随机信号分析实验报告(基于MATLAB语言)
- 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)。
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。
如果要产生服从分布的随机序列,则可以由标准正态随机序列产生。
(3)其他分布的随机序列
分布函数分布函数
二项分布binornd 指数分布exprnd
泊松分布poissrnd 正态分布normrnd
离散均匀分布unidrnd 瑞利分布raylrnd
均匀分布unifrnd chi2rnd
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征。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1.3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(1.4)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
'unbiased' 无偏估计
'coeff' m = 0 时的相关函数值归一化为1
'none' 不做归一化处理
实验内容及实验结果
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。
程序代码:
y=1;
k=7;
N=10^10;
xn=[];
for i=1:1000
y=mod(y*k,N);
x=y/N;
xn=[xn x];
end
m=mean(xn)
n=var(xn)
me=0.5-m
ne=1/12-n
实验结果:
m = 0.4813
n = 0.0847
me= 0.0187
ne= -0.0013
2.参数为的指数分布的分布函数为
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。
程序代码:
j=1:1999;
y=1;
k=7;
N=10^10;
xn=[];
for i=1:1000
y=mod(y*k,N);
x=y/N;
xn=[xn x];
end
y=(-2)*log(1-xn);
n=var(y)
c=xcorr(y,'coeff');
plot(j-1000,c);
实验结果:
方差n=3.7596
自相关函数: