四川大学随机信号分析实验报告.docx
《四川大学随机信号分析实验报告.docx》由会员分享,可在线阅读,更多相关《四川大学随机信号分析实验报告.docx(12页珍藏版)》请在冰豆网上搜索。
四川大学随机信号分析实验报告
随机信号分析基础
实验报告
课程随机信号分析基础
实验题目随机信号通过线性系统
学生姓名笔墨东韵
专业电子信息科学与技术
1、实验目的
1.理解白噪声通过线性系统后统计特性的变化规律。
2.熟悉几种常用的时间序列。
2、实验内容
1.白噪声通过线性系统后的统计特性分析。
(1)白噪声通过低通系统后的统计特性变化:
对比输入输出的波形,自相关函数,功率谱密度,功率,互相关函数等;
(2)白噪声通过不同带宽的低通系统后的概率密度;
(3)窄带随机过程的产生与特性分析。
(调制,滤波)
2.典型时间序列模型分析。
(1)模拟产生AR,ARMA模型序列,画出波形,并估计其均值,方差,自相关函数,功率谱密度;
*
(2)模拟产生指定功率密度的正态随机序列。
3、实验设备
Matlab软件
四、实验步骤以及实验结果分析
1.白噪声通过线性系统后的统计特性分析。
(1)白噪声通过低通系统后的统计特性变化:
对比输入输出的波形:
输入前波形:
时域:
>>y=wgn(1000,1,5);
>>plot(y)
频域
>>y1=fft(y,1000);
>>plot(abs(y1));
输入后:
>>y2=conv(y,fir1(1000,0.02*pi));%w=2*pi*通带截止频率/采样频率,采样频率为10
>>plot(abs(y2));
自相关函数:
输入前
>>[a,b]=xcorr(y,'unbiased');
>>plot(b,a);
输入后
>>[a,b]=xcorr(y2,'unbiased');
>>plot(b,a);
功率谱密度:
输入前
>>a1=fft(a);
>>a2=fftshift(a1);
>>l=(0:
length(a2)-1)*200/length(a2)-100;
>>a3=abs(a2);
>>plot(l,a3);
输入后
>>a1=fft(a);
>>a2=fftshift(a1);
>>l=(0:
length(a2)-1)*200/length(a2)-100;
>>a3=abs(a2);
>>plot(l,a3);
互相关函数:
输入前后
>>[a,b]=xcorr(y2,y);
>>plot(b,a);
(2)白噪声通过不同带宽的低通系统后的概率密度:
>>[f,x]=ksdensity(y2);\\10
>>plot(x,f);
>>y2=conv(y,fir1(1000,0.2*pi));\\100
>>[f,x]=ksdensity(y2);
>>plot(x,f);
(3)窄带随机过程的产生与特征分析:
(调制,滤波)
functionwgn(p,R,C)%产生一个p个点的随机过程
%-----高斯窄带随机过程代码-----%
n=1:
p;
w=linspace(-pi,pi,p);
wn=1/2*pi*R*C;
[b,a]=butter(1,wn,'low');
xt=wgn(1,p,5);
at=filter(b,a,xt);
yat=at.*cos(w.*n);
ybt=at.*sin(w.*n);
yt=yat-ybt;
%sunplot(211);
plot(yt);
title('窄带过程y(t)');
pdf_ft=ksdensity(yt);
plot(pdf_ft);
title('y(t)的概率密度图');
disp('均值如下');
E_xt=mean(yat);
E_at=mean(yat);
E_bt=mean(ybt);
E_ft=mean(yt);
%------相关函数代码------%
figure
(2)
R_xt=xcorr(xt);
R_at=xcorr(at);
R_yat=xcorr(yat);
R_ybt=xcorr(ybt);
R_ft=xcorr(yt);
subplot(2,2,1);
plot(R_xt);
title('白噪声的自相关函数R_xt');
subplot(2,2,2);
plot(R_at);
title('限带高斯白噪声的自相关函数R_at');
subplot(2,2,3);
plot(R_ybt);
title('随机过程b(t)的自相关函数R_bt');
subplot(2,2,4);
plot(R_ft);
title('窄带随机过程的自相关函数R_yt');
%----------功率谱密度代码----------%
figure(3);
subplot(1,2,1);
periodogram(xt);
title('白噪声功率谱密度S_xt');
subplot(1,2,2);
periodogram(at);
title('限带白噪声功率谱密度S_a_bt');
subplot(3,1,1);
periodogram(yat);
title('随机过程a(t)*coswt功率谱密度S_yat');
subplot(3,1,2);
periodogram(ybt);
title('随机过程b(t)*sinwt功率谱密度S_ybt');
subplot(3,1,3);
periodogram(yt);
title('窄带随机过程y(t)功率谱密度S_yt');
>>random(1000,10,0.001)
>>
2.典型时间序列的模拟分析
模拟产生AR,ARMA模型序列:
AR模型序列的模拟产生
>>%---一阶AR模型----%
x=1:
100;
>>B=[1];
>>A=[1,-1/2];
>>y=filter(B,A,x);
均值:
>>y1=mean(y);
>>y1
y1=99.0200
方差:
>>y2=var(y);
>>y2
y2=3.3628e+03
自相关函数:
>>y3=xcorr(y);
>>plot(y3)
>>%-----ARMA模型序列的模拟产生------%
>>x=1:
100;
>>A=[1,-1/3,-1/7];
>>B=[1/2,1/4];
>>y=filter(B,A,x);
>>plot(y);
均值:
>>y1=mean(y);
>>y1
y1=70.1669
方差:
>>y2=var(y);
>>y2
y2=1.7214e+03
自相关函数:
>>y3=xcorr(y);
>>plot(y3);
功率谱密度:
>>a1=fft(y);
>>a2=fftshift(a1);
>>l=(0:
length(a2)-1)*200/length(a2)-100;
>>a3=abs(a2);
>>plot(l,a3);
五、实验收获(本次实验的感受,对你的哪方面技能或知识有提高。
)
本次实验我们收获很多,不仅理解了白噪声通过线性系统后统计特性的变化规律,同时也熟悉了如何使用matlab求信号的波形,自相关函数,功率谱密度,功率,互相关函数等等的统计特性。
深刻地理解到了线性系统对白噪声的影响。
除此之外,我们也深入地了解了AR和ARMA模型序列。
最重要的是让我们加深了对课本知识的理解。
总之,本次实验我们受益匪浅。