1、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FX(x),而R为(0,1)均匀分布随机变量,则有 (1.2)由这一定理可知,分布函数为FX (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:rand用法:x = rand(m,n)功能:产生mn 的均匀分布随机数矩阵。(2) 正态分布的随机序列randnx = randn(m,n)n 的标准正态分布随机数矩阵。如果要产生服从分布的随机序列,则可以由标准正态随机序列产生。(3) 其他分布的随机序列MAT
2、LAB 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表1.1 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meanm = mean(x)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varsigma2 = var(
3、x)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xcorrc = xcorr(x,y) c = xcorr(x) c = xcorr(x,y,opition) c = xcorr(x,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 (1.6)unbiased 无偏估计,即按(1.5)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。3、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
4、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。实验代码:num=input(Num=);N=231;k=216+3;Y=zeros(1,num);X=zeros(1,num);Y(1)=1;for i=2:numY(i)=mod(k*Y(i-1),N);endX=Y/N;a=0;b=1;m0=(a+b)/2;sigma0=(b-a)2/12;m=mean(X);sigma=var(X);delta_m=abs(m-m0);delta_sigma=abs(sigma-sigma0);plot(X,kxlabel(nylabel(X(n)实验结果:(1) Num=1000时:delta
5、_m=0.0110,delta_sigma=0.0011(2) Num=5000时:delta_m =2.6620e-04,delta_sigma =0.0020实验结果分析:样本越大,误差越小,实际值越接近理论值。2. 参数为的指数分布的分布函数为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);subplot(212);plot(m,Rm,mR(m)方差的实际值为4.1201,理论值为1/(0.5
6、2)=4,基本一致。3. 产生一组N(1,4)分布的高斯随机数(1 000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);实验中的均值为0.9937,方差为3.8938。理论上均值为1,基本一致。四、实验心得体会通过这次实验,我学习和掌握了随机数的产生方法、实现随机序列的数字特征估计,并用MATLAB产生相应的图形,更直观的了解了相关的知识。本次实验的难点在于用线性同余法产生随机序列,多次试验后终于攻克了难关。实验二 随机过程的模拟与数字特征1、学习利用MATLAB 模拟产生随机过程的方法;2、熟悉和掌握特征估计
7、的基本方法及其MATLAB 实现。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randn。n的标准正态分布随机数矩阵。如果XN(0,1),则。2. 相关函数估计MATLAB提供了函数xcorr用于自相关函数的估计。 有偏估计。 无偏估计。 m=0时的相关函数值归一化为1。3. 功率谱估计对于平稳随机序列X(n),如果它的相关函数满足 (2.1)那么它的功率谱定义为自相关函数Rx(m)的傅里叶变换: (2.2)功率谱表示随机信号频域的统计特性,有着重要的物理意义。我们实际所能得到的随机信号总是有限的,用有限长度的信号所得的
8、功率谱只是真实功率谱的估计,称为谱估计或谱分析。(1) 自相关法先求自相关函数的估计,然后对自相关函数做傅里叶变换 (2.3)其中N表示用于估计样本序列的样本个数。(2) 周期图法先对样本序列x(n)做傅里叶变换 (2.4)其中,则功率谱估计为 (2.5)MATLAB函数periodogram实现了周期图法的功率谱估计。periodogramPxx,w = periodogram(x) Pxx,w = periodogram(x,window) Pxx,w = periodogram(x,window,nfft) Pxx,f = periodogram(x,window,nfft,fs) pe
9、riodogram(.)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,表2.1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;如果不指定输出参量(最后一种用法),则直接会出功率谱估计的波形。三、实验内容1. 按如下模型产生一组随机序列是均值为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。y0=randn(1,500); %产生一长度为500的随机序列y=1+2*y0; x(1)=
10、y(1);n=500;1:nx(i)=0.8*x(i-1)+y(i); %按题目要求产生随机序列x(n)subplot(311);plot(x);title(x(n)subplot(312);c=xcorr(x); %用xcorr函数求x(n)的自相关函数plot(c);R(n)p=periodogram(x); %用periodogram函数求功率谱密度subplot(313);plot(p);S(w)其中x(n)为样本序列,长度为500;R(n)为x(n)的自相关函数,S(w)为x(n)的功率谱。2. 设信号为,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=randn(1,N); %用randn函数产生长度为256的正态分布白噪声序列n=1:N;f1=0.05;f2=0.12;x=sin(2*pi*f1*n)+2*cos(2*pi*f2*n)+w(n); %产生题目所给信号R=xcorr(x); %求x(n)的自相关函数 %求x的功率谱plot(R);其中x(n)为样本序列,长度为256;(2) N=1024时:
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1