随机信号处理实验
随机信号处理实验专业：电子信息科学与技术班级：学号：学生姓名：指导教师：钱楷一、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 3、熟悉各种随机信号分析及处理方法。
4、掌握运用MATLAB 中的统计工具包和信号处理工具包绘制概率密度的方法二、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、高斯白噪声白噪声信号是一个均值为零的随机过程，任一时刻是均值为零的随机变量,而服从高斯分布的白噪声即称为高斯白噪声。
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E(X)=，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x(t)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、协方差设两个随机变量X 和Y ，定义：为X 和Y 的协方差。
其相关函数为：⎰⎰+∞∞-+∞∞-==dxdy t t y x xyf t Y t X E t t R XY XY ),,,()}()({),(212121 由此可见协方差的相关性与X 和Y 是密切相关的，表征两个函数变化的相似性。
5、协方差 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。
7、互相关 互相关函数定义为： 如果X （t ）与Y （t ）是相互独立的，则一定是不相关的。
反之则不一定成立。
它是两个随机过程联合统计特性中重要的数字特征。
8、平滑滤波平滑滤波可以与中值滤波结合使用，对应的线性平滑器可以仅仅用低阶的低通滤波器（如果采用高阶的系统，则将抹掉信号中应该保存的不连续性）。
121212121212(,)[()()](,,,)X R t t E X t X t x x f x x t t dx dx +∞+∞-∞-∞==⎰⎰⎰⎰+∞∞-+∞∞-==dxdy t t y x xyf t Y t X E t t R XY XY ),,,()}()({),(2121219、IIR 数字滤波器设计原理利用双线性变换设计IIR 滤波器，首先要设计出满足指标要求的模拟滤波器的传递函数)(s H a ，然后由)(s H a 通过双线性变换可得所要设计的IIR 滤波器的系统函数)(z H 。
10、最大似然法最大似然法（Maximum Likelihood ，ML ）也称为最大概似估计，也叫极大似然估计，是一种具有理论性的点估计法，此方法的基本思想是：当从模型总体随机抽取n 组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n 组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟合样本数据的参数估计量。
11、FFT 变换FFT 即为快速傅里叶变换，是离散傅里叶变换的快速算法，它是根据离散傅里叶变换的奇、偶、虚、实等特性，对离散傅里叶变换的算法进行改进获得的。
在MATLAB 的信号处理工具箱中函数FFT 的一种调用格式为y=fft(x) 其中X 是序列，Y 是序列的FFT 。
12、希尔伯特变换及性质x(t) 的希尔伯特变换为x(t) 与1/πt 的卷积，即○X (1/πt)因此，对x (t ) 的希尔伯特变换可以看作为x (t ) 通过一个冲击响应为1/πt 的线性滤波器。
希尔伯特变换器在整个频域上具有恒为1 的幅频特性，为全通网络，在相位上则引入−π/2 和π/2的相移。
13、功率谱密度估计定义为随机信号的功率谱，它表示单位频带类信号的频率分量消耗在单位电阻上的平均功率的统计平均值，14、瑞利分布概率密度函数使用方法：Y=raylpdf(x,b),参数为b 的瑞利分布在x 处的概率密度函数。
15、瑞利分布概率分布函数使用方法：Y=raylcdf(x,b),参数为b 的瑞利分布在x 处的概率分布函数值 16、直方图法估计随机序列概率密度的估计使用方法：hist(y,x),画出用矢量y 表示的随机序列的直方图，参数x 表示计算直方图划分的单元，也是用矢量表示。
17、概率密度如果),(t x F Y 的一阶导数存在，则定义 为随机过程 X(t) 的一维概率密度。
如果知道了随机过程的一维概率密度，那么也就知道了随机过程在所有时刻上随机变量的一维概率密度。
三、实验结果分析1、GUI界面2、语言信号3、加入均匀分布的白噪声后的信号由图知：两个信号的叠加在幅度上叠加4、求均值上图所示为对语音信号求均值的图形，在求均值时需要对信号加窗处理，否则出现的就是一个点不便于分析，所以上图是对信号加汉宁窗求均值的图形，由原理知道当采样点数达到足够大时均值是一个常数。
5、求方差6、自相关函数由图可知：自相关函数可正，可负，其绝对值越大表示相关性越强。
7、平滑滤波由图知，经过平滑滤波后，原始信号的峰值变化减小了，信号的频谱变得平滑了很多。
说明平滑滤波对信号具有很好的平滑效果。
8、IIR低通滤波由图分析，可知经过低通滤波后信号的波形变化很大，说明原始信号主要分布在高频不分，低频占据很少。
9、IIR高通滤波由图可知：经过滤波后基本不改变原始信号的波形幅值及频谱，说明该语言信号高频部分占据很多。
10、最大似然估计由图可知：语音信号的最大似然估计满足由0到0.083变化，呈直线变化。
11、互相关由图可知：相关性可正课负，在以0为基准上下改变。
大约在125的时候达到最大值，此后向两边多趋于平稳，接近于0.12、协方差由图可知：协方差反映了两个之间的相关程度，又图可知两个的差别变化很大。
在大约2的时候两个的曲线相交于0点，此时两者的几乎不相关，在此之外两者的差值约大，说明相关性越大。
13、FFT变换由图可知：随机信号的FFT图形在高低频率的变化量很大，而在中频率段很下几乎一条直线，说明对应的不同频率是对应的量差别很大，在两边分布广，中间的少。
14、指数分布概率密度15、希尔伯特变换上图所示是对原始的语音信号进行一次的希尔伯特变换的实轴和虚轴的变化图形，希尔伯特变换序列具有和原序列相同的幅值和频率成分，也包含了原序列的相位信息，由图可以看出，对信号进行一次变换后实轴和虚轴的图形相差了π/2，即相移了π/2，而原来的幅值和频率都保持不变，所以，对信号作希尔伯特变换就相当于对原始信号进行每次正负π/2的相移。
16、功率谱上图所示为原始信号与加噪信号的功率谱密度的比较图形，上述两个图形中功率谱都大于或等于0。
开始的值比较高，逐渐而降低。
17、瑞利分布概率密度18、瑞利分布概率分布19、直方图20、概率密度的估计由图可知:语音信号的变化规律大致呈正太分布，与我们熟知的正太分布基本相同呈现出：中间的多（高），两边逐渐减少。
21、指数分布概率分布四、实验心得通过这次实验，我发现了许多我们不懂不知道的知识以及要点，真正懂得了查找资料的重要性以及和同学之间的协作，有许多问题在我们不懂、不知道的时候，经过大家猜一起的讨论，相互帮助、提醒使的一个个地克服了很多专业上的困难，学到了很多随机信号处理方面的知识。
但是，自己也清楚的明白现自己所了解的，所掌握的还只是一点皮毛而已，还有很多的更深，更难得知识不知道、没掌握，所以今后会在这方面付出更多的努力，花费更多的时间。
同时，也感谢指导老师的耐心教导与指导。
=实验一、语音信号y=wavread('xl.wav');%原始语音信号读入（语音信号，格式为wav）plot(y,'b');title('原始信号');xlabel('取值范围');ylabel('信号幅值变化');实验二、加入均匀分布的白噪声后的信号y=wavread('xl.wav');y=y(1:100000);x1=randn(100000,1);%产生标准100000个均匀分布的白噪声序列h1=x1+y;plot(h1,'b');title('原信号加入均匀白噪声');实验三、求均值[y,fs,bits]=wavread('xl.wav',[1,100000]);x=hamming(32)/32;%32的汉宁窗函数s=abs(y);%求幅值h=conv(s,x);%进行卷积和多项式的乘积plot(h,'b');title('均值');xlabel('取值范围');ylabel('变化情况');实验四、求方差[y,fs,bits]=wavread('xl.wav',[1,100000]);x=hamming(32)/32;%32窗函数s1=y.^2;h2=conv(s1,x);%进行卷积和多项式的乘积plot(1:100000,h2(1:100000),'b');title('方差');xlabel('取值范围');ylabel('变化情况');实验五、自相关函数y=wavread('xl.wav');x=xcorr(y);%自相关函数plot(x,'b');title('自相关');xlabel('取值范围');ylabel('变化情况');实验六、平滑滤波y=wavread('xl.wav',[1,100000]);m=smooth(y,10);%平滑滤波plot(m,'b');title('平滑滤波');xlabel('取值范围');ylabel('变化情况');实验七、IIR低通滤波y=wavread('xl.wav',[1,100000]);x=fft(y,100000);N=20;wc=0.2;[b,a]=butter(N,wc);h=filter(b,a,y);%IIR低通滤波plot(h,'b');title('IIR低通滤波');xlabel('取值范围');ylabel('变化情况');实验八、IIR高通滤波[y,fs,bits]=wavread('xl.wav',[1,100000]);N=2;wc=0.6;[b,a]=butter(N,wc);%IIR高通滤波参数x=filter(b,a,y);%滤波函数m=fft(x,10000);%fft转换n=fft(y,10000);%fft转换plot(1:10000,m(1:10000),'r',1:10000,n(1:10000),'b');title('IIR高通滤波');xlabel('取值范围');ylabel('变化情况'); legend('IIR高通滤波后信号波形','滤波前信号波形');实验九、最大似然估计y=wavread('xl.wav');x=mle(y);%最大似然估计plot(x,'b');title('最大似然估计');xlabel('取值范围');ylabel('变化情况');实验十、互相关y=wavread('xl.wav',[1,100000]);x=randn(100000,1);%产生标准100000个正态分布的白噪声序列m=xcorr(x,y);plot(m,'b');title('互相关');xlabel('取值范围');ylabel('信号幅值变化');实验十一、协方差y=wavread('xl.wav',[1,100000]);x=weibrnd(1,1.2,100000,1);%韦伯分布参数为A=1,B=1.2,的100000个韦伯噪声序列h=cov(x,y);%协方差plot(h,'b');title('两者的协方差');xlabel('取值范围');ylabel('信号幅值变化');实验十二、FFT变换[y,fs,bits]=wavread('xl.wav');N=3000000;n=0:N-1;t=n/fs;x=fft(y,N);%fft函数h=abs(x);plot(h,'b');title('fft转换信号');xlabel('取值范围');ylabel('变化情况');axis([-50000,3100000,0,300]);实验十三、指数分布概率密度y=wavread('zk.wav',[1,100000]);x=exppdf(y,2);%指数分布概率密度plot(x,'b');title('指数分布概率密度');xlabel('n的值');ylabel('信号幅值变化');实验十四、希尔伯特变换[y,fs,bits]=wavread('xl.wav',[1,100000]);N=length(y)-1;t=0:1/fs:N/fs;x=hilbert(y);%希尔伯特变换plot(t(1:100000),real(x(1:100000)),'g',t(1:100000),imag(x(1:100000)),'b'); title('希尔伯特变换');xlabel('取值范围');ylabel('变化情况');legend('实轴','虚轴');实验十五、功率谱[y,fs,bits]=wavread('xl.wav',[1,100000]);x=xcorr(y);%求自相关函数m=fft(x,100000);h=abs(m);n=0:round(100000/2-1);%i=n*fs/100000;p=10*log10(h(n+1));plot(i,p,'b');title('功率谱');xlabel('取值范围');ylabel('变化情况');实验十六、瑞利分布概率密度y=wavread('xl.wav',[1,100000]);x=raylpdf(y,2);%瑞利分布概率密度函数plot(x,'b');title('瑞利分布概率密度');xlabel('取值范围');ylabel('变化情况');实验十七、瑞利分布概率分布y=wavread('xl.wav',[1,100000]);x=raylcdf(y,2);%瑞利分布概率分布函数plot(x,'b');title('瑞利分布概率分布');xlabel('取值范围');ylabel('变化情况');实验十八、直方图y=wavread('xl.wav',[1,100000]);n=-0.2:0.05:0.2;hist(y,n);%序列的分布直方图title('直方分布图');xlabel('取值范围');ylabel('分布情况');实验十九、概率密度的估计[y,fs,bits]=wavread('xl.wav',[1,100000]);[f,xi]=ksdensity(y);%随机序列概率密度的估计plot(xi,f,'b');title('概率密度');xlabel('x');ylabel('f(x)');axis([-0.1,0.1,0,60]);实验二十、指数分布概率分布y=wavread('xl.wav',[1,100000]);x=expcdf(y,2);%指数分布概率分布plot(x,'b');title('指数分布概率分布');xlabel('n的值');ylabel('信号幅值变化');。
随机信号处理的编程实现
实验二 随机信号处理的编程实现一、实验目的1、了解随机信号处理的常见调用函数；2、掌握一些比较复杂的信号处理的编程过程。
二、实验原理1、 滤波器的种类很多，从功能上可以分为低通、高通、带通和带阻滤波器，上述每种滤波器又可以分为模拟滤波器和数字滤波器。
这里根据窗函数设计了FIR 滤波器。
分为三个步骤。
（1）变换。
对给定的理想的频率响应进行傅里叶变换，即在-pi 到pi 的一个周期内，在给定的通带上对实矩形函数积分，之后得到的是一个以n=0为对称中心的无限长序列，用hd(n)来表示。
（2）移位。
如果所要求的滤波器冲击响应的长度为N （可以是基数亦可以是偶数），则将n)向右移位N-1/2，于是得到一个以N-1/2为对称中心的无限长序列，用h(n)来表示，即有h(n)= hd(n-(N-1/2)).此时频率响应Hd(jw e )不再是实函数，这是因为θ(w)=- N-1/2）*w 不等于0；而幅度H （w ）仍然是理想的矩形函数。
（3）加窗。
加窗的作用是通过把理想滤波器的无限长脉冲响应hd(n)乘以窗函数w(n)来产生一个被截断的脉冲响应，即h(n)= hd(n)w(n)，并且对频率响应进行平滑。
由于h ’(n)和w （n ）的对称中心都在N-1/2,于是就得到了长度为N ，对称中心在N-1/2的序列h(n),这就是所要求的线性相位fir 滤波器的冲击响应。
2、功率谱估计就是通过信号的相关性估计出接受到信号的功率随频率的变化关系，实际用途有滤波，信号识别（分析出信号的频率），信号分离，系统辨识等。
谱估计技术是现代信号处理的一个重要部分，还包括空间谱估计，高阶谱估计等。
3、从概率论和统计学的角度而言，韦伯分布连续性的概率分布，其概率密度为()()0,,;/1≥⎪⎭⎫ ⎝⎛=--x e x k k x f kk x k λλλ 其中，x 是随机变量，λ＞0是比例参数，k ＞0是形状参数。
显然，它的累积分布函数是扩展的指数分布函数，而且，韦伯分布与很多分布都有关系。
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
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 = experiment number = 49; %学号49 I = 8; %幅值为8 u = 1/number;Ex = I*0.5 + (-I)*0.5; N = 64; C0 = 1; %计数 p(1) = exp(-u);for m = 2:N k = 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，/222(){()()}(2)!m k mk 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 XC 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H a r b i n I n s t i t u t e o f T e c h n o l o g y实验报告课程名称：随机信号分析院系：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、各种分布随机数的产⽣（⼀）实验原理1.均匀分布随机数的产⽣原理产⽣伪随机数的⼀种实⽤⽅法是同余法，它利⽤同余运算递推产⽣伪随机数序列。
最简单的⽅法是加同余法)(mod 1M c y y n n +=+My x n n 11++= 为了保证产⽣的伪随机数能在[0,1]内均匀分布，需要M 为正整数，此外常数c 和初值y0亦为正整数。
加同余法虽然简单，但产⽣的伪随机数效果不好。
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]上均匀分布的随机数)(mod 1M ay y n n =+ My x n n 11++= 式中，a 为正整数。
⽤加法和乘法完成递推运算的称为混合同余法，即 )(mod 1M c ay y n n +=+ M y x n n 11++=⽤混合同余法产⽣的伪随机数具有较好的特性，⼀些程序库中都有成熟的程序供选择。
常⽤的计算语⾔如Basic 、C 和Matlab 都有产⽣均匀分布随机数的函数可以调⽤，只是⽤各种编程语⾔对应的函数产⽣的均匀分布随机数的范围不同，有的函数可能还需要提供种⼦或初始化。
Matlab 提供的函数rand()可以产⽣⼀个在[0,1]区间分布的随机数，rand(2,4)则可以产⽣⼀个在[0,1]区间分布的随机数矩阵，矩阵为2⾏4列。
Matlab 提供的另⼀个产⽣随机数的函数是random('unif',a,b,N,M)，unif 表⽰均匀分布，a 和b 是均匀分布区间的上下界，N 和M 分别是矩阵的⾏和列。
2.随机变量的仿真根据随机变量函数变换的原理，如果能将两个分布之间的函数关系⽤显式表达，那么就可以利⽤⼀种分布的随机变量通过变换得到另⼀种分布的随机变量。
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 MATLAB实验1
随机信号分析与处理实验报告1实验一熟悉MATLAB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('11',[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、幅值对于随机信号的频域描述，常使用功率谱，它是表征信号的能量随着频率的分布情况。
当然，功率谱也可用于周期信号和瞬变信号的频域描述。
周期函数的幅值谱：一般周期信号均由一个直流分量、一个基波(正弦波)和无限个谐波(正弦波)所组成，各次谐波的频率是基波频率的整数倍，基波、各次谐波的幅值Ao和初相角是各不相同的，将幅值与频率的函数关系成为幅值谱。
3、语音信号自相关性三、实验结果与分析1、信号原始波形2、FFT变换利用fft变换，对语音信号进行进行分析，可以看出所能发出的音调应该是稳定的或是在一定的范围内浮动3、语音信号相位通过相位处理，将语音信号的声门激励信息及声道响应分别离开来4、自相关函数2004006008001000120014001600180000.51自相关函数根据自相关函数可以看出语音信号的周期。
自相关函数检测出淹没在随机噪声干扰中的信号，随机信号的自功率谱等于它的自相关函数的傅里叶变换。
自相关函数是描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度。
从图中可以看出，当t1=t2=900时，信号的自相关性最强。
5、语音自协方差函数从图中原始信号的自协方差函数与原始信号的自相关函数在波形上相差不大，原因是121212(,)(,)()()X X X X K t t R t t m t m t =-,此时12t t =，通过计算，可以得到1()X m t ，2()X m t 的值很小，所以得到的自协方差函数波形是正确的。
随机信号实验报告(模板)(1)
随机信号实验报告学院通信工程学院专业信息工程班级 1401051班制作人文杰制作人晓鹏一、 摘要根据实验的要求与具体容，我们组做了一下分工，XXX 完成了本次的第一组实验即基于MATLAB 的信号通过线性系统与非线性系统的特性分析，具体容有（高斯白噪声n ，输入信号x ，通过线性与非线性系统的信号a,b,y1,y2的均值，均方值，方差，自相关函数，概率密度，功率谱密度以及频谱并把它们用波形表示出来），XXX 和XXX 两人合力完成了基于QUARTUS II 的2ASK 信号的产生及测试实验具体容有（XXX 负责M 序列发生器以及分频器，XXX 负责载波的产生以及开关函数和管脚配置），最后的示波器调试以及观察2ASK 信号的FFT 变换波形由我们组所有人一起完成的。
二、实验原理及要求实验一、信号通过线性系统与非线性系统的特性分析1、实验原理① 随机过程的均值（数学期望）：均值表示集合平均值或数学期望值。
基于随机过程的各态历经性，可用时间间隔T 的幅值平均值表示，即：均值表达了信号变化的中心趋势，或称之为直流分量。
② 随机过程的均方值：信号x(t)的均方值，或称为平均功率，其表达式为：均方值表达了信号的强度，其正平方根值，又称为有效值，也是信号的平均能量的一种表达。
③ 随机信号的方差： 信号x(t)的方差定义为：描述了信号的静态量，方差反映了信号绕均值的波动程度。
在已知均值和均方值的前提下，方差就很容易求得了。
④随机信号的自相关函数信号的相关性是指客观事物变化量之间的相依关系。
对于平稳随机过程X(t)和Y(t)在两个不同时刻t和t+τ的起伏值的关联程度，可以用相关函数表示。
在离散情况下，信号x(n)和y(n)的相关函数定义为：τ,t=0,1，2,……N-1。
⑤随机过程的频谱：信号频谱分析是采用傅立叶变换将时域信号x(t)从另一个角度来了解信号的特征。
时域信号x(t)的傅氏变换为：⑥随机过程的功率谱密度：随机信号的功率普密度是随机信号的各个样本在单位频带的频谱分量消耗在一欧姆电阻上的平均功率的统计均值，是从频域描述随机信号的平均统计参量，表示X(t)的平均功率在频域上的分布。
随机信号处理实验报告
随机信号处理实验报告院系名称学生姓名学号指导教师目录一、实验要求： (3)二、实验原理： (3)2.1 随机信号的分析方法 (3)2.2 随机过程的频谱 (3)2.3 随机过程的相关函数和功率谱 (4)（1）随机信号的相关函数： (4)（2）随机信号的功率谱 (4)三、实验步骤与分析 (5)3.1实验方案 (5)3.2实验步骤与分析 (5)任务一：（s1 变量）求噪声下正弦信号的振幅和频率 (5)任务二：（s1 变量）求噪声下正弦信号的相位 (8)任务三：（s1 变量）求信号自相关函数和功率谱 (11)任务四：（s变量）求噪声下信号的振幅和频率 (14)任务五：（s变量）求信号的自相关函数和功率谱 (17)3.3实验结果与误差分析 (19)（1）实验结果 (19)（2）结果验证 (19)（3）误差分析 (21)四、实验总结和感悟 (22)1、实验总结 (22)2、实验感悟 (23)五、附低通滤波器的Matlab程序 (23)一、实验要求：（学号末尾3，7）两个数据文件，第一个文件数据中只包含一个正弦波，通过MA TLAB 仿真计算信号频谱和功率谱来估计该信号的幅度，功率，频率和相位？对第二个文件数据估计其中正弦波的幅度，功率和频率？写出报告，包含理论分析，仿真程序及说明，误差精度分析等。
第一文件调用格式load FileDat01_1 s1，数据在变量s1中；第二文件调用格式load FileDat01_2 s ，数据在变量s 中。
二、实验原理：2.1 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。
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。