完整word版随机噪声特性分析.docx
《完整word版随机噪声特性分析.docx》由会员分享,可在线阅读,更多相关《完整word版随机噪声特性分析.docx(30页珍藏版)》请在冰点文库上搜索。
![完整word版随机噪声特性分析.docx](https://file1.bingdoc.com/fileroot1/2023-5/23/ba0a85b1-c88c-410d-91b9-757739dd3214/ba0a85b1-c88c-410d-91b9-757739dd32141.gif)
完整word版随机噪声特性分析
随机信号分析试验
———随机噪声特性分析
院系:
通信工程学院
班级:
011241
成员:
一.实验摘要
二.实验目的
三.实验步骤
四.实验原理
4.1白噪声特性分析
4.2白化滤波器的设计与分析
4.3理想白噪声、带限白噪声比较分析
4.4色噪声的产生与分析
4.5用硬件实现白噪声
五.实验设计与实现
六.实验总结与心得
1、实验摘要
本实验主要研究随机信号各种噪声的特性分析。
因此,我们通过利用计算机模拟各种噪声来更好的了解随机噪声的特点,来印证我们所学的基本理论。
二、实验目的
1、了解白噪声信号、色噪声信号自身的特性,包括均值、均方值、方差、相关函数、概率密度、频谱及功率谱密度等。
2、掌握白噪声、色噪声信号的分析方法。
3、熟悉常用的信号处理仿真软件平台:
matlab或c/c++语言、EWB软件仿真。
4、了解估计功率谱密度的几种方法,掌握功率谱密度估计在随机信号处理中的作用。
三、实验步骤
1、根据选题的内容和要求查阅相关的文献资料,设计具体的实现程序流程或电路。
2、自选matlab、EWB或c仿真软件。
如用硬件电路实现,需用面包板搭建电路并调试成功。
3、按设计指标测试电路。
分析实验结果与理论设计的误差,根据随机信号的特征,分析误差信号对信号和系统的影响。
四、实验原理
4.1白噪声特性分析
白噪声是指它的概率统计特性服从某种分布,而它的功率谱密度又是均匀的。
确切的说,白噪声只是一种理想化的模型,因为实际的噪声功率谱密度不可能具有无限宽的带宽,否则它的平均功率将是无限大,是物理上不可实现的。
然而白噪声在数学处理上比较方便,所以它在通信系统的分析中有十分重要的作用。
一般地说,只要噪声的功率谱密度的宽度远大于它所作用的系统的带宽,并且在系统的带宽内,它的功率谱密度基本上是常数,就可以作为白噪声处理了。
白噪声的功率谱密度为:
其中
/2就是白噪声的均方值。
白噪声的自相关函数为:
白噪声的自相关函数是位于τ=0处、强度为
的冲击函数。
这表明白噪声在任何两个不同的瞬间的取值是不相关的。
同时也意味着白噪声能随时间无限快的变化,因为它的带宽是无限宽的。
4.2白化滤波器的设计与分析
在统计信号处理中,往往会遇到等待处理的随机信号是非白色的,例如云雨、海浪、地物反射的杂乱回波等,它们的功率谱即使在信号通带内也非均匀分布,这样会给问题的解决带来困难。
克服这一困难的措施之一是对色噪声进行白化处理。
主要内容是设计一个稳定的线性滤波器或者一种白化变换方法,将输入的有色噪声变成输出的白噪声。
下面探讨两种方法来实现白化问题。
1、白化滤波器
将任意随机信号x(t)输入一个线性时不变滤波器,滤波器将x(t)白化为白噪声,这个滤波器就叫做白化滤波器。
我们可以使用频域技术白化这个信号,用输入信号的功率谱密度
,选择最小相位
得到极点和零点都位于S面左侧,这样就可以用以下关系构造白化滤波器:
,选择最小相位滤波器保证逆滤波器稳定,必须保证
在所有
上都严格为正,这样
就不会有奇点。
白化噪声为:
ifft{
}*[
},白化噪声的功率谱为:
,白化噪声的功率谱为常数,可见随机噪声已白化了。
2、白化滤波器的设计方法
首先计算色噪声自相关函数,根据色噪声的自相关函数,计算出色噪声的功率谱(色噪声的自相关函数和功率谱构成一对傅里叶变换对),然后根据公式
(注意求倒数时
不能为零),计算出白化滤波器的频谱。
白化变换就是要构造一个白化矩阵,使色噪声与白化矩阵相乘后为白噪声。
=Q·X线性变换,使得
的协方差矩阵
为单位矩阵(即
)。
这里Q称作白化矩阵,它可以通过对色噪声矩阵X的协方差矩阵
的对角化求解来获得:
,式中E矩阵由
的特征向量组成,A为
的特征值
组成的对角矩阵A=diag(
,
……
)。
经过白化处理后,色噪声信号变换为具有单位方差的信号
,且
中各信号分量相互正交。
白化变换方法总结:
a.将生成的色噪声由一行变为n*m。
b.计算色噪声的协方差矩阵
。
c.计算协方差矩阵的特征值
以及特征向量。
d.求白化变换矩阵。
e.白噪声等于色噪声乘白化矩阵。
f.再将生成的色噪声由n*m行变为一行。
4.3理想白噪声、带限白噪声比较分析
若一个具有零均值的平稳随机过程,其功率谱密度在某一个有限频率范围内均匀分布,而在此范围外为零,则称这个过程为带限白噪声。
带限白噪声分为低通型和带通型。
4.4色噪声的产生与分析
我们把除了白噪声之外的所有噪声都称为有色噪声。
就像白光一样,除了白光就是有色光。
色噪声中有几个典型:
(1)粉红噪声。
粉红噪声是自然界最常见的噪声,简单说来,粉红噪声的频率分量功率主要分布在中低频段。
从波形角度看,粉红噪声是分形的,在一定的范围内音频数据具有相同或类似的能量。
从功率(能量)的角度来看,粉红噪声的能量从低频向高频不断衰减,曲线为1/f,通常为每8度下降3分贝。
粉红噪声的能量分布在任意同比例带宽中是相等的。
在给定频率范围内(不包含直流成分),随着频率的增加,其功率密度每倍频程下降3dB(密度与频率成反比)。
每倍频的功率相同,但要产生每倍频程3dB的衰减非常困难。
因此,没有纹波的粉红噪声在现实中很难找到。
粉红噪声低频能下降到接近0Hz(不包括0Hz),高频段频率接近20几千赫,而且它在等比例带宽内的能量是相等的(误差只不过0.1dB左右)。
粉红噪声的功率普密度图如下图所示:
粉红噪声的功率普密度
(2)红噪声(海洋学概念)。
这是有关海洋环境的一种噪声,由于它是有选择地吸收较高的频率,因此称之为红噪声。
(3)橙色噪声。
该类噪声是准静态噪声,在整个连续频谱范围内,功率谱有限,零功率窄带信号数量也有限。
这些零功率的窄带信号集中于任意相关音符系统的音符频率中心上。
由于消除了所有的合音,这些剩余频谱就称为“橙色”音符。
(4)蓝噪声。
在有限频率范围内,功率密度随频率的增加每倍频增长3dB(密度正比于频率)。
对于高频信号来说,它属于良性噪声。
(5)紫噪声。
在有限频率范围内,功率密度随频率的增加每倍频增长6dB(密度正比于频率的平方值)。
(6)灰色噪声。
该噪声在给定频率范围内,类似于心理声学上的等响度曲线(如反向的A-加权曲线),因此在所有频率点的噪声电平相同。
(7)棕色噪声。
在不包含直流成分的有限频率范围内,功率密度随频率的增加每倍频下降6dB(密度与频率的平方成反比)。
该噪声实际上是布朗运动产生的噪声,它也称为随机飘移噪声或醉鬼噪声。
(8)黑噪声(静止噪声):
①有源噪声控制系统在消除了一个现有噪声后的输出信号。
②在20kHz以上的有限频率范围内,功率密度为常数的噪声,一定程度上它类似于超声波白噪声。
这种黑噪声就像“黑光”一样,由于频率太高而使人们无法感知,但它对你和你周围的环境仍然有影响。
4.5用硬件实现白噪声
平稳随机过程是在时间平移下概率性质不变的随机过程。
其统计特性是,任意有限维分布函数不随时间的推移面改变;当过程随时间的变化而产生随机波动时,其前后状态相互联系,即不但它的当时情况,而且它的过去情况对未来都有不可忽视的影响。
按照描述平稳随机过程的统计特性的不同,平稳随机过程分为严平稳随机过程和宽平稳随机过程。
5、实验设计与实现
5.1利用计算机产生正态分布、均匀分布和指数分布的随机数,画出1024点的波形。
(1)正态分布:
其概率密度为
x=normrnd(0,1,[1,1024])
实验程序如下:
x=normrnd(0,1,[1,200]);
Subplot(2,1,1);
plot(x);
xlabel('n');
ylabel('x(n)');
title('200点正态分布');
x=normrnd(0,1,[1,1024]);
Subplot(2,1,2);
plot(x);
xlabel('n');
ylabel('x(n)');
title('1024点正态分布');
(2)均匀分布的:
0-1分布,其概率密度为
x=rand(200,1)
实验程序如下:
x=rand(200,1);
Subplot(2,1,1);
plot(x);
xlabel('n');
ylabel('x(n)');
title('200点均匀分布');
x=rand(1024,1);
Subplot(2,1,2);
plot(x);
xlabel('n');
ylabel('x(n)');
title('1024点均匀分布');
(3)指数分布:
x=exprnd(2,20,10)
实验程序如下:
x=exprnd(2,200,1);
Subplot(2,1,1);
plot(x);
xlabel('n');
ylabel('x(n)');
title('200点指数分布');
x=exprnd(2,1024,1);
Subplot(2,1,2);
plot(x);
xlabel('n');
ylabel('x(n)');
title('1024点指数分布');
(4)瑞利分布
Y=raylrnd(1,1,1024)
程序如下:
raylrnd(1,1,200);
>>Subplot(2,1,1);
plot(x);
xlabel('n');
ylabel('x(n)');
>>title('200点锐利分布');
>>x=raylrnd(1,1,1024);
>>Subplot(2,1,2);
plot(x);
xlabel('n');
ylabel('x(n)');
>>title('1024点锐利分布');
(5)X^2分布
X=chi2rnd(1,1,1024)
程序为:
CHI2rnd(1,1,200);
Subplot(2,1,1);
plot(x);
xlabel('n');
ylabel('x(n)');
title('200点X^2分布');
x=CHI2rnd(1,1,1024);
Subplot(2,1,2);
plot(x);
xlabel('n');
ylabel('x(n)');
title('1024点X^2分布');
(6)计算上面5种分布的均值与方差的理论值,并画出理论的概率密度(图),;
上面三种分布的均值与方差的理论值
1.正态分布
2.均匀分布
3.指数分布
三种分布理论的概率密度图
实验程序如下:
x=-6:
0.01:
7;
y=normpdf(x,0,1);subplot(1,2,1);
axison;
plot(x,y);
axissquare;
title('正态概率密度函数');
实验程序如下:
clear;
x=-10:
0.01:
10;
y=unifpdf(x,0,1);
subplot(1,2,1);
axison;
plot(x,y);
Axis(0,30,0,1);
title('均匀概率密度函数');
实验程序如下:
x=0:
0.01:
30;
y=exppdf(x,2);
subplot(1,2,1);
axison;
plot(x,y);
axissquare;
title('指数概率密度函数');
5.25种随机序列分别在1024、10240和20480点的概率密度、均值与方差、概率密度
表一、不同长度下的正态分布统计结果
理论值
1024点
10240点
20480点
均值
0
0.0138
0.0195
-0.0092
方差
1
0.7606
0.9898
0.9684
实验程序如下:
x=-6:
0.01:
10;
y=normrnd(0,1,[1,1024]);
subplot(3,1,1);
hist(y,x);
title('1024点正态概率密度函数');
m=mean(y)
sigma=var(y)
x=-6:
0.01:
10;
y=normrnd(0,1,[1,10240]);
subplot(3,1,2);
hist(y,x);
title('10240点正态概率密度函数');
m=mean(y)
sigma=var(y)
x=-6:
0.01:
10;
y=normrnd(0,1,[1,20480]);
subplot(3,1,3);
hist(y,x);
title('20480点正态概率密度函数');
m=mean(y)
sigma=var(y)
表二、不同长度下的均匀分布统计结果
理论值
1024点
10240点
20480点
均值
0.5
0.5209
0.4970
0.5037
方差
0.83
0.0718
0.0846
0.0835
实验程序如下:
x=0.:
0.01:
1;
y=rand(1024,1);
subplot(3,1,1);
hist(y,x);
title('1024点均匀概率密度函数');
M1=mean(y)
Sigma1=var(y)
y=rand(10240,1);
subplot(3,1,2);
hist(y,x);
title('10240点均匀概率密度函数');
M2=mean(y)
Sigma2=var(y)
y=rand(20480,1);
subplot(3,1,3);
hist(y,x);
title('20480点均匀概率密度函数');
M3=mean(y)
Sigma3=var(y)
表三、不同长度下的指数分布统计结果
理论值
1024点
10240点
20480点
均值
2
2.0559
1.9993
2.0122
方差
4
5.7294
4.1452
4.0242
实验程序如下:
clear;
x=-1:
0.01:
10;
y=exprnd(2,1024,1);
subplot(3,1,1);
hist(y,x);
title('1024点指数概率密度函数');
M1=mean(y)
Sigma1=var(y)
y=exprnd(2,10240,1);
subplot(3,1,2);
hist(y,x);
title('10240点指数概率密度函数');
M2=mean(y)
Sigma2=var(y)
y=exprnd(2,20480,1);
subplot(3,1,3);
hist(y,x);
title('20480点指数概率密度函数');
M3=mean(y)
Sigma3=var(y)
分析:
从理论概率密度曲线和1024,10240,20480点的概率密度曲线的比较看出,取点越多,概率密度曲线与理论概率密度曲线越接近,其均值和方差也越接近理论计算均值和方差。
所取的随机变量越多,其统计特性越接近理论统计特性。
5.4测试高斯白噪声n(t)特性。
1、输入信号x(t)、噪声n(t)的测试与分析
(1)x(t)的特性分析
①均值:
E[x(t)]=0.0031
均值除了表示信号的平均值,它还表示信号的直流分量,可见此信号没有直流分量。
②均方值:
E[x2(t)]=1.5001
均方值表现了信号的平均功率
③方差:
D[x(t)]=1.5026
方差反映了信号绕均值的波动程度,也表示信号平均交流功率。
此噪声直流分量很小,近似为0
②均方值:
E[n2(t)]=1.0071
此噪声平均功率1.0071
③方差:
D[n(t)]=1.0051
此噪声平均交流功率1.0051
④自相关函数
自相关函数表示两时刻的相关程度,在0处有冲击是因为在一个时刻他肯定和自己线性相关,等于均方值。
⑤时域上看它做无规律波动,频域上看它频带很宽,频域也做无规律波动。
⑥功率谱密度近似一条直线,符合白噪声定义(均值为0,功率谱密度是非0常数的平稳随机过程)。
实验程序如下:
clear;
clc;
%
(一)高斯白噪声的产生与分析
%第一步:
产生高斯白噪声信号
figure;
N=10000;%采样点数
globalnoise
noise=randn(1,N);
t=0:
1/(N-1):
1;
T=1/(N-1);%取样间隔
fs=1/T;%取样频率
plot(t,noise);
ylabel('噪声幅值(V)');
xlabel('时间(t)');
title('高斯白噪声信号');
%第二步:
对高斯白噪声信号进行分析
figure;
%计算信号均值
m=mean(noise)
%计算信号均方值
m_square=mean(noise.^2)
%计算信号方差
s=mean((noise-m).^2)
%求自相关函数
[r,lag]=xcorr(noise,'unbiased');
plot(lag*T,r);
title('自相关函数');
%求高斯白噪声的概率密度
figure;
tt=-8:
0.001:
8;
f=exp(-(tt-m).^2/s)./(sqrt(2*pi*s));
plot(tt,f);
title('高斯白噪声的概率分布曲线');
%求高斯白噪声的频谱
figure;
Noise=fft(noise,N);
cmo=abs(Noise);
plot((0:
N-1)*fs/N,cmo);
xlabel('频率(HZ)');
ylabel('幅值(V)');
title('白噪声信号频谱');
%求高斯白噪声功率谱密度
figure;
fc=fft(r);
cm=abs(fc);
fl=(0:
length(fc)-1)'*fs/length(fc);
plot(fl,cm);
title('白噪声功率谱密度');
(3)加噪声的信号s(t)=x(t)+n(t)
①均值:
E[s(t)]=0.0579
其直流分量是两个信号的线性叠加
②均方值:
E[s2(t)]=2.5786
其平均功率是两个信号的线性叠加
③方差:
D[s(t)]=2.5777
其平均交流功率是两个信号的线性叠加
④从功率谱密度可以很轻易的分辨出有用信号和噪声
实验程序如下:
figure(4)
z1=x+y1;
subplot(3,1,1),plot(t,z1);%绘制加噪信号
xlabel('时间/s');
ylabel('振幅');
title('加噪信号');
axis([00.01-55]);
w1=fft(z1,N);%加噪信号频谱
magw1=abs(w1);%加噪信号频域振幅
subplot(3,1,2);plot(f,magw1);%绘制加噪信号幅频特性曲线
xlabel('频率/Hz');
ylabel('振幅');
title('加噪信号幅频特性曲线');
grid;
subplot(3,1,3);
periodogram(z1,[],'twosided',2048,fs);%周期图法估计加噪信号功率谱密度
%3.1、加噪信号数字特征
%均值Es=mean(z1)
%均方值Es2=mean(z1.*z1)
%方差os2=var(z1)
2、滤波器的设计及输出信号特性
1均值:
E[z(t)]=-7.5095e-04
直流分量仍然近似为0
2均方值:
E[z2(t)]=0.6853
平均功率减小,因为有些频率的波被虑除了。
3方差:
D[z(t)]=0.6860
平均交流功率也减小了,因为有些频率的波被虑除了。
实验程序如下:
fs=10000;N=1024;%采样频率和数据点数
n=0:
N-1;t=n/fs;%时间序列
s=sin(2*pi*1000*t)+sin(2*pi*2000*t)+sin(2*pi*3000*t)+y1;%混合信号
figure(5)
subplot(2,1,1),plot(t,s);%绘制输入信号
xlabel('时间/s');
ylabel('振幅');
title('滤波器输入信号');
axis([00.01-55])
b=fir1(48,[0.30.5]);
[h,f]=freqz(b,1,1024);
subplot(2,1,2);
plot(f*5000/pi,20*log10(abs(h)))%绘制滤波器频率响应
xlabel('频率/Hz');
ylabel('振幅/db');
title('滤波器幅频响应');
sf=filter(b,1,s);%输出信号
figure(6)
subplot(2,1,1),plot(t,sf);%绘制输出信号
xlabel('时间/s');
ylabel('振幅');
title('滤波器输出信号');
axis([00.01-22])
fousf=fft(sf,N);%输出信号傅里叶变换
magsf=abs(fousf);
fsf=n*fs/N;
subplot(2,1,2);
plot(fsf,magsf);
xlabel('频率/Hz');
ylabel('振幅');
title('输出信号幅频响应');
6、实验总结
通过这次随机试验,我们对白噪声信号、色噪声信号自身的特、均值、均方值、方差、相关函数、概率密度、频谱及功率谱密度等概念,有了进一步的了解,而不仅仅是书本上的定义。
并且,掌握白噪声、色噪声信号的分析方法。
在matlab仿真过程中,更加熟悉的matlab的使用。
掌握了如何用matlab处理估计功率谱密度,掌握了功率谱密度估计在随机信号处理中的作用,对生活中常见的噪声信号及其影响有了更多的认知,对随机过程有了更深的了解。
。