北理工随机信号分析实验报告
————————————————————————————————作者:————————————————————————————————日期:
本科实验报告实验名称:随机信号分析实验
课程名称:随机信号分析实验实验时间: 任课教师: 实验地点:
实验教师:
实验类型: □原理验证□综合设计□自主创新
学生姓名:
学号/班级:
组
号: 学
院:
同组搭档:专
业:
成绩:
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、10
N 10,k 7==,周期7510≈?; 2、(IBM 随机数发生器)3116
N 2,k 23,==+周期8510≈?; 3、(ran 0)315
N 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:r and
用法:x = r and(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:r andn
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2
N(,)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
M ATL AB 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
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:me an
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
'unbiased' 无偏估计,即按上面第三式估计。
'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。
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),num);
end
x=y/num;
m=mean(x);
si=var(x);
plot(x,'k');
xlabel('n');
ylabel('x(n)');
axis tight;
已知理论值均值为0.5 方差为0.0833
Num=1000
m =
0.4900
>> si
si=
0.0834
NUM=5000
m
m =
0.4950
>> si
si =
0.0834
Num =3000
m
m =
0.4833
>> si
si =
0.0832
Num =5000
m
m =
0.4980
>> si
si =
0.0833
2、参数为λ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。
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)');axis tight;
subplot(212);plot(m,Rm,'k');xlabel('m');ylabel('R(m)');axistig ht;
Dx
Dx =
4.0781
理论上方差的值为1/(0.5^2)=4,实际值为4.1201,因为取样个数有限,导致存在一
定偏差。但大体相近。
3、产生一组N(1,4)分布的高斯随机数(1000个样本),估计该序列的均值、方差和相关函数。
x=normrnd(1,2,[1,1000]);
Mx=mean(x);
Dx=var(x);
[Rm,m]=xcorr(x);
subplot(211);
plot(x,'k');xlabel('n');ylabel('x(n)');axis tight;
subplot(212);plot(m,Rm,'k');xlabel('m');ylabel('R(m)');ax is tight;
Mx
Mx=
1.0934
>> Dx
Dx =
4.1071
理论上的均值为1,方差为4。而在实验中得到的均值为1.0934,方差为 4.1071。考虑到取样点有限,误差可以接受,理论值和实验值基本相同。 四、实验体会
本次实验内容是随机序列的产生及数字特征估计,通过实验我学习和掌握随机数的产生方法,比如线性同余法,生成已知分布函数的随机数,ra nd 函数等,也实现了对随机序列数字特征的估计,初步达到了实验的预期目的。
实验二 随机过程的模拟与数字特征
一、实验目的
1、学习利用MATLA B 模拟产生随机过程的方法。
2、熟悉和掌握特征估计的基本方法及其MAT LAB 实现。
二、实验原理
1、正态分布白噪声序列的产生
MATLAB 提供了许多产生各种分布白噪声序列的函数,其中产生正态分布白噪声序列的函数为ra ndn 。
函数:r andn
用法:x = rand n(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),(2
συN 分布的随机序列,则可以由标准正态随机序列产生。如果N (0,1),则2X ~N(,)μ+σμσ。 2、相关函数估计
MATLAB 提供了函数xcorr 用于自相关函数的估计。
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。
3、功率谱估计
MATLAB 函数periodogram 实现了周期图法的功率谱估计。
函数:periodogram
用法:[Pxx,w] = periodogram(x)
[Pxx,w] = periodogram(x,window)
[Pxx,w]=periodogram(x,window,nfft)
[Pxx,f] =periodogram(x,window,nfft,fs)
periodogram(...)
功能:实现周期图法的功率谱估计。其中:
Pxx 为输出的功率谱估计值;
f 为频率向量;
w 为归一化的频率向量;
window 代表窗函数,这种用法对数据进行了加窗,对数据加窗是为了减少功率谱估计
中因为数据截断产生的截断误差,下图列出了产生常用窗函数的MATLAB函数。
nfft设定FFT算法的长度;
fs表示采样频率;
三、实验内容
1、按如下模型产生一组随机序列
=-+ω
x(n)0.8x(n1)(n)
其中(n)
ω是均值为1,方差为 4的正态分布白噪声序列。估计过程的自相关函数和功率谱。
y=1+2*randn(1,2000); %产生均值为1,方差为4的正态分布白噪声序列
x(1)=y(1);
n=2000;
for i=2:1:n
x(i)=0.8*x(i-1)+y(i); %按题目要求产生随机序列x(n)=0.8x(n-1)+w(n) end
plot(x);%画出随机序列x的图形
title('x(n)');
y=1+2*randn(1,2000);%产生均值为1,方差为4的正态分布白噪声序列
x(1)=y(1);
n=2000;
fori=2:1:n
x(i)=0.8*x(i-1)+y(i); %按题目要求产生随机序列x(n)=0.8x(n-1)+w(n) end
subplot(211);
c=xcorr(x); %画出x的自相关函数
plot(c);
title('R(n)');
p=periodogram(x);
subplot(212);
plot(p);%画出x的功率谱
title('S(w)');
2、设信号为
其中 12.0,05.021==f f ,)(n w 为正态分布白噪声序列,试在N =256和N=1024点时,分别产生随机序列x(n),画出x(n)的波形并估计x(n)的相关函数和功率谱。
(1)N=256时
N =256;
w=ran dn(1,N); %产生一长度为256的随机序列
n=1:1:N;
x=sin(2*pi*0.05*n)+2*cos(2*pi*0.12*n)+w(n);
R=xcorr(x);%求x的自相关函数p=periodogram(x); %求x的功率谱
subplot(311);
plot(x); title('x(n)');
subplot(312);
plot(R);
title('R(n)');
subplot(313);
plot(p);
title('S(w)');
(2)N=1024时
N=1024;
w=randn(1,N); %产生一长度为256的随机序列
n=1:1:N;
x=sin(2*pi*0.05*n)+2*cos(2*pi*0.12*n)+w(n);
R=xcorr(x); %求x的自相关函数
p=periodogram(x);%求x的功率谱
subplot(311);
plot(x); title('x(n)');
subplot(312);
plot(R);
title('R(n)');
subplot(313);
plot(p);
title('S(w)');
四、实验体会
此次试验通过随机过程的模拟和数字特征分析,让我对随机过程、自相关函数、功率谱密度等概念有了更加深刻的认识,我学会了如何使用matlab产生随机序列的自相关函数和功率谱密度的波形。