莱斯特性研究.doc

数字通信实验报告 题目：基于Matlab的Rice和Nakagami随机变量分布特性的仿真分析 姓名： 宏凯 学号： 学院： 研究生院 专业： 电子与通信工程 2015-10-8 目 录 1关于Rice随机变量分布特性的简单研究 1 1.1简介Rice随机变量的数学模型 1 1.1.1 Rice随机变量的概率密度函数（PDF）表示方法 1 1.1.2 Rice随机变量的累计分布函数（CDF）表示方法 1 1.1.3 Rice随机变量中PDF与CDF之间的关系 2 1.2. matlab编程仿真 2 1.2.1程序代码 2 1.2.2仿真图像 2 1.3.结论分析 5 2.关于Nakagami随机变量分布特性的简单研究 5 2.1.简介Nakagami随机变量的数学模型 5 2.1.1 Nakagami随机变量的概率密度函数（PDF）表示方法 5 2.1.2 Nakagami随机变量的累计分布函数（CDF）表示方法 5 2.1.3 Nakagami随机变量中PDF与CDF之间的关系 6 2.2 matlab编程仿真 6 2.2.1 程序代码 6 2.2.2仿真图像 7 2.3.结论分析 10 3.总结 10 1关于Rice随机变量分布特性的简单研究 1.1简介Rice随机变量的数学模型 1.1.1 Rice随机变量的概率密度函数（PDF）表示方法 如果X1和X2是两个独立的高斯随机变量，分别服从N（m1，σ2）和N（m2，σ2）分布（即方差相等，均值不同），则 x=√x12+x22 (1) 是Rice随机变量，定义Rice因子k=0.5s2/σ2,A= s2+2σ2,则Rice的概率密度函数可表示为： 1.1.2 Rice随机变量的累计分布函数（CDF）表示方法 Rice 随机变量的CDF为： 1.1.3 Rice随机变量中PDF与CDF之间的关系 Rice随机变量中PDF与CDF满足积分与微分的关系，从而可以在matlab编程仿真中利用积分函数cumtrapz来实现CDF图像的绘制，即P(x)=cumtrapz(x,p(x))。 1.2. matlab编程仿真 1.2.1程序代码 x=0:0.01:3; A=1; k1=10; k2=1; k3=0.1; p1=exp(-(k1+1)/A*(x.^2+A*k1/(k1+1))).*besseli(0,2*x.*sqrt(k1*(k1+1)/A)).*x*2*(k1+1)/A+eps; p2=exp(-(k2+1)/A*(x.^2+A*k2/(k2+1))).*besseli(0,2*x.*sqrt(k2*(k2+1)/A)).*x*2*(k2+1)/A+eps; p3=exp(-(k3+1)/A*(x.^2+A*k3/(k3+1))).*besseli(0,2*x.*sqrt(k3*(k3+1)/A)).*x*2*(k3+1)/A+eps; figure(1); plot(x,p1,r,x,p2,g,x,p3,b); legend(k1=10,k2=1,k3=0.1); xlabel(x); ylabel(PDF); title(Rice PDF); hold on; P1=cumtrapz(x,p1)+eps; P2=cumtrapz(x,p2)+eps; P3=cumtrapz(x,p3)+eps; figure(2); plot(x,P1,r,x,P2,g,x,P3,b); legend(k1=10,k2=1,k3=0.1); xlabel(x); ylabel(CDF); title(Rice CDF); hold on; 1.2.2仿真图像 在归一化情况下，当A=1时，随着Rice 因子k值的变化，使用matlab仿真出Rice随机变量的PDF与CDF图像分别如下图1和图2所示： 图1 不同k值时的Rice PDF 图2 不同k值时的Rice CDF 1.3.结论分析 通过matlab仿真图像分析可知：当Rice因子k较小时，Rice 随机变量的PDF退化为瑞利变量的PDF；Rice因子k较大时，Rice随机变量的PDF渐变为高斯随机变量的PDF。 2.关于Nakagami随机变量分布特性