随机信号分析实验报告

HHaarrbbiinnIInnssttiittuutteeooffTTeecchhnnoollooggyy实实验验报报告告课程名称：随机信号分析院系：电子与信息工程学院班级：姓名：学号：指导教师：实验时间：实验一、各种分布随机数的产生（一）实验原理1.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。最简单的方法是加同余法)(mod1McyynnMyxnn11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)(mod1MayynnMyxnn11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)(mod1McayynnMyxnn11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。2.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。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FX1()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。3.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。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mXXYmXXY)π2sin(ln2)π2cos(ln2212211便是数学期望为m，方差为2的高斯分布随机数，且互相独立，这就是变换法。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。4.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变量，如瑞利分布、指数分布和2分布随机变量。（二）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。（三）实验结果附：源程序subplot(2,2,1);x=random('unif',2,5,1,1024);plot(x);title('均匀分布随机数')subplot(2,2,2);G1=random('Normal',0,1,1,20000);plot(G1);title('高斯分布随机数')subplot(2,2,3);G2=random('Normal',0,1,1,20000);R=sqrt(G1.*G1+G2.*G2);plot(R);title('瑞利分布随机数')subplot(2,2,4);G3=random('Normal',0,1,1,20000);G4=random('Normal',0,1,1,20000);X=G1.*G1+G2.*G2+G3.*G3+G4.*G4;plot(X);title('x^2分布随机数')实验二、随机变量检验（一）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NnnxNm11式中，xn为随机数序列中的第n个随机数。另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)(111111nnnnnnmxnmxnmnnm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)(1111mxNmmnNn式中，m1是取一小部分随机数计算的均值。2、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)(1mxNNnn21221mxNNnn方差的递推算法需要同时递推均值和方差mmnxmnnnn111()])(1[121212nnnnmxnnn迭代结束后，得到随机数序列的方差为22N其它矩函数也可用类似的方法得到。3、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)(((MiabaMiaba，…,),)1)(((bMMaba。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,,2,0Mi，则)(if就粗略地反映了随机序列的概率密度的情况。用图形方式显示出来就是随机数的概率密度直方图。（二）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。（三）实验结果附：源程序subplot(2,2,1);x=random('unif',2,5,1,1024);hist(x,2:0.2:5);title('均匀分布随机数直方图');s1=0forn1=1:1024s1=x(n1)+s1;endMean1=s1/1024;t1=0forn1=1:1024t1=(x(n1)-Mean1)^2+t1;endVariance1=t1/1024;subplot(2,2,2);G1=random('Normal',0,1,1,20000);hist(G1,-4:0.2:4);title('高斯分布随机数直方图');s2=0forn2=1:20000s2=G1(n2)+s2;endMean2=s2/20000;t2=0forn2=1:20000t2=(G1(n2)-Mean2)^2+t2;endVariance2=t2/20000;subplot(2,2,3);G2=random('Normal',0,1,1,20000);R=sqrt(G1.*G1+G2.*G2);hist(R,0:0.2:5);title('瑞利分布随机数直方图');s3=0forn3=1:20000s3=R(n3)+s3;endMean3=s3/20000;t3=0forn3=1:20000t3=(R(n3)-Mean3)^2+t3;endVariance3=t3/20000;subplot(2,2,4);G3=random('Normal',0,1,1,20000);G4=random('Normal',0,1,1,20000);X=G1.*G1+G2.*G2+G3.*G3+G4.*G4;hist(X,0:0.5:30);title('x^2分布随机数直方图')s4=0forn4=1:20000s4=X(n4)+s4;endMean4=s4/20000;t4=0forn4=1:20000t4=(X(n4)-Mean4)^2+t4;end实验三、中心极限定理的验证（一）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，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niiXY1的分布接近高斯分布。（二）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。（三）实验结果分析：随n取值的增大，均匀分布随机序列求和的图形越发接近于高斯分布。附：源程序X0=random('unif',0,1,1,1024);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);X9=random('unif',0,1,1,1024);G=random('normal',0,1,1,1024);Y1=X0+X1+X2+X3+X4;Y2=X0+X1+X2+X3+X4+X5+X6+X7+X8+X9;subplot(2,2,1);hist(X0,0:0.2:2);title('均匀分布随机数直方图')subplot(2,2,2);hist(Y1,0:0.2:6);title('五个均匀分布之和随机数直方图')subplot(2,2,3);hist(Y2,0:0.2:8);title('十个均匀分布之和随机数直方图')subplot(2,2,4);hist(G,-4:0.2:4);title('高斯分布随机数直方图')实验四、中心极限定理的验证（一）实验原理在实际应用中，我们可以把产生的随机数序列看成随机过程中的一个样本函数。如果平稳随机序列满足各态历经性，则统计自相关序列可用时间自相关序列代替。当数据的样本数有限时，也只能用有限个数据来估计时间自相关序列，统计自相关序列的估值。若各态历经序列X(n)的一个样本有N个数据)}1(,),1(),0({Nxxx，由于实序列自相关序列是对称的，自相关函数的估值为|)|()(1)(ˆ1||0mnxnxNmRmNn（二）实验目的在随机信号理论中，自相关函数是非常重要的概念。在实际系统仿真中也会经常计算自相关函数。通过本试验学生可以亲自动