变换得原理,如果能将两个分布之间得函数关系用显式表达,那么就可以利用一种分布得随机变量通过变换得到另一种分布得随机变量。

若Ｘ就是分布函数为F(某)得随机变量,且分布函数F(某)为严格单调升函数,令Ｙ=F(某）,则Y必为在[0，1]上均匀分布得随机变量．反之,若Y就是在[0,1]上均匀分布得随机变量,那么即就是分布函数为F某(某）得随机变量。

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。

随机信号分析与处理实验报告

随机信号分析与处理实验题目：对音频信号的随机处理班级：0312412姓名：肖文洲学号：031241217指导老师：钱楷时间：2014年11月25日实验目的：1、学会利用MATLAB模拟产生各类随机序列。

2、熟悉和掌握随机信号数字特征估计的基本方法。

3、熟悉掌握MATLAB的函数及函数调用、使用方法。

4、学会在MATLAB中创建GUI文件。

实验内容：1、选用任意一个音频信号作为实验对象，进行各种操作并画出信号和波形。

2、操作类型：（1）、概率密度；（2）、希尔伯特变换；（3）、误差函数；（4）、randn;（5）、原始信号频谱；（6）、axis；（7）、原始信号；（8）、normpdf;（9）、unifpdf;（10）、unifcdf;（11）、raylpdf;（12）、raylcdf;（13）、exppdf;（14）、截取声音信号的频谱；（15）、expcdf;（16）、periodogram;（17）、weibrnd;（18）、rand;（19）、自相关函数；（20）、截取信号的均方值。

实验步骤：1、打开MATLAB软件，然后输入guide创建一个GUI文件。

2、在已经创建好的GUI文件里面穿件所需要的.fig面板（以学号姓名格式命名）。

入下图所示：图为已经创建好的.fig面板3、右击“概率密度”，查看回调，然后点击“callback”.在相应的位置输入程序。

然后点击运行，出现下图：4、依次对后续操作方式进行类似的操作。

5、当完成所有按键的“callback”后，出现的均为上图。

实验程序：function varargout = xiaowenzhou(varargin)% XIAOWENZHOU M-file for xiaowenzhou.fig% XIAOWENZHOU, by itself, creates a new XIAOWENZHOU or raises the existing% singleton*.%% H = XIAOWENZHOU returns the handle to a new XIAOWENZHOU or the handle to% the existing singleton*.%% XIAOWENZHOU('CALLBACK',hObject,eventData,handles,...) calls the local% function named CALLBACK in XIAOWENZHOU.M with the given input arguments.%% XIAOWENZHOU('Property','Value',...) creates a new XIAOWENZHOU or raises the% existing singleton*. Starting from the left, property value pairs are% applied to the GUI before xiaowenzhou_OpeningFunction gets called. An% unrecognized property name or invalid value makes property application% stop. All inputs are passed to xiaowenzhou_OpeningFcn via varargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES% Edit the above text to modify the response to help xiaowenzhou% Last Modified by GUIDE v2.5 02-Dec-2014 23:14:41% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @xiaowenzhou_OpeningFcn, ...'gui_OutputFcn', @xiaowenzhou_OutputFcn, ...'gui_LayoutFcn', [] , ...'gui_Callback', []);if nargin && ischar(varargin{1})gui_State.gui_Callback = str2func(varargin{1});endif nargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});elsegui_mainfcn(gui_State, varargin{:});end% End initialization code - DO NOT EDIT% --- Executes just before xiaowenzhou is made visible.function xiaowenzhou_OpeningFcn(hObject, eventdata, handles, varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% varargin command line arguments to xiaowenzhou (see VARARGIN)% Choose default command line output for xiaowenzhouhandles.output = hObject;% Update handles structureguidata(hObject, handles);% UIWAIT makes xiaowenzhou wait for user response (see UIRESUME)% uiwait(handles.figure1);% --- Outputs from this function are returned to the command line. function varargout = xiaowenzhou_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% Get default command line output from handles structurevarargout{1} = handles.output;% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)[y,Fs,bits]=wavread('Íõ·Æ.wav');y=y(1:5000);N=length(y);i=1:N;[f,i]=ksdensity(y);plot(i,f);grid;xlabel('x');ylabel('f(x)');axis();title('¸ÅÂÊÃÜ¶È');% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=x(20000:40000);y=hilbert(x);y=real(y);plot(x);% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=randn(500,1);plot(x);% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');y=erf(x);plot(y);% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton5.function pushbutton5_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');plot(x);axis([0 5000 -0.01 0.01]);% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton6.x=wavread('Íõ·Æ.wav');x=x(20000:40000);plot(x);% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton7.function pushbutton7_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=-6:0.01:7;y=normpdf(x,1,2);plot(y);% hObject handle to pushbutton7 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton8.function pushbutton8_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=0:0.1:5;y=unifpdf(x,1,30);plot(y);% hObject handle to pushbutton8 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton9.function pushbutton9_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=0:0.1:5;y=unifcdf(x,1,5);plot(y);% hObject handle to pushbutton9 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton10.x=wavread('Íõ·Æ.wav');x=0:0.1:3;y=raylpdf(x,2);plot(y);% hObject handle to pushbutton10 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton11.function pushbutton11_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=0:0.1:3;y=raylcdf(x,10);plot(y);% hObject handle to pushbutton11 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton12.function pushbutton12_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=0:0.01:5;y=exppdf(x,1);plot(y);% hObject handle to pushbutton12 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton13.function pushbutton13_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=0:0.01:5;y=expcdf(x,1);plot(y);% hObject handle to pushbutton13 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton14.[y,Fs,bits]=wavread('Íõ·Æ.wav');y1=y(1:1000);t=0:1/Fs:1;y1=periodogram(y1,[],1000,Fs);plot(y1);% hObject handle to pushbutton14 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton15.function pushbutton15_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=0:0.01:5;x=weibrnd(1,1.5,100,1);plot(x);% hObject handle to pushbutton15 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton16.function pushbutton16_Callback(hObject, eventdata, handles)x=wavread('Íõ·Æ.wav');x=rand(200,1);plot(x);% hObject handle to pushbutton16 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton17.function pushbutton17_Callback(hObject, eventdata, handles)[x,Fs,bits]=wavread ('Íõ·Æ.wav');x=x (:,1);X=fft (x,4096);magX=abs (X);angX=angle (X);plot (X); title ('Ô-Ê¼ÐÅºÅÆµÆ×');% hObject handle to pushbutton17 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton18.function pushbutton18_Callback(hObject, eventdata, handles)[y,Fs,bits]=wavread('Íõ·Æ.wav');y=y(500:1000);h=[ones(1,20) zeros(1,20)];y2=conv(h,y);stem(y2,'.');grid;title('½ØÈ¡ÉùÒôÐÅºÅµÄ¾í»ý');% hObject handle to pushbutton18 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton19.function pushbutton19_Callback(hObject, eventdata, handles)[y,Fs,bits]=wavread('Íõ·Æ.wav');y=y(1:5000);R=xcorr(y);plot(R);grid;title('×ÔÏà¹Øº¯Êý');% hObject handle to pushbutton19 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton20.function pushbutton20_Callback(hObject, eventdata, handles)[y,Fs,bits]=wavread('Íõ·Æ.wav');y=y(1:1000);n=length(y);x=randn(50,n);square=zeros(1,50);for i=1:50for j=1:1000square(i)=square(i)+x(i,j).^2;endsquare(i)=square(i)/1000;endRMS=sum(square)/30;plot(square);grid;title('½ØÈ¡ÉùÒôÐÅºÅµÄ¾ù·½Öµ');% hObject handle to pushbutton20 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% --- Executes during object creation, after setting all properties. function pushbutton1_CreateFcn(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcns called 实验结果：（1）概率密度（2）希尔伯特变换（3）randn（4）误差函数（5）axis（6）原始信号（7）normpdfd（8）unifpdf（9）unifcdf（10）raylpdf（11）raylcdf（12）exppdf（13）截取声音信号的卷积（14）expcdf（15）periodogram（16）weibrnd（17）rand（18）原始信号频谱（19）自相关函数（20）截取信号的均方值实验总结：随机信号分析与处理是研究随机信号的特点及其处理方法的专业基础课，是目标检测、估计、滤波等信号处理理论的基础。

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)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。

(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.M ATLAB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。

随机信号分析课件-4

y (t ) =
∫
∞
−∞
x(t − τ )h(τ )dτ =
∫
∞
−∞
x(τ )h(t − τ )dτ
= x(t ) * h(t )
如果
∫
∞
−∞
x(t ) dt < ∞
∫
∞
−∞
h(t ) dt < ∞
即傅里叶变换存在
X (ω ) = ∫ x(t )e
−∞
∞
− jωt
dt
H (ω ) = ∫ h(t )e
随机信号分析
水声工程学院电学中心
第4章随机信号通过线性系统
引言在许多学科中，关于系统输入－在许多学科中，关于系统输入－输出关系的描述是非常重要的。述是非常重要的。系统的输入可能有各种不同的形然而一般来说，式，然而一般来说，系统的输入总是被认为是对系统的某种激励，而系统的输出则被看成系统的响应。统的某种激励，而系统的输出则被看成系统的响应。系统的描述可以有许多不同的方法。例如，系统的描述可以有许多不同的方法。例如，系统的输入和输出可以经由微分方程、输入和输出可以经由微分方程、传递函数或冲激响应联系起来。应联系起来。当系统的输入是随机过程的某个样本则系统的输出信号可以通过系统的定义来求得，时，则系统的输出信号可以通过系统的定义来求得，输入随机过程的每一个样本都会在系统的输出产生一个输出信号。按照这种方式，一个输出信号。按照这种方式，实际上存在
41线性系统的基本理论411线性时不变系统连续时间系统离散时间系统双侧系统单侧系统双侧信号单侧信号线性系统时不变系统1输入输出关系法2常微分方程法3状态变量法1卷积积分法或卷积求和法2微分或差分方程法3状态变量法412连续时不变线性系统设xt是连续时不变线性系统的输入则该系统的输出由卷积积分得到ht与h构成一对傅里叶变换对如果y是输出yt的频谱则有stst如果系统单位冲击响应因果系统对于因果系统来说物理可实现稳定系统的传递函数hs之所有极点都位于s平面的左半面不包含虚轴

四川大学随机信号分析实验报告

随机信号分析基础实验报告课程随机信号分析基础实验题目随机信号通过线性系统学生姓名笔墨东韵专业电子信息科学与技术一、实验目的1.理解白噪声通过线性系统后统计特性的变化规律。

2.熟悉几种常用的时间序列。

二、实验内容1.白噪声通过线性系统后的统计特性分析。

（1）白噪声通过低通系统后的统计特性变化：对比输入输出的波形，自相关函数，功率谱密度，功率，互相关函数等；（2）白噪声通过不同带宽的低通系统后的概率密度；（3）窄带随机过程的产生与特性分析。

（调制，滤波）2.典型时间序列模型分析。

（1）模拟产生AR，ARMA模型序列，画出波形，并估计其均值，方差，自相关函数，功率谱密度；*（2）模拟产生指定功率密度的正态随机序列。

三、实验设备Matlab软件四、实验步骤以及实验结果分析1.白噪声通过线性系统后的统计特性分析。

>>l=(0:length(a2)-1)*200/length(a>>l=(0:length(a2)-1)*200/length(a2.典型时间序列的模拟分析模拟产生AR，ARMA模型序列：五、实验收获（本次实验的感受，对你的哪方面技能或知识有提高。

）本次实验我们收获很多，不仅理解了白噪声通过线性系统后统计特性的变化规律，同时也熟悉了如何使用matlab求信号的波形，自相关函数，功率谱密度，功率，互相关函数等等的统计特性。

深刻地理解到了线性系统对白噪声的影响。

除此之外，我们也深入地了解了AR 和ARMA模型序列。

最重要的是让我们加深了对课本知识的理解。

总之，本次实验我们受益匪浅。

随机信号分析试验(4)

实验四 随机信号分析

随机信号分析实验报告

《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

随机信号分析实验报告

随机信号分析实验

随机信号分析实验报告

随机信号分析实验百度

随机信号分析实验报告

随机信号分析实验报告

北理工随机信号分析实验报告

随机信号分析基础图文 (4)

随机信号分析4

随机信号分析实验报告范文

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

随机信号分析与处理实验报告

随机信号分析实验报告(基于MATLAB语言)

随机信号分析课件-4

四川大学随机信号分析实验报告

实验四随机信号分析