随机信号功率谱分析..docVIP

本科学生实验报告 学号 姓名 学院 物理与电子信息 专业、班级 实验课程名称 教师及职称 开课学期 2014 至 2015 学年 下 学期 填报时间 2015 年 4 月 25 日 云南师范大学教务处编印 实验设计方案 实验序号 六 实验名称 随机信号功率谱分析实验 实验时间 2015年4月22日 实验室 同析三栋 实验目的 1、 了解随机过程功率谱密度的意义并掌握如何利用MATLAB产生功率谱函数。 2、 掌握功率谱密度估计在随机信号处理中的作用。 2． 实验原理、实验流程或装置示意图 功率谱估计是随机信号处理中的一个重要的研究和应用领域。 在工程实际中，经典功率谱估计法获得广泛应用的是修正周期图法。该方法采取数据分段加窗处理再求平均的方法。通过求各段功率谱平均，最后得到功率谱估计p(m),即 ???式中为窗函数的方差 陈后金，等.《数字信号处理》.2版【M】.北京：高等教育出版社，2010 张德丰，等.《MATLAB数值计算与方法》.北京：机械工业出版社，2010 二．实验报告 1．实验内容 %1、N(2,5)的正态白噪声序列?figure;? a=300;b=2*a;? x= normrnd (2,sqrt(5),1,b);? subplot?311?plot(x,y);? title(N(2,5)分布白噪声序列); ?subplot?312?R_x=xcorr(x,unbiased);?plot(R_x,m);? grid?title(N(2,5)分布白噪声序列自相关函数); ?subplot?313?periodogram(x,[],512,a);? title(N(2,5)分布白噪声序列功率谱密度);?? %2、随机过程X(t)=cos(600pit)+cos(800pit)+N(t)?figure;? a=500;b=2*a;?t=[0:1/b:1-1/b];?N=randn(1,b);? X=cos(600*pi*t)+cos(800*pi*t)+N;?subplot(3,1,1)?plot(X);? title(X(t)=cos(600*pi*t)+cos(800*pi*t)+N(t))?subplot(3,1,2)? R_X=xcorr(X,unbiased);?plot(R_X,m);? title(随机过程X(t)自相关函数R_Xt);? ylabel(R_Xt)?；xlabel(时间间隔t)?subplot(3,1,3)? periodogram(X,[],512,a);?axis([100?200?-inf?inf]);? title(随机过程X(t)功率谱密度);? ?%3、随机相位信号?cosXtAt??figure;? A=2;w=1000*pi;?a=1000;b=a;? t=[0:1/b:1-1/b];?p=2*pi*rand(1,b);? X=A*cos(w*t+p);?X1=A*cos(w*t+p);?subplot?211? R=xcorr(X,unbiased);?plot(R,m); ?grid?title(随机相位信号X(t)的自相关函数);? subplot?212?periodogram(X,[],b*2,a);? title(随机相位信号X(t)的功率谱密度);? 2、实验现象 （1）产生一组服从N(2,5)的正态白噪声序列，画出其自相关函数和功率谱密度； （2）估计随机过程X(t)=cos(600πt)+cos(800πt)+N(t)的自相关函数和功率谱，其中N(t)服从N(0,1)的高斯分布； 在（0,2）上均匀分布的随机变量，估计该随机信号的自相关函数和功率谱密度； 2．实验总结 由于采用分段加窗求功率谱平均，有效减少了方差和偏差，但在估计过程存在两个与实际不符的假设，即 利用有限的N个观察数据进行自相关估计，隐含着在已知N个数据之外的全部数据均为零的假设。 假定数据时有N个观察数据以N为周期的周期性延迟。同时在计算过程中采用加窗处理，使得估计的方差和功率泄露较大，不适用于段序列的谱分析和对微信号的检测。 教师评语及评分： 签名： 年 月 日