随机信号上机实验报告

《随机信号上机实验报告》由会员分享，可在线阅读，更多相关《随机信号上机实验报告（20页珍藏版）》请在金锄头文库上搜索。

1、Harbin Institute of Technology实验报告课程名称：随机信号分析院系：电信学院班级：哈尔滨工业大学实验一各种分布随机数的产生实验目的在很多系统仿真的过程中，需要产生不同分布的随机变量。利用计算机可以 很方便地产生不同分布的随机变量，各种分布的随机变量的基础是均匀分布的随 机变量。有了均匀分布的随机变量，就可以用函数变换等方法得到其他分布的随 机变量。实验内容产生均匀分布的随机数、高斯分布的随机数和其它分布的随机数。于海峰 h120521401 1 实验原理均匀分布随机数的产生原理产生伪随机数的一种实用方法是同余法，它利用同余运算递推产生伪随机数 序列。最简单的方法是加

2、同余法)(mod1McyynnMyxn n1 1为了保证产生的伪随机数能在0,1 内均匀分布，需要 M为正整数，此外常数 c 和初值 y0 亦为正整数。加同余法虽然简单，但产生的伪随机数效果不好。另一 种同余法为乘同余法，它需要两次乘法才能产生一个0,1 上均匀分布的随机数)(mod1MayynnMyxn n1 1式中， a 为正整数。用加法和乘法完成递推运算的称为混合同余法，即)(mod1McayynnMyxn n1 1用混合同余法产生的伪随机数具有较好的特性，一些程序库中都有成熟的程 序供选择。 常用的计算语言如Basic 、C和 Matlab 都有产生均匀分布随机数的函数可以 调用，只是

3、用各种编程语言对应的函数产生的均匀分布随机数的范围不同，有的 函数可能还需要提供种子或初始化。 Matlab 提供的函数 rand() 可以产生一个在 0,1 区间分布的随机数，rand(2,4) 则可以产生一个在 0,1 区间分布的随机数矩阵， 矩阵为 2 行 4 列。Matlab 提供的 另一个产生随机数的函数是random(unif,a,b,N,M)，unif 表示均匀分布， a 和 b 是均匀分布区间的上下界，N和 M分别是矩阵的行和列。随机变量的仿真根据随机变量函数变换的原理，如果能将两个分布之间的函数关系用显式表 达，那么就可以利用一种分布的随机变量通过变换得到另一种分布的随机变量

4、。 若 X是分布函数为 F(x) 的随机变量，且分布函数F(x) 为严格单调升函数，令 Y=F(X)，则 Y必为在 0,1 上均匀分布的随机变量。反之，若Y是在0,1 上均匀 分布的随机变量，那么)(1YFXX即是分布函数为FX(x) 的随机变量。式中FX1( )为FX( )的反函数。这样，欲求某个分布的随机变量，先产生在0,1区间上的均匀分布随机数，再经上式变换， 便可求得所需分布的随机数。高斯分布随机数的仿真广泛应用的有两种产生高斯随机数的方法，一种是变换法，一种是近似法。于海峰 h120521401 2 如果 X1,X2 是两个互相独立的均匀分布随机数，那么下式给出的Y1,Y2 mXXY

5、mXXY)2sin(ln2)2cos(ln2212211便是数学期望为m2变换法。 另外一种产生高斯随机数的方法是近似法。在学习中心极限定理时， 曾提到 n 个在0,1 区间上均匀分布的互相独立随机变量Xi (i=1,2,n) ，当 n 足够大时， 其和的分布接近高斯分布。当然，只要n 不是无穷大，这个高斯分布是近似的。 由于近似法避免了开方和三角函数运算，计算量大大降低。 当精度要求不太高时， 近似法还是具有很大应用价值的。各种分布随机数的仿真有了高斯随机变量的仿真方法，就可以构成与高斯变量有关的其他分布随机 2 分布随机变量。实验过程和结果分析1.产生均匀分布的随机数 for n=1:10

6、24 y=rand(); x(n)=y*(6-3)+3; end plot(x); 2. 产生高斯分布的随机数x=random(Normal,0,2,1,1024) ；3.产生瑞利分布和分布 N=30000; g=-6:0.1:6; G1=random(Normal,0,1,1,N); G2=random(Normal,0,1,1,N); G3=random(Normal,0,1,1,N); G4=random(Normal,0,1,1,N); R=sqrt(G1.*G1+G2.*G2); 于海峰 h120521401 3 X2=G1.*G1+G2.*G2+G3.*G3+G4.*G4; 实验结

7、论使用 Matlab产生均匀分布的随机数、高斯分布的随机数、瑞利分布和分布的随机数。实验二随机变量检验实验目的随机数产生之后，必须对它的统计特性做严格的检验。一般来讲，统计特性 的检验包括参数检验、均匀性检验和独立性检验等。事实上，我们如果在二阶矩 范围内讨论随机信号，那么参数检验只对产生的随机数一、二阶矩进行检验。我 们可以把产生的随机数序列作为一个随机变量，也可以看成随机过程中的一个样 本函数。不论是随机变量还是随机过程的样本函数，都会遇到求其数字特征的情 况，有时需要计算随机变量的概率密度直方图等。于海峰 h120521401 4 实验内容1. 对实验一产生的各种分布的随机数进行均值和方

8、差的检验。 2. 对实验一产生的各种分布的随机数概率分布进行统计，并在计算机屏幕上显 示实际统计的概率密度直方图。实验原理1.均值的计算在实际计算时，如果平稳随机序列满足各态历经性，则统计均值可用时间均 值代替。这样，在计算统计均值时，并不需要大量样本函数的集合，只需对一个 样本函数求时间平均即可。 甚至有时也不需要计算N时的极限，况且也不可能。 通常的做法是取一个有限的、计算系统能够承受的N求时间均值和时间方差。根 据强调计算速度或精度的不同，可选择不同的算法。设随机数序列 Nxxx,21 ，一种计算均值的方法是直接计算下式NnnxNm 11式中， xn 为随机数序列中的第n 个随机数。 另

9、一种方法是利用递推算法，第n 次迭代的均值也亦即前n 个随机数的均值 为)(111 111nnnnnnmxnmxnmnnm迭代结束后，便得到随机数序列的均值 mmN递推算法的优点是可以实时计算均值，这种方法常用在实时获取数据的场合。 当数据量较大时，为防止计算误差的积累，也可采用)(1 1 11mxNmmnNn 式中， m1是取一小部分随机数计算的均值。方差的计算计算方差也分为直接法和递推法。仿照均值的做法212)(1mxNNnn21221mxNNnn方差的递推算法需要同时递推均值和方差mmnxmnnnn111()(112 12 12 nnnnmx nnn于海峰 h120521401 5 迭代

10、结束后，得到随机数序列的方差为22 N其它矩函数也可用类似的方法得到。统计随机数的概率密度直方图假定被统计的序列)(nx的最大值和最小值分别为a 和 b。将),(ba区间等分 M（M应与被统计的序列)(nx的个数 N相适应， 否则统计效果不好。）份后的区间为)(,(Mabaa，)(*2,)(MabaMaba， , )*)(*2,)1)( Miaba Miaba， , ),)1)(b MMaba。用)(if，表示序列)(nx的值落在)*)(*2,)1)(MiabaMiaba区间里的个数，统计序列)(nx的值在各个区间的个数)(if，1,2,0Mi，则)(if就粗略地反映了随机序列的概率密度的情况

11、。用图形方式显示出来就是随机数的概率密度直方图。实验过程和结果分析1. 均值和方差的检验(1)均匀分布随机数x=random(unif,3,6,1,1024) m=mean(x) m = 4.5064 d=var(x) d = 0.7523 (2)产生高斯分布 , 瑞利分布和分布的均值与方差 N=30000; g=-6:0.1:6; G1=random(Normal,0,1,1,N); G2=random(Normal,0,1,1,N); G3=random(Normal,0,1,1,N); G4=random(Normal,0,1,1,N); R=sqrt(G1.*G1+G2.*G2); X

12、2=G1.*G1+G2.*G2+G3.*G3+G4.*G4; m1=mean(G1) 于海峰 h120521401 6 m1 = 0.0055 d1=var(G1) d1 = 1.0101 m2=mean(R) m2 = 1.2576 d2=var(R) d2 = 0.4320 m3=mean(X2) m3 = 4.0194 d3=var(X2) d3 = 8.1684 2. 概率密度直方图（1）均匀分布随机数x=random(unif,3,6,1,1024); subplot;hist(x,2:0.01:7); （2）高斯分布 , 瑞利分布和分布 N=30000; g=-6:0.1:6; G

13、1=random(Normal,0,1,1,N); G2=random(Normal,0,1,1,N); G3=random(Normal,0,1,1,N); G4=random(Normal,0,1,1,N); R=sqrt(G1.*G1+G2.*G2); X2=G1.*G1+G2.*G2+G3.*G3+G4.*G4; subplot(311);hist(G1,g); subplot(312);hist(R,0:0.05:6); subplot(313);hist(X2,0:0.02:30); 于海峰 h120521401 7 实验结论1.对实验一产生各种分布的均值和方差验证，结果如下（1）

14、均匀分布m = 4.5064 d = 0.7523 （2）高斯分布 , 瑞利分布和分布的均值与方差m1 = 0.0055 d1 =1.0101 m2 =1.2576 d2 = 0.4320 m3 =4.0194 d3 =8.1684 2.概率密度直方图如图所示实验三中心极限定理的验证实验目的利用计算机产生均匀分布的随机数。对相互独立的均匀分布的随机变量做和， 可以很直观看到均匀分布的随机变量的和，随着做和次数的增加分布情况的变化， 通过实验对中心极限定理的进行验证。实验内容产生多组 0,1 区间上的均匀分布的随机数序列，各序列的对应元素做和，够 成的和序列再进行随机数的概率密度直方图的统计，并

15、作图显示。实验原理如果 n 个独立随机变量的分布是相同的，并且具有有限的数学期望和方差，于海峰 h120521401 8 当 n 无穷大时，它们之和的分布趋近于高斯分布。这就是中心极限定理中的一个 定理。 我们以均匀分布为例，来解释这个定理。若n 个随机变量 Xi (i=1,2,n) 都为0,1 区间上的均匀分布的随机变量， 且互相独立，当 n 足够大时，其和niiXY 1 的分布接近高斯分布。实验过程和结果分析 x1=random(unif,0,1,1,1024); x2=random(unif,0,1,1,1024); x3=random(unif,0,1,1,1024); x4=random(unif,0,1,1,1024); x5=random(unif,0,1,1,1024); x6=random(unif,0,1,1,1024); x7=random(unif,0,1,1,1024); x8=random(unif,0,1,1,1024); x=x1+x2+x3+x4+x5+x6+x7+x8; subplot;hist(x,0:0.05:8); 实验结论若 n 个随机变量 Xi (i=1,2,n) 都为0,1 区间上的均匀分布的随机变量，且互相独立，当 n 足够大时，其和niiXY 1的分布接近高斯分布。实验四自相关函数的计算实验目的在随