《统计信号处理基础》实验报告
信号处理技术实训报告

信号处理技术实训报告
一、实训目标
本次信号处理技术实训的目标是掌握信号处理的基本原理和技术,通过实际操作和实验,加深对信号处理的理解,并培养实际操作能力。
二、实训内容
1. 信号基础知识学习:信号的定义、分类、特性等基本知识。
2. 信号的时域分析:包括信号的表示、信号的运算、信号的分解等。
3. 信号的频域分析:包括傅立叶变换、频谱分析、滤波器设计等。
4. 数字信号处理:包括离散傅立叶变换(DFT)、快速傅立叶变换(FFT)、数字滤波器设计等。
5. 信号处理应用:包括音频信号处理、图像信号处理等。
三、实训过程
1. 理论学习:通过课堂讲解和教材阅读,学习信号处理的基本原理和技术。
2. 实验操作:在实验室内,利用实验设备进行实际操作和实验,掌握信号处理的实际操作技能。
3. 编程实践:利用编程语言(如Python)进行信号处理的实践操作,加深对信号处理的理解。
4. 小组讨论:分组进行讨论,分享学习心得和实践经验,提高学习效果。
5. 撰写报告:根据实训内容和实验结果,撰写实训报告,总结实训成果。
四、实训总结
通过本次实训,我掌握了信号处理的基本原理和技术,了解了信号的时域分析和频域分析的方法,掌握了数字信号处理的基本方法,并能够应用这些技术进行音频信号处理和图像信号处理的实践操作。
同时,通过小组讨论和编程实践,提高了自己的学习效果和实践能力。
在今后的学习和工作中,我将继续深入学习信号处理技术,并将其应用到实际问题中,提高自己的专业水平和实践能力。
统计信号分析与处理实验报告

实验2 随机过程的计算机模拟一、实验目的1、给定功率谱(相关函数)和概率分布,通过计算机模拟分析产生相应的随机过程;2、通过该随即过程的实际功率谱(相关函数)和概率分布验证该实验的有效性;3、学会运用Matlab 函数对随机过程进行模拟。
二、实验原理1、标准正态分布随机序列的产生方法:利用随机变量函数变换的方法。
设r1,r2为两个相互独立的(0,1)均匀分布的随机数,如果要产生服从均值为m,方差为正态分布的随机数x,则可以按如下变换关系产生:2、正态随机矢量的模拟:设有一 N 维正态随机矢量,其概率密度为为协方差矩阵,且是正定的。
3、具有有理谱的正态随机序列的模拟根据随机过程通过线性系统的理论,白噪声通过线性系统后,输出是正态的,且输出功率谱只与系统的传递函数有关。
利用这一性质,我们可以产生正态随机过程。
如上图所示,输入W(n)为白噪声,假定功率谱密度为G (z) = 1 W ,通过离散线性系统后,输出X (n)是正态随机序列,由于要求模拟的随机序列具有有理谱,则G (z) X 可表示为:其中,G (z) X+ 表示有理谱部分,即所有的零极点在单位圆之内,G (z) X? 表示非有理谱部分,即所有零极点在单位圆之外。
4、满足一定相关函数的平稳正态随机过程的模拟,当已知平稳随机过程的相关函数而要确定该随机过程的模拟算法。
很显然,只要我们设计一个合适的滤波器,使得该白噪声通过滤波器后,输出的功率谱满足上述相关函数的傅里叶变换,就可以模拟得到该随机过程。
三、实验内容1、产生两组相互独立的(0,1)均匀分布的随机数(随机数个数:500)程序及图形如下:clear;x=randn(1,500);y= randn(1,500);subplot(2,1,1);plot(x);title('第二组');subplot(2,1,2);plot(y);title('第一组')2、按照实验原理中的方法产生一组均值为1,方差为1 的正态分布的随机序列(序列长度:500)程序及图形如下:clear;y=1+sqrt(1)*randn(1,500);plot(y);title(‘正态分布,均值方差都为1’)3、画出功率谱密度为G(w)=1/(1.25+cosw) 的功率谱图(一个周期内),采用均匀采样方法,采样点数为500程序及图形如下:clear;w=rand(1,500);M=1.25+cos(w);N=1;G=N./M;plot(G);title('均匀采样功率频谱');5、模拟产生一个功率谱为G(w)=1/(1.25+cosw) 的正态随机序列程序及图形如下:clear;w=randn(1,500);M=1.25+cos(w);N=1;G=N./M;plot(G);title('均匀采样功率频谱');4、实验中所遇到问题及解决方法问题1、对Matlab软件很生疏、编程也不熟悉。
统计信号分析与处理实验报告

一、实验目的和要求了解随机过程特征估计的基本概念和方法,学会运用Matlab 函数对随机过程进行特征估计,并且通过实验了解不同估计方法所估计出来结果之间的差异。
二、实验环境、内容和方法内容:实验原理设随机序列X(n)、Y(n)为各态历经过程,样本分别为x(n)、y(n)(n=0,1,....N-1)。
1、均值的估计2、方差的估计方差估计有两种情况,如果均值m x 已知,则如果均值未知,那么3、相关函数估计4、功率谱估计功率谱的估计有几种方法,(1)自相关法先求相关函数的估计然后对估计的相关函数做傅立叶变换,(2)周期图法先对序列x(n)做傅立叶变换,则功率谱估计为周期图法是一种非参数谱估计方法,另外还有一种修正的周期图方法,也叫Welch 法,MATLAB 有周期图和Welch 法的谱估计函数。
(3)现代谱估计技术现代谱估计主要有参数谱估计和子空间谱估计。
参数谱估计法是假定待估计功率谱的信号是白噪声驱动线性系统的输出,常用的方法有基于最大墒估计的伯格算法和Yuler-Walk自回归(AR)方法,这些方法是估计线性系统的参数,通常会得到比经典谱估计方法更好的估计。
子空间法也称为高分辨率谱估计或超分辨率谱估计,常用的方法有MUSIC 法和特征矢量法,这些方法是根据相关矩阵的特征分析或特征分解得到对信号的频率分量的估计,特别适合于线谱(即正弦信号)的估计,是低信噪比环境下检测正弦信号的有效方法。
三、实验过程描述第一题1)、产生一组均值为1,方差为4 的正态分布的随机序列(1000 个样本),估计该序列的均值与方差。
2)画出图像的代码如下:n=1:1:1000;w(n)=1+randn(1,1000)*sqrt(4);plot(n,w(n));mean(w(n))ans =1.0711var(w(n))ans =4.05493)运行以上代码,得到如下图:第二题1)按如下模型产生一组随机序列:x(n)=0.8x(n-1)+w(n),其中w(n)为均值为1,方差为4 的正态分布白噪声序列。
统计信号处理实验三

《统计信号处理》实验三目的:掌握卡尔曼滤波滤波器的原理;内容:用雷达跟踪目标,目标的运动可以看成是在径向和横向内的二维运动,其运动方程和观测方程分别为:1111122222(1)()0100(1)()()0100(1)()0001(1)()()0001s k s k Tv k v k u k s k s k T v k v k u k +⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥+⎢⎥⎢⎥⎢⎥⎢⎥=+⎢⎥⎢⎥⎢⎥⎢⎥+⎢⎥⎢⎥⎢⎥⎢⎥+⎣⎦⎣⎦⎣⎦⎣⎦11112222(1)(1)(1)(1)1000(1)(1)(1)0010(1)s k y k v k w k y k s k w k v k +⎡⎤⎢⎥+++⎡⎤⎡⎤⎡⎤⎢⎥=+⎢⎥⎢⎥⎢⎥⎢⎥+++⎣⎦⎣⎦⎣⎦⎢⎥+⎣⎦1()s k 、1()v k 和1()y k 分别为径向距离、速度和观测值,而2()s k 、2()v k 和2()y k 分别为横向距离、速度和观测值。
1()u k 和2()u k 是状态噪声,是目标速度的波动;1()w k 和2()w k 是观测噪声;四种噪声的均值都为0,呈高斯分布,互不相关。
T 是雷达扫描一次的时间,此处设为1.0秒。
假设目标距离雷达约160Km 左右,径向初速度设为300 m/s ,并且在向雷达靠近,横向初速度设为0 m/s 。
这样它的径向速度波动大,而横向速度波动小,所以我们假设1()u k 的方差21u σ为300m/s ,2()u k 的方差22u σ为11.210-⨯m/s 。
鉴于雷达的观测误差,我们假设观测噪声1()w k 和2()w k 的方差21w σ和22w σ均为1.0Km 。
其中21u σ,22u σ,21w σ和22w σ的初始值不是最佳的,学生完全可自己修改以上参数,并观察计算结果的变化,给出最好的滤波效果。
任务:1) 试用αβ-滤波法对信号进行处理,并通过计算机模拟对其跟踪过程进行验证; 2) 试求其Kalman 滤波方程,并通过计算机模拟对其跟踪过程进行验证; 3) 假设目标在运动过程中发生了机动(速度在某个时刻突然发生了改变),试观测此时的αβ-滤波和Kalman 滤波结果,并对结果进行解释。
信号处理实验报告总结

信号处理实验报告总结引言信号处理是一门研究如何对信号进行处理和分析的学科,它在许多领域中都有着广泛的应用,如通信、图像处理、音频处理等。
本实验旨在通过实际操作与理论结合的方式,帮助学生深入理解信号处理的原理和方法。
理论背景信号处理的理论基础包括信号与系统、傅里叶分析、滤波器设计等方面的知识。
在本次实验中,我们主要了解了离散傅里叶变换(DFT)和数字滤波器的原理和应用,以及常见的信号处理算法。
实验过程与结果本次实验分为两个部分:DFT算法实现和数字滤波器设计。
DFT算法实现我们首先实现了离散傅里叶变换的算法,并通过MATLAB软件进行了验证。
实验中,我们使用了一个正弦信号,并通过DFT算法将其转换为频域表示。
实验结果显示,离散傅里叶变换能够准确地将时域信号转换为频域信号,且图像频谱与理论结果一致。
数字滤波器设计在第二个实验中,我们学习了数字滤波器的设计方法和常见的滤波器类型。
我们采用了巴特沃斯滤波器设计方法,并使用MATLAB软件进行了参数设计。
实验结果表明,数字滤波器能够有效地滤除输入信号中不需要的频率成分,并保留我们感兴趣的信号。
实验总结通过本次实验,我们对信号处理的理论知识有了更深入的了解,并通过实际操作加深了对信号处理方法的理解和应用能力。
通过实验,我们对离散傅里叶变换和数字滤波器的原理和应用有了更深入的了解。
然而,在实验过程中也遇到了一些困难。
例如,在DFT算法实现中,我们需要对算法进行优化以提高运行效率。
在数字滤波器设计中,我们还需要更深入地学习滤波器设计的原理和方法,以便更好地应用在实际工程中。
总的来说,本次实验使我们更加深入地了解了信号处理的原理和方法,并对信号处理的应用有了更为清晰的认识。
在今后的学习和工作中,我们将进一步巩固这方面的知识,并不断探索更多的信号处理方法和算法。
参考文献[1] Oppenheim, A. V., & Schaffer, J. R. (1998). Discrete-time signal processing. Prentice Hall.[2] Proakis, J. G., & Manolakis, D. G. (1996). Digital signal processing: principles, algorithms, and applications. Prentice Hall.附录本次实验的MATLAB代码如下:matlab% DFT算法实现N = length(x);for k = 0:N-1X(k+1) = 0;for n = 0:N-1X(k+1) = X(k+1) + x(n+1)*exp(-1i*2*pi*k*n/N);endend% 数字滤波器设计fs = 100; % 采样频率fpass = 10; % 通带频率fstop = 20; % 阻带频率Rp = 1; % 通带最大衰减Rs = 60; % 阻带最小衰减wp = 2*pi*fpass/fs;ws = 2*pi*fstop/fs;[N, wn] = buttord(wp, ws, Rp, Rs);[b, a] = butter(N, wn);y = filter(b, a, x);以上是本次信号处理实验的总结,通过实验我们深入理解了信号处理的原理和方法,也发现了一些问题,期望在今后的学习和工作中能够进一步探索和应用信号处理技术。
《统计信号处理基础》实验报告

实验报告姓名:实验名称:离散时间随机过程学号:课程名称:统计信号处理基础班级:实验室名称:组号:实验日期:一、实验目的、要求实验目的本实验的目的是在了解了Matlab编程语言的编程和调试的基础上,利用Matlab本身自带的函数来生成随机数,并根据随机数编程来计算随机过程的一些基本特征。
本实验主要是为了锻炼学生基本的Matlab编程,并利用信号处理工具箱的函数来完成基本的数据分析功能。
实验要求要求包括以下几个部分:1.要求独立完成实验的内容所要求的各项功能,编制完整的Matlab程序,并在程序中注释说明各段程序的功能。
2.要填写完整的实验报告,报告应包含程序、图形和结论。
要求记录在实验过程中碰到的问题,以及解决的方法和途径。
3.实验报告是现场用Word填写并打印完成。
个人或组必须在报告上署名。
二、实验原理1、信号大致可以分为两类——确定信号和随机信号。
随机信号是实际中存在最多的信号。
确定信号可通过重复观测准确复制,而随机信号只能通过其统计特性进行描述。
2、随机过程可以看成是白噪声通过一个系统的输出。
()。
3、理想高斯白噪声的自相关函数为n三、实验环境实验所要求的设备:每组包含完整的计算机 1 台;可共用的打印机1台,A4纸张若干;计算机上安装的软件包括:Matlab 6.5以上(应包含Signal Processing Toolbox, Filter Design Toolbox);Word 2000以上;四、实验过程、数据记录、处理及结论实验1.本实验主要是分析高斯白噪声的样本自相关序列的估计精度。
a.生成1000个零均值、单位方差的高斯白噪声,并用hist函数来画出直方图,与理想的高斯分布函数相比较;可以看出随机信号概率密度函数和标准正态分布曲线比较接近,只是由于实际样本数有限使得其曲线上有许多毛刺。
b. 采用xcorr函数的有偏估计来估计前100个自相关序列,用Plot函数画出该自相关序列,与理想的高斯白噪声的自相关序列相比。
信号的基本操作与处理实验总结

信号的基本操作与处理实验总结1. 实验概述哎呀,信号处理这块儿,乍一听可能觉得有点高大上,但其实说白了就是把数据转来转去,做个大修,弄个小清新。
我们这次实验主要就是玩转那些信号的基本操作和处理技巧。
从最基础的信号处理,到如何用一些小工具去改造信号,整个过程就像是在做一盘大菜,不同的调料和步骤决定了最后的味道。
首先,我们接触了信号的采样和量化,就像是把一块大面团切成了小块儿。
接着,我们用一些数学方法来处理这些“小块儿”,使它们变得更有用。
真是个充满趣味的旅程!2. 实验步骤2.1 采样与量化首先,我们要搞清楚信号是怎么来的。
想象一下你在听音乐,音乐信号其实就是一个个小的声音波动。
为了在电脑里处理这些信号,我们需要把它们“取样”——简单来说,就是把连续的信号变成离散的点,就像用网筛把细沙分离出来一样。
这一步叫做采样。
而量化呢,就是给这些点上颜色,使它们能更好地被计算机识别。
量化过程就像是给这些点定个价,让它们的价值更明确。
就这么简单,我们的信号就被变成了可以处理的数字了!2.2 滤波与变换接下来,信号处理的工作就更有意思了。
比如说,噪声就像是搅拌在咖啡里的颗粒,虽然不是特别显眼,但如果不去掉的话,味道可是大打折扣的。
为了去掉这些不需要的噪声,我们用了滤波器。
滤波器就像是筛子,把那些不需要的“颗粒”给筛除。
滤波后,信号就变得干净了。
接着,我们还用了傅里叶变换,将信号从时域转到频域,轻松搞定了信号的频率成分。
傅里叶变换就像是用显微镜看信号的内部结构,发现了很多有趣的细节。
3. 实验结果与分析3.1 实验结果经过一番折腾,我们的信号处理结果令人满意。
采样后的信号能够清晰地展示出音频的各种细节,而滤波后的信号干净得像新剥的橙子,完全看不到噪声的踪影。
傅里叶变换后的频谱图,更是像是打开了信号的“藏宝图”,让我们一目了然地看到了各种频率成分的分布。
这些处理步骤让信号看起来焕然一新,仿佛为它穿上了新衣服。
3.2 实验分析从实验中我们学到了很多,不仅是技术上的细节,还有怎么处理信号中的各种“问题”。
信号处理实训报告

随着科技的不断发展,信号处理技术在各个领域得到了广泛应用。
为了提高我们对信号处理理论知识的理解和实际操作能力,我们开展了信号处理实训。
本次实训旨在通过实际操作,加深对信号处理基本理论、算法和技术的理解,并掌握信号处理软件的使用方法。
二、实训目标1. 掌握信号处理的基本概念、原理和方法;2. 熟练运用MATLAB等软件进行信号处理实验;3. 提高信号分析与处理的能力;4. 培养团队协作精神和创新能力。
三、实训内容1. 信号处理基本理论(1)信号分类:模拟信号、数字信号、离散信号等;(2)信号处理基本概念:采样、量化、滤波、频谱分析等;(3)信号处理基本方法:傅里叶变换、Z变换、拉普拉斯变换等。
2. MATLAB软件操作(1)MATLAB界面及基本操作;(2)MATLAB编程基础;(3)信号处理工具箱使用。
3. 信号处理实验(1)模拟信号与数字信号的转换;(2)信号滤波;(3)频谱分析;(4)信号压缩与恢复。
1. 实训准备(1)了解实训内容,查阅相关资料;(2)熟悉MATLAB软件,学习编程基础;(3)组建团队,明确分工。
2. 实训实施(1)模拟信号与数字信号的转换实验通过实验,我们掌握了采样定理、量化误差等概念,了解了模拟信号与数字信号之间的关系。
(2)信号滤波实验通过实验,我们学会了使用MATLAB进行滤波器设计,掌握了低通、高通、带通、带阻等滤波器的基本原理和实现方法。
(3)频谱分析实验通过实验,我们了解了频谱分析的基本原理,学会了使用MATLAB进行频谱分析,掌握了频谱分析在信号处理中的应用。
(4)信号压缩与恢复实验通过实验,我们掌握了信号压缩与恢复的基本方法,了解了压缩感知、波束形成等技术在信号处理中的应用。
3. 实训总结(1)团队协作:在实训过程中,我们学会了与他人沟通、协作,共同完成任务;(2)创新能力:在实验过程中,我们积极思考,提出改进方案,提高了创新能力;(3)实践能力:通过实际操作,我们加深了对信号处理理论知识的理解,提高了实践能力。
- 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)。
实验报告姓名:实验名称:离散时间随机过程学号:课程名称:统计信号处理基础班级:实验室名称:组号:实验日期:一、实验目的、要求实验目的本实验的目的是在了解了Matlab编程语言的编程和调试的基础上,利用Matlab本身自带的函数来生成随机数,并根据随机数编程来计算随机过程的一些基本特征。
本实验主要是为了锻炼学生基本的Matlab编程,并利用信号处理工具箱的函数来完成基本的数据分析功能。
实验要求要求包括以下几个部分:1.要求独立完成实验的内容所要求的各项功能,编制完整的Matlab程序,并在程序中注释说明各段程序的功能。
2.要填写完整的实验报告,报告应包含程序、图形和结论。
要求记录在实验过程中碰到的问题,以及解决的方法和途径。
3.实验报告是现场用Word填写并打印完成。
个人或组必须在报告上署名。
二、实验原理1、信号大致可以分为两类——确定信号和随机信号。
随机信号是实际中存在最多的信号。
确定信号可通过重复观测准确复制,而随机信号只能通过其统计特性进行描述。
2、随机过程可以看成是白噪声通过一个系统的输出。
()。
3、理想高斯白噪声的自相关函数为n三、实验环境实验所要求的设备:每组包含完整的计算机 1 台;可共用的打印机1台,A4纸张若干;计算机上安装的软件包括:Matlab 6.5以上(应包含Signal Processing Toolbox, Filter Design Toolbox);Word 2000以上;四、实验过程、数据记录、处理及结论实验1.本实验主要是分析高斯白噪声的样本自相关序列的估计精度。
a.生成1000个零均值、单位方差的高斯白噪声,并用hist函数来画出直方图,与理想的高斯分布函数相比较;可以看出随机信号概率密度函数和标准正态分布曲线比较接近,只是由于实际样本数有限使得其曲线上有许多毛刺。
b. 采用xcorr函数的有偏估计来估计前100个自相关序列,用Plot函数画出该自相关序列,与理想的高斯白噪声的自相关序列相比。
c. 把这组数据分成互不重叠的10段,每段有100个样本。
分别对每段数据采用b中的方法来估计前100个样本自相关序列,然后对10段的自相关序列进行平均。
获得的结果与b中的结果相比,并与真实的自相关序列相比。
d. 把b中的样本数扩大到10000个,重复实验b中的要求,所得的结果与b相比,并与理论的结果相比。
b、c、d所对应的图如下图figure2e. 根据上面的实验,你能得出什么结论?从上面的实验a 可以看出,当样本值比较大时,实际的高斯白噪声分布函数和理想的高斯白噪声分布函数比较接近。
从上面的实验b 、c 、d 可以看出,相比较只采用1000个样本值的前100个而言采用10段自相关序列进行平均时,理想的自相关序列函数和实际的自相关序列函数更为接近;而当样本值变成10000时,理想的自相关序列函数和实际的自相关序列函数更接近了,这说明理想的自相关序列函数可以通过使样本值足够大来获得。
实验2. 本实验是观测随机过程通过滤波器后,输出和输入过程的统计特性所发生的变化。
假定一个2阶的AR 过程()(1)(1)(2)(2)(0)()x n a x n a x n b v n =-+-+其中()v n 零均值、单位方差的白噪声。
可用filter 函数实现。
a. 令(1)0,(2)0.81,(0)1a a b ,生成()x n 的24个样本值。
为了得到一个更为合适的结果,此次实验用滤波器函数filter 产生了xn 的128个样本值,其图形如下图figure1中所示。
b.在理论上计算真实的自相关序列,并与xcorr计算的样本自相关序列相比;理论上计算的样本自相关序列是一个冲击响应函数,xcorr计算的样本自相关序列是一个接近冲击响应函数的函数,如下图figure1中第二个图所示。
c.对估计的自相关序列采用fft来计算功率谱,画出功率谱;该图如下图figure1中第三个图所示,此处用到fftshift,通过查找其用法掌握用法。
d.用估计的自相关序列和Yule-Walker方程来计算模型参数,并与理论结果相比。
该图如下图figure1中第四个图所示,此处要调用armahat.m和convm.m,可以看出理想的功率谱和实际的功率谱比较接近。
e. 直接用估计的模型参数代入AR模型的功率谱中,画出该功率谱;f. 用真实的模型参数来画出理论上的功率谱,并与c和e中功率谱的估计结果相比,有什么结论。
用真实的模型参数画理论的功率谱比c和e中功率谱的估计相比更为接近理想的功率谱。
ap =1.00000.04560.8477可以看出a(1)=0.0456,基本接近0,a(2)=0.8477,基本接近0.8五、讨论实验1中,在使用hist、xcorr函数时,对其中参数不太清楚,通过查找其用法基本掌握了其用法;b中自相关序列与理想的高斯白噪声的自相关序列相比,实际是随机信号概率密度与标准正态分布曲线的对比;而实现理想高斯分布就是把样本值取得足够大的一种近似;c中取平均时使用for函数。
实验2中,a中取了128个样本值,b中在理论上计算真实的自相关序列时同实验1思路一样,取了足够大的样本得到一种近似理论意义的真实自相关序列;c中画功率谱时移位横坐标要用到fftshift函数,还是通过查找其用法基本掌握了其用法;d中用估计的自相关序列和Yule-Walker方程来计算模型参数要调用文件armahat.m和convm.m,当然这两个文件是直接调用的,只要将他们放在同一个根目录下即可。
附:源程序实验1clc;clear all;close all;%***************************************************% 生成1000个零均值、单位方差的高斯白噪声,%并用hist函数来画出直方图,与理想的高斯分布函数相比较%***************************************************N=1000;%样本数Y=randn(N,1);x=1:1:1000;figure(1)subplot(2,1,1)hist(Y,-5:0.1:5); title('直方图');%用hist函数画出1000个零均值单位方差高斯白噪声的直方图rand_signal=randn(N,1);xh=-5:0.1:5;nh=hist(rand_signal,xh)/N/0.1;subplot(2,1,2)plot(xh,nh ,'b');x=-5:0.01:5;y_goss=(2*pi)^(-0.5)*exp(-0.5*x.*x);hold on;plot(x,y_goss ,'r--'); title('');%text(1,y_goss(600),'标准正态分布曲线');legend('随机信号概率密度','标准正态分布曲线',1);%***************************************************%采用xcorr函数的有偏估计来估计Y中数据的前100个自相关序列,%用Plot函数画出该自相关序列,与理想的高斯白噪声的自相关序列相比。
%***************************************************[R_signal,lag_s]=xcorr(Y,100,'coeff');idea=randn(1000000,1); %理想高斯白噪声,[R_gaus,lag_g]=xcorr(idea,100,'coeff');%R_gaus=[zeros(1,N/2),1,zeros(1,N/2)];n=1:100;figure(2)subplot(2,2,1)plot(lag_s,R_signal,'r--',lag_g,R_gaus,'b');title('N=1000自相关函数对比');legend('实际','理想',1);%***************************************************% 把这组数据分成互不重叠的10段,每段有100个样本,%分别对每段数据采用b中的方法来估计前100个样本自相关序列,然后对10段的自相关序列进行平均%***************************************************R10_signal=zeros(199,1);for i=0:9 ;%用循环实现10段自相关序列的平均[R10_temp,lag_s10]=xcorr(Y(1+i*100:100+i*100),99,'coeff');R10_signal=R10_signal+R10_temp;endR10_signal=R10_signal/10;%归一化subplot(2,2,2)plot(lag_s10,R10_signal,'r--',lag_g,R_gaus,'b');title('N=1000样本10段平均自相关函数对比');legend('实际','理想',1);%***************************************************% 把b中的样本数扩大到10000个,重复实验b中的要求%***************************************************N=10000; %扩大样本数Y=randn(N,1);[R_signal,lag_s]=xcorr(Y,100,'coeff');%idea=randn(1000*N,1); %理想高斯白噪声,%[R_gaus,lag_g]=xcorr(idea,100,'coeff');n=1:100;subplot(2,2,3)plot(lag_s,R_signal,'r--',lag_g,R_gaus,'b');title('N=10000自相关函数对比');legend('实际','理想',1);实验2clc;clear all;close all;%***************************************************% 令a(1)=0,a(2)=-0.81,b(0)=1 ,生成x(n)的128个样本值%***************************************************A=[1 0 0.81];B=[1];N=128;%样本数vn=randn(N,1);xn=filter(B,A,vn);%用滤波器函数生成xn的128个样本值figure;subplot(2,2,1)plot(xn);title('用滤波器函数生成xn的128个样本值');%***************************************************% 在理论上计算真实的自相关序列,并与xcorr计算的样本自相关序列相比%***************************************************[rx_corr,lags]=xcorr(xn,'coeff');%用xcorr函数计算样本自相关序列subplot(2,2,2)stem(lags,rx_corr.^2);hold on;vn=randn(N*10000,1);yn=filter(B,A,vn);[R_signal,lag_s]=xcorr(yn,'coeff');%同理用xcorr函数计算理论上真实的自相关序列plot(lag_s,R_signal.^2,'r--');title('理论自相关与样本自相关');%***************************************************% 对估计的自相关序列采用fft来计算功率谱,画出功率谱%***************************************************X=fft(rx_corr);%对估计的自相关序列采用fft计算其功率谱并画出功率谱w=((1:N)-N/2)/N;subplot(2,2,3)plot(w,(abs(fftshift(fft(xn,N)))).^2);title('估计自相关的功率谱');%***************************************************%用估计的自相关序列和Y ule-Walker方程来计算模型参数%直接用估计的模型参数代入AR模型的功率谱中,画出该功率谱%用真实的模型参数来画出理论上的功率谱%***************************************************[bq ,ap]=armahat(rx_corr,2,0)[H,W]=freqz(B,A);H=abs(H).^2;[H1,W1]=freqz(bq,ap);H1=abs(H1).^2;subplot(2,2,4)plot(W/pi,H,'b',W/pi,H1,'r--');xlabel('频率w/pi');ylabel('幅度|H(jw)|2');title('功率谱'); legend('理想','估计',1);指导教师评语:成绩:指导教师签名:批阅日期:。