隨机信号分析实验讲义.docVIP

微弱信号的检测提取及分析方法 １．实验目的 ⑴ 了解随机信号分析理论如何在实践中应用。 ⑵ 了解随机信号自身的特性，包括均值（数学期望）、方差、相关函数、频谱及功率谱密度等。 ⑶ 掌握随机信号的检测及分析方法。 ⒉ 实验原理 ⑴ 随机信号的分析方法 在信号系统中，我们可以把信号分成两大类——确知信号和随机信号。确知信号具有一定的变化规律，因而容易分析，而随机信号无确知的变化规律，需要用统计特性进行分析。我们在这里引入了随机过程的概念。所谓随机过程，就是随机变量的集合，每个随机变量都是随机过程的一个取样序列。随机过程可分为平稳的和非平稳的、遍历的和非遍历的。如果随机信号的统计特性不随时间的推移而变化，则随机信号是平稳的。如果一个平稳的随机过程它的任意一个样本都具有相同的统计特性，则随机过程是遍历的。我们下面讨论的随机过程都认为是平稳的遍历的随机过程，因此，我们可以取随机过程的一个样本来描述随机过程的统计特性。 随机过程的统计特性一般采用随机过程的分部函数和概率密度来描述，它们能够对随机过程作完整的描述。但是由于在实践中难以求得，在工程技术中，一般采用描述随机过程的主要平均统计特性的几个函数，包括均值、方差、相关函数、频谱及功率谱密度等来描述它们。以下算法都是一种估计算法，条件是N要足够大。 ① 随机过程的均值（数学期望） 均值E[x(t)]表示集合平均值或数学期望值基于随机过程的各历经性，可用时间间隔T内的幅值平均值表示，即 均值表达了信号变化的中心趋势，称之为直流分量。 　 　 信号x(t)的均方值E[x2(t)]()，或称为平均功率，其表达式为： 均方值表达了信号的强度，其正平方根值，又称为有效值，也是信号的平均能量的一种表达。 信号x(t)的方差定义为： 称为均方差或标准差。 可以证明， 描述了信号的波动量； 描述了信号的静态量方差反映了信号绕均值的波动程度。 　 。　相关是指客观事物变化量之间的相依关系在离散情况下，信号x(n)和y(n)的相关函数定义为： τ,t=0,1，2,……N-1。 但是，相关函数与和的强度有关，若或（为均值）很小，即使两者的相关程度较强（当时间差τ较小时），则相关函数也不会大，所以相关函数并不能准确地表示关联程度的大小。为了消除起伏值对相关函数的影响，需要对相关函数做规一化处理，所以引入了相关系数的概念。平稳随机过程的相关系数由下式定义： 相关系数又称为规一化相关函数，它确切表征了平稳随机过程在两个不同时刻的起伏值之间的线性关联程度。 自然界中的事物变化规律的表现，总有互相关联的现象，不一定是线形相关，也不一定是完全无关，如人的身高与体重，吸烟与寿命的关系。 自相关函数表示波形自身不同时刻的相似程度。与波形分析、频谱分析相比，它具有能够在强噪声干扰情况下准确地识别信号周期的特点。 下面是几种典型信号的自相关（互相关）函数： 正弦波函数的自相关： 正弦波与噪声的互相关函数： 正弦波与方波的互相关函数： 正弦波与三角波的互相关函数： 正弦波与小波信号的互相关函数： 正弦波与自身加噪声的互相关函数： 正弦波加噪声的自相关函数： ⑤ 随机过程的频谱 信号频谱分析是采用傅立叶变换将时域信号x(t)变换为频域信号X(f)，从而帮助人们从另一个角度来了解信号的特征。时域信号x(t)的傅氏变换为： 信号的时域描述只能反映信号的幅值随时间的变化情况，除只有一个频率分量的简谐波外一般很难明确揭示信号的频率组成和各频率分量的大小。例如，下图是一受噪声干扰的多频率成分周期信号，从信号波形上很难看出其特征，但从信号的功率谱上却可以判断、并识别出信号中的四个周期分量和它们的大小。信号的频谱X(f)代表了信号在不同频率分量处信号成分的大小，它能够提供比时域信号波形更直观，丰富的信息。 　 ?　 受噪声干扰的多频率成分周期信号波形和频谱 傅氏变换傅氏变换m=n=0; m表示信号的实部，n表示信号的虚部 /********** 用定义计算FFT子程序 **********/ void fft(double signal[],int N1) { int j,i; double m,n; m=n=0; for(i=0;iN1;i++) { for(j=0;jN1;j++) { m=signal[j]*cos(2*3.1415/N1*i*j)+m; //实部 n=signal[j]*sin(2*3.1415/N1*i*j)+n; //虚部 } signalr[i]=m; //实部，定义成全局