基于二进制信源n次扩展熵率的matlab仿真.docVIP

基于二进制信源N次扩展熵率的MATLAB仿真 本文通过MATLAB分析一个二进制的二符号信源，分别采用了滑窗法、卷积法、变换形法求出了该信源的N次（其中N最大为8）扩展信源的熵率，得出了熵率随着N的增加而逐渐减小的结论此外，本文还比较了三种算法的计算效率与优缺点：MATLAB clc sample=840;%给定独立二进制信源[0,1]的样本数 step=8; %设定最大扩展阶数 probability_0=0.6;%设定符号0的概率 H=zeros(1,step);%建立熵率向量 x=randsrc(1,sample,[0,1;0.6,0.4]); for N=1:step n=zeros(1,2^N); order=2.^([0:N-1]); for M=0:(2^N-1) for i=1:(sample+1-N) if(order*x(i:N+i-1)==M) n(M+1)=n(M+1)+1;%记录信源发出的每种符号序列的个数 end end end p=n/(sample+1-N);%N次扩展的概率向量 p=p(find(p~=0));%过滤掉概率为0的分量，其原理是x→0时，x*lbx→0 H(N)=-p*log2(p)/N;%输出每种扩展下的熵率 end H%输出熵率向量 stem([1:step],H) xlabel(扩展阶数N=1:8); ylabel(熵率); 输出： H = 0.9756 0.9749 0.9742 0.9715 0.9685 0.9654 0.9587 0.9438 HN(XN)-N图： （二）卷积法 该算法的基本思想同滑窗法基本相同，不同的是通过符号序列与2的幂次向量做卷积实现窗口的滑动与进制的转换。记录每一个数据出现的频度，近似N次扩展信源每个消息的发出概率，最终求得其熵率HN(XN)并绘出HN(XN)-N图（注：计算熵率时可以过滤掉概率为零的分量，因为x→0时，x*lbx→0）。 MATLAB算法代码： clc sample=840;%给定独立二进制信源[0,1]的样本数 step=8; %设定最大扩展阶数 probability_0=0.6;%设定符号0的概率 x=randsrc(1,sample,[0,1;0.6,0.4]); H=zeros(1,step);%建立熵率向量 n=zeros(1,2^step);%建立向量n记录每种符号序列出现的个数 for N=1:step order=2.^([0:N-1]); y=conv(x,order); y1=y(step:(length(y)+1-step));%只截取卷积的有效部分 for i=1:2^step n(i)=length(find(y1==i-1));%记录信源发出的每种符号序列的个数 end p=n/length(y1);%N次扩展的概率向量 p=p(find(p~=0));%过滤掉概率为0的分量，其原理是x→0时，x*lbx→0 H(N)=-p*log2(p)/N;%输出每种扩展下的熵率 end H%输出熵率向量 plot([1:step],H,b-,[1:step],H,bo) title(卷积法); xlabel(扩展阶数N=1:8); ylabel(熵率); 输出： H = 0.9714 0.9699 0.9689 0.9682 0.9665 0.9625 0.9545 0.9384 HN(XN)-N图： （三）变换形法 该算法的基本思想是将原序列重组为一个N行、n/N列的一个新序列。将每一列数据看做一个窗口，仍然通过进制转换记录每个窗口消息组成的序列出现的频度，近似N次扩展信源每个消息的发出概率，最终求得其熵率HN(XN)并绘出HN(XN)-N图（注：计算熵率时可以过滤掉概率为零的分量，因为x→0时，x*lbx→0）。 MATLAB算法代码： clc sample=840;%给定独立二进制信源[0,1]的样本数 step=8; %设定最大扩展阶数 probability_0=0.6;%设定符号0的概率 x=randsrc(1,sample,[0,1;0.6,0.4]); H=zeros(1,step);%建立熵率向量 for N=1:step x1=reshape(x,N,[]);%经过reshape后的x n=zeros(1,2^N); order=2.^([0:N-1]); for M=0:(2^N-1) for i=1:(sa