统计与自适应信号处理作业Word格式.docx

1、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（the entire speech waveform）,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80E=abs（mean（f1）;%求均值

2、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）帧数%绘制信号的方差VAR=var（f1%求方差的绝对值figure（3）plot（VAR）方差%绘制某一帧的波形图figure（4）f2=f1（55,:%提取第28帧plot（f2）第55帧信号波形采样点数）%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）;这一帧图像的自相关%绘制一帧信号的功率谱figure（6）spec=spectrum（f2）%求这一帧信号的功率谱plot（spec）;这一帧

3、图像的功率谱三 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）。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。CHAPTER 5二 实验步骤和程序clc,clear,close allsigmaW=0.19; sigmaV=1.4; % w和v的方差w = sqrt（sigmaW）*

4、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%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=Rdc=Rxrxdy = filter（c,1,x）;%绘制s和x的波形图figure,subplot（2

5、11）,plot（s）,hold on,plot（x,-raxis（0 100 -3 3）legend（s,xs和x的波形图subplot（212）plot（s）,hold onplot（y,.-rys和y的波形图三 实验结果与分析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。

6、CHAPTER7本实验中，不妨采用前加窗的 FIR LSE 滤波器，程序如下sigmaW=0.36; sigmaV=1.5;s = filter（1,1 -0.8,w）;% 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_prewEx_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*i

7、nv（R_hat_prew）y = filter（cls_prew,1,x）;%绘制s,x,s1的波形图figure,ghold onraxis（0 100 -5 5）前加窗（80阶）运行上述代码后结果如下图所示：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：CHA

8、PTER 8二实验步骤和程序clc,clear all;%读取语音信号x fs=wavread（x1=enframe（x,160）;x2=x1（:,24）;window=boxcar（length（x2）;Pxx,f=periodogram（x2,window,1024,fs）;a e=aryule（x2,40）%x3=randn（1,256）;y=filter（1,a,x2）;px,w=pyulear（y,40,1024,fs）;plot（f,10*log10（Pxx）;plot（w,10*log10（px）,周期图法AR模型一帧信号的功率谱运行上述程序，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。