统计信号分析与处理.docVIP

统计信号分析与处理 上机实验报告 姓 名： 学 号： 班 级： 指导老师： 院 系： 2015年月日 目录 用直方图法对给定数据进行密度估计 3 1、实验目的 3 2、实验要求 3 3、原理及步骤 3 4、源程序： 4 5、运行波形 4 6、结果分析 6 用最小均方算法对语音信号进行自适应降噪 7 1、实验目的 7 2、实验要求 7 3、自适应降噪原理 7 4、源程序 10 5、波形图： 11 6、结果分析 11 总结与感想 12 用直方图法对给定数据进行密度估计 1、实验目的 、了解密度估计的方法和原理。 、用matlab对理论知识进行实践。 2、实验要求 对给定的数据进行密度估计。 3、原理及步骤 用直方图估计概率密度，并与函数对比。 数据样本的频率直方图是一种近似求解样本概率密度函数的图解方法，也常用于随机数分布的验证中。 设仿真得出的n个样本数据{x1,x2,....,xn}，其样本取值范围为[a,b]=[min x,max x]，为了得到样本分布的频率直方图， 将区间[a,b]划分为m个等间隔的分组区间，分割点ti为a=t0t1t2...tm=b，分组间隔d=(b-a)/m。 统计样本数据落入区间[ti,ti+1)中的个数ri（即频数）。 计算对应的频率fi=ri/n，则当样本总数n足够大时，频率fi趋近于随机变量ξ在该区间的概率，即fi≈P(ti≤ξti+1)，设随机变量ξ的概率密度函数为fξ(x),则有P(ti≤ξti+1)=≈d，所以可以用样本频率来估计其概率密度函数≈/d=/,[,),i=0,1,...,m-1。 根据上式作出直方图，与已知的概率密度函数对比即可直观地辨别所服从的分布类型。当样本数，时，样本频率直方图将趋近于概率密度函数。 在仿真中得出的样本数是有限的，直方图与真实概率密度的接近程度跟选择的分组区间有关。如果区间太宽，直方图显得粗糙；太窄，平滑度不够。可以多个分组宽度比较，选择比较平滑且接近真实的直方图作为结果。 根据已给数据用直方图进行的概率密度估计 试产生自由度为（n1=5，n2=4）的F分布随机数，并用直方图法进行检验。设随机数样本数量为10000. 4、源程序： n1=5;n2=4;%F参数 n=10000;%样本数量 x=frnd(n1,n2,n,1);%产生F随机数样本 a=min(x);b=max(x);%样本区间 m=500;%分组区间数 d=(b-a)/m;%分组间隔 [r,xout]=hist(x,[a:d:b]);%计算直方图数据 pdf=r./(n*d);%计算统计频率密度 bar(xout,pdf);hold on;%统计直方图 h=findobj(gca,Type,patch);%修改直方图样式 set(h,FaceColor,[0.7,0.7,0.7],EdgeColor,k); X=0:0.01:10;%计算并画出F的理论概率密度曲线 Y=fpdf(X,n1,n2);%fpdf f分布的概率密度函数 plot(X,Y,k-);axis([0 10 0 1]); 5、运行波形 分组区间数为500时的波形： 分组区间数为200时波形： 分组区间数为300时波形： 分组区间数为700时波形： 当分组区间数为1000时的波形： 6、结果分析 在程序运行中，将分组区间改变不同的值，其直方图与实际函数曲线的拟合程度不同。当区间选的太宽即分组区间数过小，直方图将显得粗糙；反之，分割区间过细即分组区间数过大，则直方图的平滑性不够好。实践证明的确应多尝试不同的分组区间，从中找到比较接近的来估计概率密度。直方图不一定是估计概率密度的最好的方法，希望在今后的学习中能学到更好的方法来估计概率密度。 用最小均方算法对语音信号进行自适应降噪 1、实验目的 （1）、了解最小均方算法的原理 （2）、用最小均方算法对语音信号进行自适应降噪 2、实验要求 用最小均方算法对语音信号进行自适应降噪，并对比原始信号和降噪后的信号的波形图。 3、自适应降噪原理 自适应滤波器是指利用前一时刻的结果，自动调节当前时刻的滤波器参数，以适应信号和噪声未知或随机变化的特性，得到有效的输出，主要由参数可调的数字滤波器和自适应算法两部分组成，如图1.1所示 自适应滤波器原理图 x(n)称为输入信号，y(n)称为输出信号，d(n)称为期望信号或者训练信号，e(n)为误差僖号，其中，e(n)=d(n)-y(n)自适应滤波器的系数(权值)根据误差信号e(n)，通过一定的自适应算法不断的进行，以达到使滤波器实际输出y(n)与期望响应d