现代信号处理例题及matlab代码实现Word格式文档下载.docx

1、s=zeros（1,N）;for i=1:500Pxx=10*log10（abs（fft（wn,Nfft）.2）/N）;%Fourier振幅谱平方的平均值，并转换为dbs=s+Pxx;ends=s/500;f=（0:length（Pxx）-1）/length（Pxx）;%绘出频率序列subplot（222）;plot（f,s）;xlabel（频率/Hzylabel（功率谱/dB500次实现的平均功率谱密度grid on;%1000次实现的平均功率谱密度1000s=s/1000;subplot（223）;1000次实现的平均功率谱密度1500s=s/1500;subplot（224）;1500次

2、实现的平均功率谱密度实验结果图如下：2仿真如下随机过程：其中：Vn是均值为0，方差为1的Gaussian白噪声过程，为随机相位，在0，2间服从均匀分布。试对其中的正弦波频率进行估计（在不同的数据长度下，N=16，64，128，1024，可使用经典谱估计中的任何一种方法），并讨论数据长度对估计分辨率和平滑特性的影响。解答：使用周期图法对不同数据长度的信号进行估计。%*N=16;第一种情况数据长度为16*N = 16;Nfft = 16;n = 0:xn = sin（0.5*pi*n+2*pi*rand）+sin（0.3333*pi*n+2*pi*rand）+randn（1,N）;figure（1

3、）; subplot（2,1,1）;plot（n,xn）;幅值（V）时间（s）原始信号Pxx=10*log10（abs（fft（xn,Nfft）.2）/N）; Fourier振幅谱平方的平均值，并转换为dbf = 0:length（Pxx）-1; 绘出频率序列subplot（212）;plot（f,Pxx）;周期图N=16%*N=64*N = 64;Nfft = 64;figure（2）;周期图N=64N = 128;Nfft = 128;figure（3）;Pxx = 10*log10（abs（fft（xn,Nfft）.2）/N）;周期图N=128N = 1024;Nfft =1024;fi

4、gure（4）;周期图N=1024实验结果如下：数据长度N=16时的谱估计结果数据长度N=64时的谱估计结果数据长度N=128时的谱估计结果数据长度N=1024时的谱估计结果3计算并画图描绘下列函数离散时间傅立叶变换的幅度（幅频）特性： 频率范围2，2close all;N=32;dt=1;%设置最大点数n=0:1:N-1;k=0:WN=exp（-j*2*pi/N）;nk=n*k;WNnk=WN.nk;%离散Fourier变换矩阵t=n*dt;%*xn信号xn=exp（j*n*pi/5）;subplot（311）;plot（t,xn）;xn信号Xk=xn*WNnk;%对xn进行Fourier变

5、换magXk=abs（Xk）;phaXk=angle（Xk）;k=0:length（magXk）-1;subplot（312）;plot（k/（N*dt）,magXk*2/N）;xn信号的振幅谱subplot（313）;plot（k/（N*dt）,unwrap（phaXk）;相位角/radxn信号的相位谱%*yn信号yn=sin（n*pi/5）;plot（t,yn）;yn信号Yk=yn*WNnk;magYk=abs（Yk）;phaYk=angle（Yk）;length（magYk）-1;plot（k/（N*dt）,magYk*2/N）;yn信号的振幅谱plot（k/（N*dt）,unwrap（

6、phaYk）;yn信号的相位谱信号的离散时间傅里叶变换信号的离散时间傅里叶变换4设Rxx（0）=7.24，设Rxx（1）=3.6，试确定如下一阶MA的参数值用两种方法：1 直接用MA方程：2 谱分解方法。最后描绘用MA模型得到的谱估计。MA方程方法：由，c0=7.24, c1=3.6得b0=1.3379，b1=2.6907。b=1.3379 2.6907; %MA系统系数w=linspace（0,pi,512）;H=freqz（b, w）;%产生信号的频域响应Ps=abs（H）.2;%计算得到功率谱plot（w./（2*pi）,Ps）;直接用MA方程方法得到的谱估计谱分解方法：N=456;B1

7、=1 2;A1=1;%采用自协方差法对AR模型参数进行估计%y1=filter（B1,A1,randn（1,N）.*zeros（1,200）,ones（1,256）;Py11,F=pcov（y1,1,512,1）; %AR（1）的估计%Py13,F=periodogram（y1,512,1）;%*MA模型*%y=zeros（1,256）;256y（i）=y1（200+i）;ny=0:255;z=fliplr（y）;nz=-fliplr（ny）;nb=ny（1）+nz（1）;ne=ny（length（y）+nz（length（z）;n=nb:ne;Ry=conv（y,z）;R1=zeros（2,

8、2）;r1=zeros（2,1）;2r1（i,1）=-Ry（260+i）;for j=1:R1（i,j）=Ry（260+i-j）;R1; r1;a1=inv（R1*R1）*R1*r1; %利用最小二乘法得到的估计参数%对MA的参数进行估计%A1;A11=1,a1; %AR的参数的估计值B11=fliplr（conv（fliplr（B1）,fliplr（A11）; %MA模型的分子y21=filter（B11,A1,randn（1,N）;%.*zeros（1,200）,ones（1,256）; %由估计出的MA模型产生数据Ama1,Ema1=arburg（y21,32）;B1; b1=arburg（Ama1,1）; %求出MA模型的参数%-求功率谱-%H11=freqz（b1,A11,w）;figureplot（w./（2*pi）, abs（H11）.2）;谱分解方法得到的谱估计