- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一、实验目的和要求
了解随机过程特征估计的基本概念和方法,学会运用Matlab 函数对随机过程进行特征
估计,并且通过实验了解不同估计方法所估计出来结果之间的差异。 二、实验环境、内容和方法
内容:实验原理
设随机序列 X(n)、Y(n)为各态历经过程,样本分别为x(n)、y(n)(n=0,1,....N-1)。
均值的估计
2、方差的估计
方差估计有两种情况,如果均值 mx 已知,则
如果均值未知,那么
相关函数估计
4、功率谱估计
功率谱的估计有几种方法,
(1)自相关法
先求相关函数的估计
然后对估计的相关函数做傅立叶变换,
(2)周期图法
先对序列 x(n)做傅立叶变换,
则功率谱估计为
周期图法是一种非参数谱估计方法,另外还有一种修正的周期图方法,也叫Welch 法,
MATLAB 有周期图和Welch 法的谱估计函数。
(3)现代谱估计技术
现代谱估计主要有参数谱估计和子空间谱估计。参数谱估计法是假定待估计功率谱的信
号是白噪声驱动线性系统的输出,常用的方法有基于最大墒估计的伯格算法和Yuler-Walk
自回归(AR)方法,这些方法是估计线性系统的参数,通常会得到比经典谱估计方法更好的估
计。子空间法也称为高分辨率谱估计或超分辨率谱估计,常用的方法有MUSIC 法和特征矢
量法,这些方法是根据相关矩阵的特征分析或特征分解得到对信号的频率分量的估计,特别
适合于线谱(即正弦信号)的估计,是低信噪比环境下检测正弦信号的有效方法。 三、实验过程描述
第一题 1)、产生一组均值为1,方差为4 的正态分布的随机序列(1000 个样本),估计该序列的均值
与方差。
画出图像的代码如下:
n=1:1:1000;
w(n)=1+randn(1,1000)*sqrt(4);
plot(n,w(n));
mean(w(n))
ans =
1.0711
var(w(n))
ans =
4.0549
3)运行以上代码,得到如下图:
第二题 1)按如下模型产生一组随机序列:
x(n)=0.8x(n-1)+w(n),其中w(n)为均值为1,方差为4 的正态分布白噪声序列。估计过程的自相关函数与功率谱。
编写代码如下:
for n=1:1:1000;
if n2;
x(n)=rand(1);
else;
x(n)=0.8*x(n-1)+randn(1)*sqrt(4)+1;
end;
end;
n=1:1:1000;
figure(1);
plot(n,(x(n)));title(随机数列x(n));
Fs=1000;
window=boxcar(length(x(n)));
[Pxx,w]=periodogram(x(n),window,n,Fs);
c=xcorr(x(n));
figure(2);
subplot(1,2,1);plot(c);title(估计过程的自相关函数)
subplot(1,2,2);plot(w,10*log10(Pxx));title(估计过程的功率谱)
运行以上代码,得到如下图:
第三题 1)设信号为x(n)=sin(2πf1n)+2cos(2πf2n)+w(n),n=1,2,....,N,其中f1=0.05,f2=0.12,w(n)为
正态白噪声,试在N=356 和1024 点时,分别产生随机序列x(n)、画出x(n)的波形并估计x(n)
的相关函数和功率谱。
2)编写代码如下:
f1=0.05;
f2=0.12;
n=1:365;
x(n)=sin(2*pi*f1*n)+2*cos(2*pi*f2*n)+randn(1);
Fs=1000;
window=boxcar(length(x(n)));
[Pxx,w]=periodogram(x(n),window,n,Fs);
subplot(3,2,1);plot(n,x(n));title(N=365点时产生的随机序列x(n))
c=xcorr(x(n))
subplot(3,2,3);plot(c);title(N=365点时产生的随机序列x(n)的自相关函数)
subplot(3,2,5);plot(w,10*log10(Pxx));title(N=365点时产生的随机序列x(n)的功率谱)
n=1:1024;
x(n)=sin(2*pi*f1*n)+2*cos(2*pi*f2*n)+randn(1);
subplot(3,2,2);plot(n,x(n));title(N=1024点时产生的随机序列x(n))
c=xcorr(x(n));
subplot(3,2,4);plot(c);title(N=1024点时产生的随机序列x(n)的自相关函数)
wi
文档评论(0)