统计与自适应信号处理作业概要.docx
《统计与自适应信号处理作业概要.docx》由会员分享,可在线阅读,更多相关《统计与自适应信号处理作业概要.docx(12页珍藏版)》请在冰豆网上搜索。
统计与自适应信号处理作业概要
山东大学
实验报告
题目统计与自适应信号处理作业
信息科学与工程院(系)电子信息工程专业
课程名称统计与自适应信号处理
CHAPTER4
一.实验要求
二.实验步骤与程序
clc,clearall,closeall
[y,Fs,bits]=wavread('sddx_normal.wav';
%读取wav文件,并返回采样数据到向量y中,Fs表示采样频率,bits表示采样的位数
Fs%显示采样频率
bits%显示采样位数
ft=y(:
1;
sigLength=length(ft%获取声音长度
sound(y,Fs,bits;%%播放声音
%绘制波形图
t=(0:
sigLength-1/Fs;
figure(1;
plot(t,ft,title('theentirespeechwaveform',grid;
xlabel('Time(s';%横轴是时间,不是采样数
ylabel('Amplitude';
%求每帧信号的绝对值
%enframe分帧求出的各个帧放于矩阵的一行
f1=enframe(ft,hamming(160,80%对信号进行分帧加汉明窗,窗长度为160,重叠为80
E=abs(mean(f1';%求均值的绝对值,mean函数对矩阵的列求均值,所以求转置
figure(2
plot(E
title('每帧信号的绝对值'
xlabel('帧数'
%绘制信号的方差
VAR=var(f1';%求方差的绝对值
figure(3
plot(VAR
title('方差'
xlabel('帧数'
%绘制某一帧的波形图
figure(4
f2=f1(55,:
;%提取第28帧
plot(f2
title('第55帧信号波形'
xlabel('采样点数'%并不是真正的时间
%绘制一帧信号的自相关
figure(5
Acorr=xcorr(f2;%求这一帧信号的自相关
plot(Acorr;
title('这一帧图像的自相关';
%绘制一帧信号的功率谱
figure(span6
spec=spectrum(f2%求这一帧信号的功率谱
plot(spec;
title('这一帧图像的功率谱';
ppp三.实验结果与分析
运行上述程序后,结果如下图所示:
上图是语音信号的波形图,有wavread可知
信号的采样频率为8000Hz,信号采样点数为30001,图中横坐标是时间,单位秒(s)。
p
上图是每帧信号的绝对值,很明显,“山东大学”四个字对应的帧的绝对值较大。
上图是每帧信号的方差,很明显,“山东大学”四字对应的帧的方差较大。
上图是取自第55帧处的波形信号,横轴代表采样点。
上图是第55帧的自相关
上图是第55帧的功率谱。
pCHAPTER5p一.span实验要求
二.实验步骤和程序
clc,clear,closeall
sigmaW=0.19;sigmaV=1.4;%w和v的方差
w=sqrt(sigmaW*randn(100,1;
v=sqrt(sigmaV*randn(100,1;%假设对输入输出进行100次采样
s=filter([1],[10.8],w;%s的表达式
x=filter([1],[1],s+v;%x的表达式
%期望输出与实际输入的互相关
rs0=1;
rs1=0.8;
rs2=0.8*0.8;
%自相关
rx0=2.5;
rx1=0.8;
rx2=0.8*0.8;
rxd=[rs0,rs1]';%互相关
Rx=[rx0,rx1;rx1,rx0];%自相关矩阵
%由正则方程Rc=d求解预测系数c=R\d
c=Rx\rxd
y=filter(c,[1],x;
%绘制s和x的波形图
figure,subplot(211,
plot(s,
holdon,
plot(x,'--r'
axis([0100-33]
legend('s','x'
title('s和x的波形图'
subplot(212
plot(s,holdon
plot(y,'.-r'
legend('s','y'
axis([0100-33]
title('s和y的波形图'
三.实验结果与分析
运行上述程序后,结果如下图所示:
上面的一幅图中的蓝色实线是我们感兴趣的信号s(n(取100个点,红色的点划线是被噪声干扰的信号x(n;为了从x(n中恢复s(n,设计一个二阶滤波器,得到y(n就是对s(n的估计,下面的一幅图中蓝色实线是我们感兴趣的信号s(n,红色的点划线是估计信号y(n,由图可以看出,y(n能够估计s(n的趋势,适当增大滤波器的阶数,可是提高预测的准确度。
CHAPTER7
一.实验要求
二.实验步骤与程序
本实验中,不妨采用前加窗的FIRLSE滤波器,程序如下
clc,clearall,closeall
sigmaW=0.36;sigmaV=1.5;%w和v的方差
w=sqrt(sigmaW*randn(100,1;
v=sqrt(sigmaV*randn(100,1;%假设对输入输出进行100次采样
s=filter([1],[1-0.8],w;%s的表达式
x=filter([1],[1],s+v;%x的表达式
%用前加窗的LS准则估计系统
[R_hat_prew,d_hat_prew]=lsmatvec('prew',x,80,s
cls_prew=inv(R_hat_prew*d_hat_prew
Ex_prew=x'*x;
Els_prew=Ex_prew-d_hat_prew'*cls_prew;
N=100;M=2;
sigmaE_prew=Els_prew/(N-M
cov_prew=sigmaE_prew*inv(R_hat_prew
y=filter(cls_prew,[1],x;
%绘制s,x,s1的波形图
figure,
plot(s,
holdon,
plot(x,'g'
holdon
plot(y,'r'
legend('s','x','y'
axis([0100-55]
title('前加窗(80阶)'
三.实验结果与分析
运行上述代码后结果如下图所示:
上面的一幅图中的蓝色实线是我们感兴趣的信号s(n(取100个点,红色的点划线是被噪声干扰的信号x(n;为了从x(n中恢复s(n,设计一个五阶滤波器,得到y(n就是对s(n的估计,下面的一幅图中蓝色实线是我们感兴趣的信号s(n,红色的点划线是估计信号y(n,由图可以看出,y(n能够估计s(n的趋势,适当增大滤波器的阶数,可是提高预测的准确度。
改变滤波器的阶数,相应的预测误差也会改变,如下图所示,显然阶数越高,预测越准确。
10阶时:
50阶时:
80阶时:
100阶时:
CHAPTER8
一.实验要求
二.实验步骤和程序
clc,clearall;
%%读取语音信号
[xfs]=wavread('sddx_normal.wav';
x1=enframe(x,160;
x2=x1(:
24;
window=boxcar(length(x2;
[Pxx,f]=periodogram(x2,window,1024,fs;
[ae]=aryule(x2,40
%x3=randn(1,256;
y=filter(1,a,x2;
[px,w]=pyulear(y,40,1024,fs;
plot(f,10*log10(Pxx;
holdon
plot(w,10*log10(px,'.-r';
legend('周期图法','AR模型'
title('一帧信号的功率谱'
三.实验结果与分析
运行上述程序,结果如下图所示:
上面的一幅图中由AR模型得到的功率谱,下面的一幅图是由周期图法得到的功率谱。
由图可以看出,两种方法得到的功率谱,由图可以看出,由周期图法或AR模型得到的功率谱是一个有偏估计,功率谱波动的没有规律,甚至很难从观测中断定该信号有一个平坦的谱。
波动的大小不N的增加而减少,其平均值趋向于真实谱。