matlab求均值方差Word格式文档下载.docx

1、 average（i）=average（i）/1000;end%计算方差 variance（i）=variance（i）+（x（i,j）-average（i）.2; variance（i）=variance（i）/1000;%计算均方值 square（i）=square（i）+x（i,j）.2; square（i）=square（i）/1000;EX=sum（average）/50;DX=sum（variance）/50;RMS=sum（square）/50;plot（average）;title（50个随机序列的均值）;figure;plot（variance）;50个随机序列的方差plot

2、（square）;50个随机序列的均方值四、实验结果及分析由上结果可知：将图中的计算结果平均后，得到的结果为：产生的50个点的随机序列均值的平均值为：EX=0.0090197；产生的50个点的随机序列方差的平均值为DX=1.0078；产生的50个点的随机序列均方值的平均值为RMS=1.0087。由上面所得到的图形可以看出50个点的伪随机序列的均值都在0附近，方差以及均方差都在1附近，将这些均值平均后得出的均值也是在0值附近，方差在1附近，与统计的结果相符合。实验二 数字相关和数字卷积程序一、实验目的熟悉数字相关和数字卷积运算。1.线性以及循环相关的原理1.1 线性相关的原理假定x1（n）是列长

3、为N的有限长序列，x2（n）是列长为M的有限长序列，两者的线性相关的结果为：1.2 循环相关的原理假定x1（n）是列长为N的有限长序列，x2（n）是列长为M的有限长序列，两者循环相关的结果为：2.线性以及循环卷积的原理2.1 线性卷积的原理假定x1（n）是列长为N的有限长序列，x2（n）是列长为M的有限长序列，两者的线性卷积的结果为：2.2 循环卷积的原理循环卷积的矩阵表示形式如下所示：其中x和H是两个输入的序列，y是循环卷积得到的实验结果。其中，编写函数实现两个随机序列的线性、循环相关和线性、循环卷积的程序:两个序列线性相关的函数：clear allclcx=ones（1,8）;h=ones

4、（1,10）;nx = length（x）;nh = length（h）;n = nx + nh - 1;for i = nh+1:n h（i） = 0;for i=nx+1: x（i） = 0; H（i,j） = h（mod（i+j-2,n）+1）;y = H * x; subplot（3, 1, 1）;stem（x）;随机序列1subplot（3, 1, 2）;stem（h）;随机序列2subplot（3, 1, 3）;stem（y）;线性相关结果两个序列循环相关的函数：n = nx;if （nxnh） for i = nh+1:if （nx n = nh; for i=nx+1:循环相关

5、结果两个序列线性卷积的函数：for i = nx+1:for i=nh+1: H（i,j） = h（mod（i+n-j,n）+1）;线性卷积结果两个序列循环卷积的函数：n=15;if （nnx|n=2 for i=1:n-1 a（n,i）=a（n-1,i）+a（n,n）*a（n-1,n-i）; c（j）=e（j）+a（n,n）*b（j-1）; d（j）=b（j-1）+a（n,n）*e（j）; e=c; b=d;%计算并输出功率谱for m=1: sum=0; for n=1: sum = a（p,n）*exp（-sqrt（-1）*2*pi*n*m/N） + sum; POW2（m）=sigma

6、/（abs（1 + sum）.2）;subplot（1,2,2）,plot（1/N : 0.5, POW2（1:AR模型谱估计法求取功率谱四实验结果及分析实验中输入的信号为余弦信号，理想情况下其功率谱是在余弦信号频率上的一个冲击函数。从实验的结果图可以看出，用AR模型估计的功率谱同用周期图法估计的功率谱一样，说明了用该方法所计算的功率谱的准确性。实验五 自适应噪声抵消算法的软件设计与实现学习使用MATLAB编写LMS自适应滤波器，以及如何在生物医学信号中进行应用。1、自适应干扰抵消的原理图1 自适应干扰抵消原理图图1所示的是自适应干扰抵消器的基本结构。期望信号d（n）是信号与噪声之和，即d（n

7、）= x（n） +N（n），自适应处理器的输入是与N（n）相关的另一个噪声N（n）。当x（n） 和N（n）不相关时，自适应处理器将调整自己的参数，使y（n）成为N（n）的最佳估计。这样，e（n）将逼近信号x（n），且其均方差Ee2（n）为最小。噪声N（n）就得到了一定程度的抵消。2、LMS自适应滤波算法图2 单输入自适应线性组合器LMS算法使用的准则是使滤波器的期望输出值和实际输出值之间的均方误最小化的准则，即使用均方误差来做性能指标。自适应滤波的结果如图2所示。各符号的意义是：x（n）输入信号，y（n）为滤波器的输出，d（n）为y（n）想要趋近的理想信号，d（n） 是已知的，e（n）为误差信

8、号。滤波器均方误差可表示为：设自适应滤波器的输入矢量为：加权矢量（即滤波器参数矢量）为：滤波器的输出为：误差信号为期望输出d（n）与滤波器实际输出之间的误差，即LMS算法是取单个误差样本的平方e2（n）的梯度作为均方误差梯度的估计，由式（1）可得梯度矢量的估计为：由此得到一个新的权矢量递推公式，即LMS算法递推公式为：已知观测信号，编写LMS滤波器，对该信号进行滤波处理，检验该程序的准确性和掌握MATLAB自带函数的用法。d = sin（0:M = length（d）;% 设定滤波器的长度为15N=15;noise = 0.2*sin（50*（0:50）;%噪声信号x = d + noise；

9、u=0.01;%初始化滤波器的参数为全0的矩阵w=zeros（1,N）;for n=N:M y（n）=0; y（n）=y（n）+x（n-i+1）*w（i）; e（n）=d（n）-y（n）;N %进行滤波器参数的调整 w（i）=w（i）+2*u*e（n）*x（n-i+1）;subplot（2,1,1）;plot（y）;滤波处理后得到的信号subplot（2,1,2）;plot（x）;观测到的信号实验中输入的原始信号为正弦信号，噪声为在正弦信号的基础上加入一个50倍频率的噪声信号，观测到的信号是这两个信号的叠加，利用LMS算法进行滤波处理，从从实验结果中可以看出，在LMS的加权参数稳定之后的输出结果比较理想。