随机信号分析实验
- 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)。
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:
N
y x N ky Mod y y n n n n /))((110===-, (1.1)
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) 7101057k 10⨯≈==,周期,N ;
(2) (IBM 随机数发生器)8163110532k 2⨯≈+==,周期,N ; (3) (ran0)95311027k 12⨯≈=-=,周期,N ;
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 -= (1.2)
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。
如果要产生服从2N(,)μσ分布的随机序列,则可以由标准正态随机序列产生。
(3) 其他分布的随机序列
MATLAB 上还提供了其他多种分布的随机数的产生函数,下表列出了部分函数。
MATLAB 中产生随机数的一些函数
表1.1 MATLAB 中产生随机数的一些函数
3、随机序列的数字特征估计
对于遍历过程,可以通过随机序列的一条样本函数来获得该过程的统计特性。这里我们假定随机序列X (n)为遍历过程,样本函数为x(n),其中
n=0,1,2,…,N-1。那么,X (n)的均值、方差和自相关函数的估计为
利用MATLAB 的统计分析函数可以分析随机序列的数字特征。
(1) 均值函数
函数:mean
用法:m = mean(x)
功能:返回按上面第一式估计X (n)的均值,其中x为样本序列x(n)。
(2) 方差函数
函数:var
用法:sigma2 = var(x)
功能:返回按上面第二式估计X (n)的方差,其中x为样本序列x(n),这一估计为无偏估计。
(3) 互相关函数
函数:xcorr
用法:c = xcorr(x,y)
c = xcorr(x)
c = xcorr(x,y,'opition')
c = xcorr(x,'opition')
功能:xcorr(x,y)计算X (n)与Y(n)的互相关,xcorr(x)计算X (n)的自相关。
option 选项可以设定为:
'biased' 有偏估计,即
(1.6)
'unbiased' 无偏估计,即按(1.5)式估计。
'coeff' m = 0 时的相关函数值归一化为1。
'none' 不做归一化处理。
三、实验内容
1.采用线性同余法产生均匀分布随机数1000个,计算该序列均值和方差与理论值之间的误差大小。改变样本个数重新计算。
实验代码:
num=input('Num=');
N=2^31;
k=2^16+3;
Y=zeros(1,num);
X=zeros(1,num);
Y(1)=1;
for i=2:num
Y(i)=mod(k*Y(i-1),N);
end
X=Y/N;
a=0;
b=1;
m0=(a+b)/2;
sigma0=(b-a)^2/12;
m=mean(X);
sigma=var(X);
delta_m=abs(m-m0);
delta_sigma=abs(sigma-sigma0);
plot(X,'k');
xlabel('n');
ylabel('X(n)');
实验结果:
(1) Num=1000时:
delta_m=0.0110,delta_sigma=0.0011
(2) Num=5000时:
delta_m =2.6620e-04,delta_sigma =0.0020
实验结果分析:
样本越大,误差越小,实际值越接近理论值。
2. 参数为的指数分布的分布函数为
x x e F λ--=1
利用反函数法产生参数为0.5 的指数分布随机数1000 个,测试其方差和相关函数。
实验代码: R=rand(1,1000); lambda=0.5; X=-log(1-R)/lambda; DX=var(X); [Rm,m]=xcorr(X); subplot(211);
plot(X,'k');xlabel('n');ylabel('X(n)'); subplot(212);
plot(m,Rm,'k');xlabel('m');ylabel('R(m)');
实验结果: