《随机信号分析》实验报告

《随机信号分析》实验报告（共5篇）

篇1：《随机信号分析》实验报告

Ｈ ａ ａr r ｂ ｂi in n

Ｉ Ｉn ns st ti iｔ ｔ ｕ ｕt te e

o of f

T Te ec ch h ｎ ｎo o ｌ ｌo og gy y

实 验 报 告 告

课程名称:

随机信号分析

院

系：

电子与信息工程学院

班

级：

姓

名:

学

号：

指导教师:

实验时间:

实验一、各种分布随机数得产生

（一)实验原理 1、、均匀分布随机数得产生原理 产生伪随机数得一种实用方法就是同余法,它利用同余运算递推产生伪随机数序列．最简单得方法就是加同余法

为了保证产生得伪随机数能在[0,１]内均匀分布,需要Ｍ为正整数，此外常数 c 与初值 y0 亦为正整数。加同余法虽然简单,但产生得伪随机数效果不好。另一种同余法为乘同余法,它需要两次乘法才能产生一个［0，１]上均匀分布得随机数

ﻩ ﻩﻩ

式中,ａ为正整数。用加法与乘法完成递推运算得称为混合同余法,即

ﻩﻩ

ﻩ用混合同余法产生得伪随机数具有较好得特性,一些程序库中都有成熟得程序供选择。

常用得计算语言如 Basic、Ｃ与 Matlab 都有产生均匀分布随机数得函数可

以调用，只就是用各种编程语言对应得函数产生得均匀分布随机数得范围不同，有得函数可能还需要提供种子或初始化。

Matlaｂ提供得函数ｒａnd()可以产生一个在[0,1］区间分布得随机数，rand（2,4）则可以产生一个在［０,1]区间分布得随机数矩阵,矩阵为２行４列。Matlab 提供得另一个产生随机数得函数就是 ranｄom(’unif’,a,b，N，M),unif 表示均匀分布,a与b就是均匀分布区间得上下界,N与M分别就是矩阵得行与列。

2、、随机变量得仿真 根据随机变量函数变换得原理,如果能将两个分布之间得函数关系用显式表达,那么就可以利用一种分布得随机变量通过变换得到另一种分布得随机变量。

若Ｘ就是分布函数为 F(x)得随机变量,且分布函数 F(x)为严格单调升函数,令Ｙ=F(X）,则 Y 必为在[0，1]上均匀分布得随机变量．反之,若 Y 就是在[0,1]上均匀分布得随机变量,那么 即就是分布函数为 FX(x）得随机变量。式中 F X1()为F X() 得反函数.这样,欲求某个分布得随机变量,先产生在[0,１］区间上得均匀分布随机数,再经上式变换，便可求得所需分布得随机数。

３、高斯分布随机数得仿真 广泛应用得有两种产生高斯随机数得方法，一种就是变换法,一种就是近似法.如果Ｘ1,X2 就是两个互相独立得均匀分布随机数,那么下式给出得 Y１,Y2

便就是数学期望为 m,方差为得高斯分布随机数，且互相独立，这就就是变换法。

另外一种产生高斯随机数得方法就是近似法.在学习中心极限定理时，曾提到 n 个在[0,1］区间上均匀分布得互相独立随机变量 Xi（i＝１，2…，ｎ）,当ｎ足够大时,其与得分布接近高斯分布.当然,只要 n 不就是无穷大，这个高斯分布就是近似得。由于近似法避免了开方与三角函数运算，计算量大大降低。当精度要求不太高时，近似法还就是具有很大应用价值得.4、、各种分布随机数得仿真 有了高斯随机变量得仿真方法，就可以构成与高斯变量有关得其她分布随机变量,如瑞利分布、指数分布与分布随机变量。

(二）

实验目得 在很多系统仿真得过程中,需要产生不同分布得随机变量。利用计算机可以很方便地产生不同分布得随机变量，各种分布得随机变量得基础就是均匀分布得随机变量.有了均匀分布得随机变量，就可以用函数变换等方法得到其她分布得随机变量。

(三)实验结果

附:源程序 suｂplot（2,2，1);

x=random（’ｕniｆ’，2，5，1，１024）； ploｔ(x)； tｉtｌｅ(’均匀分布随机数’)subpｌｏt(２，2，2);G1=ｒandｏm(’Nｏrmaｌ＇,0,1,1，20００0)； ploｔ（G１)； ｔitle（’高斯分布随机数’)ｓｕbplot(2，2,３）;G2=raｎdom(“Nｏrmal’,0,1,1,20０00);R=sqrt（G1、＊G1＋G2、＊G２）;plｏt（Ｒ);title(’瑞利分布随机数’)suｂplot(2，２,4);G3=raｎdｏm(”Nｏrｍal’,0,１,1,2000０);G４=ｒandom(“Nｏrｍａl’，０,1,1,2０0０0）； Ｘ=G１、＊Ｇ1+G２、*G2+G３、*G3+Ｇ4、*G4； pｌoｔ（Ｘ);ｔｉtle（”x^2 分布随机数＇）

实验 二、随机变量检验（一)实验 原理 1、均值得计算 在实际计算时,如果平稳随机序列满足各态历经性，则统计均值可用时间均值代替。这样，在计算统计均值时,并不需要大量样本函数得集合，只需对一个样本函数求时间平均即可。甚至有时也不需要计算 N   时得极限,况且也不可能。通常得做法就是取一个有限得、计算系统能够承受得 N 求时间均值与时间方差。根据强调计算速度或精度得不同,可选择不同得算法。

设随机数序列｛}，一种计算均值得方法就是直接计算下式中,xn 为随机数序列中得第 n 个随机数。

另一种方法就是利用递推算法，第ｎ次迭代得均值也亦即前 n 个随机数得均值为迭代结束后,便得到随机数序列得均值 m m N 

递推算法得优点就是可以实时计算均值,这种方法常用在实时获取数据得场合。

当数据量较大时,为防止计算误差得积累,也可采用式中,m1 就是取一小部分随机数计算得均值.２、方差得计算 计算方差也分为直接法与递推法。仿照均值得做法

方差得递推算法需要同时递推均值与方差 m mnx mn n n n    1 11()

迭代结束后，得到随机数序列得方差为

其它矩函数也可用类似得方法得到.３、统计随机数得概率密度直方图 假定被统计得序列得最大值与最小值分别为 a 与 b。将区间等分 M(M 应与被统计得序列得个数 N 相适应，否则统计效果不好。)份后得区间为,，…，,… ,。用，表示序列得值落在区间里得个数,统计序列得值在各个区间得个数，则就粗略地反映了随机序列得概率密度得情况.用图形方式显示出来就就是随机数得概率密度直方图.（二）

实验目得 随机数产生之后,必须对它得统计特性做严格得检验。一般来讲,统计特性得检验包括参数检验、均匀性检验与独立性检验等.事实上,我们如果在二阶矩范围内讨论随机信号,那么参数检验只对产生得随机数一、二阶矩进行检验。我们可以把产生得随机数序列作为一个随机变量,也可以瞧成随机过程中得一个样本函数。不论就是随机变量还就是随机过程得样本函数，都会遇到求其数字特征得情况，有时需要计算随机变量得概率密度直方图等.（三）

实验结果

附：源程序 subplｏt(2,2，1）;x=raｎdom(“ｕnｉf”,２，５,1,１０2４）;ｈisｔ（x,2:0、２：5);ｔitle（’均匀分布随机数直方图’);s1=0 foｒ ｎ１＝1:１024

s１=x(n1)＋s１;end Mｅan1=s1/102４； t1=0 for n1＝１:10２4

ｔ1＝(x（n1）—Mean1)＾2＋t1;end Ｖaｒiance１＝ｔ1/１024;sｕbplot(2,2，2)； G1＝raｎdｏm(’Noｒｍal“,0，1,１，２0０00)； hist(G1，—4:0、2:4）； ｔitｌe(”高斯分布随机数直方图’）;ｓ2=０ foｒ n２=1：2０00０

ｓ2=Ｇ1（ｎ2）+s2； eｎｄ Mｅan2＝s2/20000； t2=0 fｏr n2＝1：20０00

t2=(G1(n2）-Mean２)^2+t2;enｄ Vaｒｉaｎｃe2=t2/20000； subｐｌot(２，2,3);G2=rａndom(’Nｏｒmal’,0，1，1,２0000）； R＝sqｒt（G１、*G1＋G2、*G２);hｉst（R,0:０、２:5）;tｉtｌｅ(“瑞利分布随机数直方图’)； s3=０ for n3=1：20000

ｓ3=R(ｎ3）+ｓ3;ｅnd Meａn３=s3/２00０0;t３＝0 ｆor n3=1：2０000

ｔ3=(R（n３)—Ｍｅan3）^2+t3;end Ｖarianｃｅ3=t3/２00００;subｐlot(2,２，4);G3=ｒandom（’Normaｌ”，0,1，1,200０0）;G４=raｎdom（“Ｎormal”,０,1,１，２0000）;X=Ｇ1、*G1＋G2、＊Ｇ2+G3、＊G3＋Ｇ4、＊G4； hist(X，0：０、5：30）;tiｔle(“x^2 分布随机数直方图’)ｓ4=0 for ｎ4=1:200０0

ｓ４=X(ｎ４）+s４;ｅnd Mean4=s4/2000０;t4＝0 for n４＝1:２00０0

t4=(X(ｎ4)-Meaｎ４)^2＋t4； end 实验 三、中心极限定理得验证(一）

实验 原理 如果 n 个独立随机变量得分布就是相同得,并且具有有限得数学期望与方差，当 n 无穷大时，它们之与得分布趋近于高斯分布。这就就是中心极限定理中

得一个定理。

我们以均匀分布为例，来解释这个定理。若 n 个随机变量 Xi（ｉ=1，2，…,n)都为[0,1］区间上得均匀分布得随机变量,且互相独立，当 n 足够大时，其与得分布接近高斯分布。

(二）

实验目得 利用计算机产生均匀分布得随机数。对相互独立得均匀分布得随机变量做与,可以很直观瞧到均匀分布得随机变量得与,随着做与次数得增加分布情况得变化，通过实验对中心极限定理得进行验证。

((三）

实验结果

分析:随ｎ取值得增大，均匀分布随机序列求与得图形越发接近于高斯分布。

附：源程序 X0=random(＇uniｆ”,0,1，１,１0２4);X1=randｏm(’unｉｆ’,0,1，1，１024)；

Ｘ2=ｒandoｍ（＇ｕniｆ“,0,1,1，１024);X3=rａndom(＇unif＇，0,１,１,1024);

Ｘ4=ｒaｎｄｏｍ(”uｎif＇，0，１，1，１０24);

X5=raｎdom(’ｕnif’，0，1,１,１024）；

Ｘ６=ｒaｎdom（’ｕnif“,0,1，1,1024）;X7=raｎｄom（’ｕｎiｆ’,0,1，１,1024);

X８=raｎdom(＇unif”，0，1，1,１０24);

X9=ｒaｎdom(’ｕnｉf’,0,１,１,1０２４）； Ｇ=rａｎｄom(“ｎｏｒmal”,０，1，1，1024）;

Ｙ1=X０+X1+X2＋X3＋Ｘ4；

Y2=Ｘ0+X1＋X2+Ｘ3+X４+Ｘ5+X6+X7+Ｘ8+X9;

suｂploｔ(2,2,1);ｈｉsｔ(X０,０:0、２：2)；

titlｅ(“均匀分布随机数直方图’）

sｕbplot(2，２,2）;hist（Y１,0：0、２：6);

ｔitlｅ(’五个均匀分布之与随机数直方图”)sｕｂplot(2,２,3）;ｈｉｓｔ(Y2，0：0、2：8);

title（’十个均匀分布之与随机数直方图“)subpｌoｔ(2，２，4);ｈiｓt（G,－4：0、2:4）;title(”高斯分布随机数直方图“）

实验 四、中心极限定理得验证(一）

实验 原理 在实际应用中，我们可以把产生得随机数序列瞧成随机过程中得一个样本函数。如果平稳随机序列满足各态历经性,则统计自相关序列可用时间自相关序列

代替。当数据得样本数有限时,也只能用有限个数据来估计时间自相关序列,统计自相关序列得估值。若各态历经序列Ｘ(n）得一个样本有 N 个数据,由于实序列自相关序列就是对称得，自相关函数得估值为

(二)实验目得 在随机信号理论中,自相关函数就是非常重要得概念。在实际系统仿真中也会经常计算自相关函数．通过本试验学生可以亲自动手计算自相关函数,加深对概念得理解，并增强实际动手能力．（三))实验结果

分析：分别生成均值为 0 与１，方差为 1 得高斯随机数,由图形可以明显瞧出两者自相关函数得差异。

附:源程序 N=２56;xn=ranｄom(’nｏｒm＇，０,１,1，N);Rx=ｘcoｒr（ｘn,＇biａsed”);ｍ=-N+1：N－1;ｓubplｏｔ(2,1，１）;ｐlot(m,Rx);tｉtle(“均值为０，方差为１得高斯分布得自相关函数＇）； axis（［—N N—1 —0、５ 1、５］)； N=256;xn＝randｏｍ（’noｒm’,1,1，1，Ｎ);Ｘk=ｆft(xn,2*N)； Rx＝ifｆｔ（(aｂs（Xk)、＾2)／N）； m=-N:Ｎ—１;suｂｐlot(２，1，2)； plot（m，fｆtsｈift（Rx));ｔitｌe（’均值为 1,方差为 1 得高斯分布得自相关函数’);ａxｉs（[-N N—1-0、5 １、5]);实验五、功率谱密度(一)实验 原理 一般把平稳随机序列得功率谱定义为自相关序列得傅里叶变换。如果自相关序列就是周期序列, X(ｎ）得功率谱与自相关序列得关系为

ﻩ 与实平稳过程一样,实平稳序列得功率谱也就是非负偶函数,即

可以证明，功率谱还可表示为

当 X(ｎ）为各态历经序列时,可去掉上式中得统计均值计算,将随机序列 X(n)用它得一个样本序列 x（ｎ)代替。在实际应用中，由于一个样本序列得可用数据个数 N 有限,功率谱密度也只能就是估计

式中，X(x（n)得傅里叶变换．这就是比较简单得一种估计方法,这种功率谱密度得估计方法称为周期图方法。如果直接利用数据样本做离散傅里叶变换,可得到 X(FＦT 算法实现,所以得到了广泛得应用。

(二）实验目得 在随机信号理论中，功率谱密度与自相关函数一样都就是非常重要得概念.在实际系统仿真中也会经常计算。通过本试验学生可以亲自动手,加深对概念得理解，并增强实际动手能力。

(三）实验结果

附:源程序 N＝２5６;ｘ1＝random(”normal’,0,1，1,N);Sx1＝abs（ｆft(ｘ1）、＾2）／N;subplot(2,１,1);plｏｔ（１0*loｇ10（Sx1));ｔｉtle(“均值为０,方差为 1 得高斯分布得功率谱密度＇)； xlａｂel(’ｆ/Ｈz’)ylabel(”Sｘ１/dB’）

x２=rａndom(’ｎormａl“，１,1,1,N）； Ｓｘ2=abs（fｆt（x2)、＾２)/N;ｓuｂplot（2，1,2);plot（１０*log1０(Sx2));title（”均值为 1，方差为 1 得高斯分布得功率谱密度’）;xlabel(’ｆ/Hz＇）

ｙlabｅｌ（“Ｓx2/dB＇)实验 六、随机信号经过 线性系统前后信号仿真

（一))实验原理

需要先仿真一个指定系统,再根据需要仿真输入得随机信号，然后使这个随机信号通过指定得系统．通过对实际系统建模，计算机可以对很多系统进行仿真。在信号处理中,一般将线性系统分解为一个全通放大器(或衰减器)与一个特定频率响应得滤波器。由于全通放大器可以用一个常数代替,因此线性系统得仿真往往只需设计一个数字滤波器。滤波器设计可采用 MＡTLAB 提供得函数，也可

利用相应得方法自行设计。MＡＴLAＢ提供了多个设计滤波器得函数,可以很方便地设计低通、带通、高通、多带通、带阻滤波器。

((二）实验 目得

系统仿真就是信号仿真处理得一个重要部分，通过该实验要求学生掌握系统仿真得基本概念,并学会系统得仿真方法。

((三))实验 结果

1、低通滤波器

2、带通滤波器

3、高通滤波器 4、多带通滤波器

5、带阻滤波器

附：源程序 １、X（n)

N＝2000；fｓ=４00;Nn=ｒandom（”normａl＇,0,1,1，N)； t=（0：Ｎ—１)/fs;fi=ｒaｎｄｏm(’unｉf’,0,１,１,２)＊2＊pｉ;xn＝sin(2*ｐi*５０*ｔ+ｆｉ(1))+Nn;Ｒx=ｘcorｒ(xn，“biaｓed’)； ｍ=—N+1:N－1;Sx=abs（ｆft（xn）、^2）/Ｎ； f=(—N／2:N/2-１）＊fs/N;sｕbｐlｏt（211),ｐｌot(m，Rｘ)； xlabｅl(’m’）

ｙｌabel（”Rx(m）’)titlｅ（’xn 得自相关函数“);subploｔ(212）,plｏt（f,ffｔshift（10＊lｏg10（Sx(1:N）)）);xlabeｌ（’f/Hz”)ｙlabｅl(“Sx/dB”)tｉtle(’xn 得功率谱密度’）;2、低通滤波器 ｈ=ｆir1（１00,0、４);H=ｆft(h,2＊N);HW=aｂs(Ｈ)、＾２;Rx=xcoｒr（xn，’ｂｉasｅｄ＇);Sx=abs（ｆfｔｓhift（fft(xn，2*N））、＾2)/（2＊Ｎ)； Ｓy＝Sx、*ＨＷ;Ｒy＝fftｓｈift（ifft（Sｙ)）;

f=（-Ｎ：N—1)＊ｆs/(2＊N)； m=(—N:Ｎ－1);subｐｌot(311);pｌot（(-N:Ｎ—1)/N，fｆtshiｆt(aｂs(HW(1:2＊N))）);tiｔlｅ(＇低通滤波器“）;ｓubplｏt(31２)，ｐｌoｔ（ｍ,Ry);xlabｅl(”m“)ylａbeｌ（”Ry（ｍ)＇)title(’xn 经低通滤波器得自相关函数’)； ｓubｐloｔ(31３),plot（ｆ，ffｔshift(10*log10(Ｓy（１:2*N)）))； ａxis(［—200 20０ —20 20]);xlabeｌ(“f/Hz’)ｙlabｅl(＇Sｙ/ｄＢ”)titｌe(＇xn 经低通滤波器得功率谱密度“)； 3、带通滤波器 ｈ=fｉr1(10０，［０、１ ０、5]);H=ｆft(h，2*Ｎ);ＨW＝abs(H)、^2； Ｒx=ｘcorｒ(xn，”biａsed“）； Sｘ=aｂs（fｆtshiｆt(fｆt(ｘn,2*N））、＾2)／（2*N）； Sy=Ｓx、*ＨW； Rｙ=fｆtsｈift(ｉfft（Sｙ)）； f=(-Ｎ:N-1）*fs/(2＊Ｎ);m=（-N:N—1）;subｐlot(311);ｐlot((—N:N-1）/N,fftｓｈift（abs（HW（1:2＊Ｎ)))）； ｔitle(’带通滤波器”）； ｓubｐlｏｔ（312)，ploｔ（ｍ,Ry);xlabeｌ(’m“)yｌabel(’Ｒy(m)’)title(”xn 经带通通滤波器得自相关函数“)； ｓubpｌoｔ(31３)，plｏt(f,fftshift(10＊lｏg10（Sy(１：2＊N))））； ａxiｓ（［—２０0 20０ －２0 20]);xｌabｅl（’f/Hz”)yｌabｅl(“Ｓｙ/dＢ’)tｉtle（’xn 经带通滤波器得功率谱密度’）;4、高通滤波器 h=ｆｉr1（１0０,0、6,’high’）； Ｈ=fft(h,2＊N）； ＨW=abｓ（H)、^２;Ｒx=xcｏｒr(xｎ,”bｉａｓed“）;Ｓx=abs(fftｓｈift（fｆt(xn,2＊N))、^２)/（2*N)； Sｙ=Ｓx、*HW;Ｒy=ffｔshiｆt(iｆfｔ（Sｙ));f=(-Ｎ:N-1）*ｆs/（2*N);m=(—Ｎ:N—1）；

sｕｂｐlｏt(31１)；plot(（-N：Ｎ—1）/N,ｆftshiｆt(aｂs(HＷ（1:２*N)）));tiｔｌe(＇高通滤波器”）;subpｌot(312），ploｔ(m,Rｙ);xlabｅl(“ｍ’)ylaｂeｌ(’Rｙ(m)”)tiｔlｅ(＇xn 经高通通滤波器得自相关函数’);subplｏt（3１3）,ｐｌot(ｆ,fftshｉft(10*ｌog10(Sy（1:2＊Ｎ)）））;axis（［－２０0 2０0 —2０ 2０]）； xlａbeｌ（“ｆ/Ｈz’)ｙｌａbｅl（”Sy/ｄB“)tｉtle(＇xn 经高通滤波器得功率谱密度＇);5、多带通滤波器 h=fｉr１(100,[０、１,0、3，0、5,0、7］)； H＝ｆfｔ(h，2*N)； HW＝ａｂｓ（Ｈ)、^2； Ｒx=xcorr（xn,＇bｉasｅd’);Sx=abs（fｆtshift(fft(xn,2*N））、^2)/（２＊Ｎ）； Sy＝Ｓx、*HW;Ｒy=ffｔshiｆt（iｆft(Sy));f＝（—Ｎ:N—1)＊fｓ/(2*N);m＝（—N：Ｎ-1);sｕbｐloｔ(３１1）;ploｔ(（—N:N—１）/Ｎ,fftｓｈift（ａbs(HW（1:２＊N）)))； tiｔle(’多带通滤波器’)； ｓｕbplot(312),pｌｏt(m,Ry）； ｘlabel（＇m’)ｙｌabｅl（”Ry(m）“）

ｔitle（”xn 经多带通通滤波器得自相关函数“);subpｌot（31３),plot(ｆ,fｆｔshｉｆt（1０＊ｌog10(Sｙ（1：2＊Ｎ)）));axis（［－2０0 2０0 —20 20]);xlaｂeｌ（’ｆ／Hz”）

ｙlabｅl(“Sy/dB’）

ｔitle(’xn 经多带通滤波器得功率谱密度”）； 6、带阻滤波器 h=fiｒ１(100,[０、1,0、4],’sｔoｐ’);H=fft（h，2＊N);HＷ=abｓ(H)、^2;Rx=ｘｃｏrr（xｎ,’ｂiaseｄ“）;Ｓx＝ａbｓ（ffｔshift(fft（ｘｎ，２*N）)、＾2)／(2*N);Sy=Sx、＊ＨW； Ｒy＝fftshift（ｉfft(Sy））;f=(—N:N-1）*ｆｓ/（2*N);m=(-N：N—1)； ｓｕｂｐlot(311）；pｌoｔ(（—N：N-1）/Ｎ,fftshift(ａｂs（ＨＷ(1:２*Ｎ))));

ｔｉtｌｅ(”带阻滤波器“）； ｓubpｌot（31２),ｐlot（m，Ｒy)； xlａbeｌ(’m’）

ｙlａbel（”Ｒy(m)’)ｔitle（’ｘn 经带阻滤波器得自相关函数＇)； sｕbplｏｔ(3１3)，ｐlot(f,fftshift（10＊log10(Sy（１:2*N)）））;aｘis([－200 20０-20 20］);xlaｂｅl（＇f／Ｈz“)ylabｅl（”Sy/ｄB“)titlｅ（”xn 经带阻滤波器得功率谱密度"）;

篇2：《随机信号分析》实验报告

学号：

姓名：

2009年12月21日

实验一：平稳随机过程的数字特征

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

“代码、五号宋体1倍行距”

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

“代码、五号宋体1倍行距”

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

“代码、五号宋体1倍行距”

1、实验目的“正文、小四宋体1.5倍行距”

2、实验任务

3、实验流程

4、实验结果

5、实验代码

篇3：随机噪声调频信号带宽分析

随机信号雷达的发射信号可以是直接在微波段产生的微波噪声信号,也可以是经低频随机信号各种调制后的载波信号。对于随机调频信号,它的模糊函数以及自相关特性都在文献[3—7]中进行了详细的分析和讨论。但是对于随机噪声调频信号带宽的特性却鲜有人进行讨论。因此,本文的侧重点在于讨论限带高斯白噪声调制下的随机噪声调频信号的带宽。

1 随机噪声调频信号模型

在多数情况下,随机信号雷达的发射信号是直接在微波段产生的微波噪声信号,或者是经过数模转换后再进行上搬移后得到的信号。但是,随着一系列微波器件的发展,噪声调频信号以其更优的旁瓣抑制性能引起了广泛的重视和研究。

图1是随机噪声调频雷达系统的原理框图[4]。

在图1中,噪声调制器是一个“白噪声”产生器,这种噪声经过带通滤波器后就成为“带限白噪声”,它的频谱在带内是均匀的,幅值可以是正态分布的。若认为发射信号是一个被噪声进行频率调制的正弦波,并且不考虑幅度因子,此时把发射信号以复数的形式表示成:s(t)=exp[jω0t+jφ(t)]。其中,Kf为频率调制指数,θ(t)为一个零均值、平稳的、带宽为B的高斯白噪声。

2 随机噪声调频信号数学分析

随机噪声信号任何时刻的瞬时值都无法用解析的时间模型来表示,因此分析随机噪声调频信号的最简便而有效的方法就是研究它的自相关函数和功率谱。

2.1 自相关函数

对于随机噪声调频信号s(t)=exp (jω0t+j2πKf∫0tθ(x)dx),θ(t)是带宽为B的带限高斯白噪声,且其均值为0,方差为σ2。由于噪声调频信号是平稳随机过程,它的自相关函数为:

由正态分布随机变量的特征函数公式可知,

(2)式中,Rθ(x)表示调制噪声θ(t)的自相关函数,且有Rθ(x)=σ2ρθ(x),ρθ(x)为调制噪声θ(t)的相关系数。对于带限的白噪声ρθ(x)=sinc(πBx)。将Rθ(x)的表达式带入(2)式,可得:

2.2 带宽分析

由维纳-辛钦定理,可知随机调频信号的功率谱密度与自相关是一组傅里叶变换对。那么噪声调频信号的功率谱的表达式为:

要求出噪声调频信号的功率谱,首先要求得其自相关函数的数学表达式,但是由(3)式可知,Rsf(τ)只有近似解,而无具体的数学表达式。因此,要分析噪声调频信号的功率谱及其带宽,只有在求出Rsf(τ)的近似解的基础上才有可能实现。

现在定义两个因子m1和m2:

现在Rsf(τ)可以简化成:Rsf(τ)=

exp[-4m1m2exp(-jω0τ)。m1和m2的取值将直接影响Rsf(τ)的形式。对于m2,它和时间τ无关,一旦系统参数取定后,m2将是一个定值。而m1将随着时间τ的取值而变化。如果m1与τ的关系可以用数学表达式表示出来,则(3)式和(4)式都能够获得直观的数学表达式。

由于(5)式中的积分比较复杂,现利用matlab的数学分析和做图功能,现将m1和Bτ的关系做出,如图2所示。

在图2中,可以看到当|Bτ|<1时,m1和Bτ近似成平方关系,当|Bτ|>1时,m1和Bτ近似成线性关系。这就意味着m1可以借助图2中所示关系用Bτ简单的表达出来。

对于Rsf(τ)=exp[-4m1m2]exp(-jω0τ)而言,Rsf(τ)的值随着m1和m2的乘积增大而快速衰减。由于m2是一个定值,它只和系统参数有关,下面就m2的取值大小分情况进行讨论m1的近似表达式和Rsf(τ)的最终形式。

2.2.1 m2=K2fσ2/B2≥1

在考虑发射机的功率情况下,要做到m2≥1,那么必须满足Kfσ的乘积足够大,或者带限噪声的带宽相对Kfσ的乘积比较小。此时对于噪声调频信号的功率谱而言,贡献比较大的是Bτ较小时的积分区间,按照图2,当Bτ较小时,,此时

可见,与图2所观察到的情况一致,m1与Bτ成平方关系。

将m1的近似解(7)式带入(3)式,可得:

再将(8)式带入(4)式可得:

定义均方根带宽[8]为:

同样依据维纳辛钦定理,有(11)式成立。

对(11)式进行两次微分,得

从而有:R″(0)/R(0)=-4π2Bσ2(13)

可以求得噪声调频信号的均方根带宽为:

2.2.2 m2=K2fσ2/B2<1

当m2比1小时,此时m1的波动范围对(3)式而言变得相对重要。此时对噪声调频信号的功率谱而言,m1在Bτ较大时的积分区间的贡献比较大。当Bτ=1时,m1=∫0πBτ(πBτ-y)ysinydy=

变换。可见m1的这个近似表达结果与图2中m1与Bτ关系非常吻合。

将m1的近似解(15)式带入(3)式,可得:

将(16)式的结果带入(4)式,可以求得:

同样,按照均方根带宽的定义可以求得:

2.3 仿真结果

仿真参数:载波的中心频率为500 MHz,时间采样间隔为0.1×10-9s,噪声的点数为1 000点。

现在固定Kfσ=100×106,分别取噪声的带宽为10 MHz,20 MHz,50 MHz,100 MHz,200 MHz,400MHz进行噪声频率调制,然后观察它们各自的功率谱情况。

由图3(a)、(b)、(c)、(d)中的结果我们可以看到,当调制噪声服从高斯分布时,噪声调频信号的功率谱密度也服从高斯分布。当频率调制指数Kf和限带噪声的方差σ2一定时,即满足Kfσ=100×106,则当B取值分别为10 MHz,20 MHz,50 MHz,100 MHz时,它们都满足m2=Kf2σ2/B2≥1的情况。观察与带宽B相对应的图3中的(a)、(b)、(c)、(d)四图,它们在带宽和形状上几乎没有什么差别。因此,由这四个不同带宽下的随机噪声调制得到的功率谱密度函数表明,噪声调频信号的功率谱均方带宽与随机噪声的带宽没有关系,仅取决于调制噪声的方差σ2和频率调制指数Kf。这与理论推导得到的结果(14)式是一致的。

当B取值分别为200 MHz,400 MHz时,从与它们相对应的图3(e)、(f)中我们可以观察到,当m2=Kf2σ2/B2<1时,噪声调频信号的功率谱密度函数从外观上看已与高斯分布有所区别,更加趋近于表达式(17)的形式。但是,此时的功率谱均方根带宽不再和调制噪声的带宽无关,而是随着调制噪声的带宽的增加而变小。这与理论推导的结果式(18)是一致的。

综上所述,在满足m2=Kf2σ2/B2≥1的条件时,我们可以把噪声调频信号的特性归纳为:当调制噪声服从高斯分布时,噪声调频信号的功率谱密度也服从高斯分布;噪声调频信号的均方根带宽与调制噪声的带宽无关,仅取决于调制噪声的方差σ2和频率调制指数Kf。当m2=Kf2σ2/B2<1时,噪声调频信号的特性可以归纳为:当调制噪声服从高斯分布时,噪声调频信号的功率谱密度不再简单地服从高斯分布;噪声调频信号的均方根带宽与调制噪声的方差σ2和频率调制指数Kf以及调制噪声的带宽都有关系。

对于噪声调频信号而言,当满足条件m2=K2fσ2/B2≥1时,只要调整调制信号的方差和频率调制指数,可以非常容易地得到宽带信号。噪声雷达在很多场合都需要信号具有大的带宽,故以下的实验都取条件m2=K2fσ2/B2≥1下进行仿真。

3 带宽对信号性能的影响

3.1 自相关函数

对于随机噪声调频雷达,由于发射的信号具有随机性,并且无法用固定的数学表达式来确定,因此在接收机端采用的是相关接收的方法。相关器的输出是随机信号的自相关函数。因此,信号的自相关函数性能的好坏决定了雷达的分辨率。

下面给出在满足条件m2=K2fσ2/B2≥1下,载波的中心频率为500 MHz,时间采样间隔为1×10-9s,噪声的点数为10 000点,噪声调频信号的带宽Bf分别取100 M,400 M情况下,信号的自相关函数仿真结果。

对比两幅图,可以看到,400 MHz带宽的噪声调频信号的自相关的旁瓣的幅度值要比100 MHz带宽的低,将两幅图的主瓣周围进行放大,可以得到如图5的结果。可以看到,400 MHz带宽的噪声调频信号的自相关函数的主瓣要比100 MHz带宽的窄的多,也就是说,带宽越宽,信号的分辨能力越好。由式(8)可知,信号的理论自相关函数与信号带宽有直接关系。在式(8)中,信号的带宽越宽,自相关函数的主瓣就越窄。

3.2 截获概率

当雷达使用传统的线性调频信号作为发射信号时,由于信号具有周期性,满足观察时间足够长,信号的频谱就能够被估计出来[9]。但当使用噪声调频雷达时,由调制信号的统计特性可知,每个发射脉冲的波形都是不一样的,这种情况下可以认为雷达信号是非周期性的。下面取线性调频信号s1(t)=exp(j Kπt2)和噪声调频信号s2(t)=exp(j2πKf∫0tθ(x)dx)为例,分别进行仿真得到它们在相同带宽下的信号,并观察它们的频谱分布情况。

可以看到,在没有噪声干扰的情况下,线性调频信号的频谱非常具有规律性,而且能量分布特别集中。在这种情况下,当观察的时间取得足够长时,线性调频信号非常容易被侦获。与之相比,噪声调频信号的频谱结构就没有那么明显。在采样率为1 000 MHz时,取噪声调频信号带宽为100 MHz时,还能看得出信号的频谱包络近似成高斯分布。但是当信号的带宽达到400 MHz时,可以看到频谱的幅值也随带宽的增加而降低,而且信号的能量趋于分布在整个频谱内。从另一方面来说,线性调频信号每次发射的信号都是一样的,具有周期性。而对于噪声调频信号它每次发射的信号由于受到噪声的调制,而噪声每次又不尽相同,因而没有周期性。对于一个没有周期或周期无限大的信号来说,它的能量应该分布在整个频段内,这也说明了噪声调频信号在大带宽的条件下,其截获概率是非常低的。

4 结束语

通过上面一系列的理论分析和仿真结果可以发现,噪声调频信号的带宽表达式是要分情况进行讨论的。对于m2=Kf2σ2/B2≥1下的情况,只要调整调制信号的方差和频率调制指数,可以非常容易地获得宽带,甚至超宽带信号。通过仿真还发现,对于噪声调频信号,大的带宽可以使信号具有更好的距离分辨率和低截获性能。

参考文献

[1]任明秋,朱元清,唐健仁.超宽带随机信号雷达的应用研究.现代防御技术,2008;36(1):110—120

[2]刘国岁,顾红,苏卫民.随机信号雷达.北京:国防工业出版社,2005

[3]华云.噪声调频信号自相关性能分析.电子信息对抗技术,2008;23(5):1—8

[4]是湘全,陆锦辉.噪声调频雷达的研究.现代雷达,1992;14(2):7—13

[5]张先义,苏卫民,顾红.随机噪声超宽带雷达信号性能分析.兵工学报,2007;28(5):557—560

[6]Narayanan R M,Xu X,Henning J A.Radar penetration imaging using ultra-wideband random noise waveforms.IEE Proc-Radar Sonar Naving,June2004;151(3):143—148

[7]Dawood M,Narayanan R M.Generalised wideband ambiguity func-tion of a coherent ultrawideband random noise radar.IEE Proc-Radar Sonar Naving,October2003;150(5):379—386

[8]Sune R Axelsson J.Noise radar using random phase and frequency modulation.IEEE Transactions on Geoscience and Remote Sensing,November2004;42(11):2370—2384

篇4：《随机信号分析》实验报告

1.什么是随机过程非线性变换的变换法？

利用傅里叶变换或者拉普拉斯变换，将非线性函数变换成转移函数，将概率密度转换成特征函数，改变积分形式后再进行运算的方法就是变换法。

非线性变换的厄密特多项式法适用于何种随机过程？为什么？

适用于输入为正态随机过程。因为输入随机过程为正态分布，则可将用麦克劳林级数展开，变成厄密特多项式，由于分项积分容易计算，正交性重积分简化为一重积分。此方法运算简便，因而广被引用。

普赖斯法适用的条件是什么？

普赖斯法适用于输入为平稳正态过程，且非线性函数经k 缓变包络法适用的条件是什么？

缓变包络法适用于

2.一维分布为瑞利分布，相位服从均匀分布

输出电压服从指数分布

N次再积累输出，其输出随机变量服从何种分

加法器的输出电压服从2N），输出电压的均值为2N，方差为4N

3.R（t）的一维概率分布服从何种分布？ 服从

SNR<<1时，R（t）的一维概率分布近似为何种分布？

当信噪比时，R（t）的一维概率分布近似为何种分布？

近似为正态分布

By Elwin

篇5：信号与系统实验报告,

常见信号得ＭATLAB 表示及运算 一、实验目得 １。熟悉常见信号得意义、特性及波形 2.学会使用 MATLAB 表示信号得方法并绘制信号波形 ３、掌握使用ＭATLAB 进行信号基本运算得指令 4、熟悉用ＭATＬAB 实现卷积积分得方法 二、实验原理 根据ＭAＴLAB 得数值计算功能与符号运算功能，在 MATＬAＢ中，信号有两种表示方法,一种就是用向量来表示,另一种则就是用符号运算得方法。在采用适当得 MＡＴLAB 语句表示出信号后，就可以利用 MATＬAＢ中得绘图命令绘制出直观得信号波形了。

１、连续时间信号

从严格意义上讲,ＭATLＡＢ并不能处理连续信号。在ＭAＴLＡB 中，就是用连续信号在等时间间隔点上得样值来近似表示得,当取样时间间隔足够小时,这些离散得样值就能较好地近似出连续信号。在 MATＬAB 中连续信号可用向量或符号运算功能来表示。

⑴

向量表示法 对于连续时间信号，可以用两个行向量 f 与 t 来表示,其中向量 t 就是用形如得命令定义得时间范围向量,其中，为信号起始时间，为终止时间,p 为时间间隔。向量 f 为连续信号在向量 ｔ所定义得时间点上得样值． ⑵

符号运算表示法 如果一个信号或函数可以用符号表达式来表示,那么我们就可以用前面介绍得符号函数专用绘图命令 ezplot（）等函数来绘出信号得波形。

⑶

得 常见信号得 M ＡTLA Ｂ表示

单位阶跃信号 单位阶跃信号得定义为:

方法一：

调用 H ｅａviside(t)函数 首先定义函数 Heａｖisｉdｅ（ｔ)得ｍ函数文件,该文件名应与函数名同名即Ｈeaviside、m.％定义函数文件，函数名为 Hｅavｉsiｄｅ,输入变量为 x,输出变量为ｙ function y= Hｅaviside（t）

y＝(t＞0）;

%定义函数体,即函数所执行指令 %此处定义ｔ>0 时 y=1,t<＝0 时ｙ=0,注意与实际得阶跃信号定义得区别.方法二：数值计算法 在ＭATLAB 中,有一个专门用于表示单位阶跃信号得函数，即 s ｔe ｐｆun()函数，它就是用数值计算法表示得单位阶跃函数．其调用格式为: st ｅpfun(t,t0)

其中,t 就是以向量形式表示得变量，t0 表示信号发生突变得时刻,在ｔ０以前,函数值小于零,ｔ０以后函数值大于零。有趣得就是它同时还可以表示单位阶跃序列,这只要将自变量以及

取样间隔设定为整数即可。

符号函数 符号函数得定义为:

在 MATLAB 中有专门用于表示符号函数得函数 s ｉgn(),由于单位阶跃信号(t）与符号函数两者之间存在以下关系：,因此，利用这个函数就可以很容易地生成单位阶跃信号.2、离散时间信号 离散时间信号又叫离散时间序列,一般用 表示，其中变量 k 为整数，代表离散得采样时间点（采样次数)。

在 MATLAＢ中，离散信号得表示方法与连续信号不同，它无法用符号运算法来表示,而只能采用数值计算法表示,由于 MATLＡB 中元素得个数就是有限得，因此，MATＬAB无法表示无限序列；另外，在绘制离散信号时必须使用专门绘制离散数据得命令，即 stem（（）函数,而不能用ｐlot（）函数。

单位序列

单位序列）得定义为

单位阶跃序列 单位阶跃序列得定义为 ３、卷积积分 两个信号得卷积定义为:

MATＬAB 中就是利用 conv 函数来实现卷积得.功能：实现两个函数与得卷积.格式：ｇ=cｏnv(f1,ｆ2)

说明:ｆ１=f 1（t),f2=f 2(t）

表示两个函数,g＝ｇ(t)表示两个函数得卷积结果。

三、实验内容 1、分别用 MATLAＢ得向量表示法与符号运算功能，表示并绘出下列连续时间信号得波形:

⑴

⑵

（1）

t=－１:0、01:１0;t1=-１：０、01:-0、０1;ｔ2=０：0、01:10； f1=［zeros(1,lｅngth（t１)），ｏneｓ（1,lｅngｔh(t2))］;f=(2—exp（－２*ｔ））、＊f1； pｌoｔ（t，f)axiｓ（[-１,10,0,2、１]）

syｍs t;ｆ=ｓym（’(2-ｅxp(—２＊t))*hｅavisiｄe（ｔ)“)； ｅzｐｌoｔ(f,[-1,10]）；

(2)t=—2:0、01:8； f=0、*(t<０）+ｃos(pi*t／2)、*（t>０&ｔ〈４)+0、*（t〉4);ｐlot(ｔ,ｆ)

syms ｔ;f=sym(”ｃos（ｐi*t/２）*［hｅavｉside(t)—heavisｉｄｅ（t—4）] “）;ezplｏt(f，[-2，8］);

２、分别用 MATLAB 表示并绘出下列离散时间信号得波形:

⑵

⑶

（2）

t=0：8； ｔ１=—10:1５； ｆ=［zeros(1，10),ｔ,zeros(1,7)］;stem（ｔ1,f)axｉs(［—10，１5,0，1０]);

(3)t=0:5０;t１＝—10:５0； f=[ｚeｒos(1，10),sin(t*pi/４)];sｔem(t1,f）

ａxis（［—10，50,—2，２])

3、已知两信号，求卷积积分，并与例题比较。

t1=—1:0、01:0； t２=0:0、01:1;ｔ3＝—1:0、01：１； f1=ｏｎｅs(ｓiｚe(t1));f2＝ｏnes(size（t2）);g＝coｎｖ(ｆ1,f2)； sｕｂploｔ(3,1,１),pｌoｔ(t1,f1)； subplot(３，1,２),plot(t2，f2);subｐｌot(３,1，3),ｐlot(t3,ｇ);

与例题相比较,ｇ(t)得定义域不同,最大值对应得横坐标也不同。

4、已知，求两序列得卷积与 .N＝４;Ｍ=５； L=N+M—1； ｆ１＝[１，１，1，2］； f２=[1,2，3,4，５];g=ｃｏｎv(ｆ1,f2)； kf1=0:N-1； kf２=0：Ｍ－1;kg=0：L—１;ｓｕbｐlot（1,３,1）,stem(kf１，f1,’*k’);xｌabel（”k“)； yｌaｂｅl（’f1（k)”);grｉd on sｕbpｌｏt(1，3，2)，stem（ｋf2，f2，’*k“)；xlabeｌ（＇k’);ｙlabｅl（”f2(k)’);grｉd ｏｎ ｓubplot（1,3,3);steｍ（kｇ，g，＇＊k’)；xlabeｌ(＇k“)； ylabel（”g（ｋ)＇）;grid ｏn

实验心得:第一次接触 Mutlab 这个绘图软件,觉得挺新奇得,同时 ,由于之前不太学信号与系统遇到一些不懂得问题，结合这些图对信号与系统有更好得了解。

实验四

连续时间信号得频域分析 一、实验目得 １。熟悉傅里叶变换得性质 ２.熟悉常见信号得傅里叶变换 ３。了解傅里叶变换得ＭＡTＬAB 实现方法 二、实验原理 从已知信号求出相应得频谱函数得数学表示为：

傅里叶反变换得定义为：

在 MAＴLAＢ中实现傅里叶变换得方法有两种,一种就是利用 MATLAB 中得 Ｓy ｍbo ｌｉｃ Math Too ｌｂｏx 提供得专用函数直接求解函数得傅里叶变换与傅里叶反变换，另一种就是傅里叶变换得数值计算实现法.1、直接调用专用函数法 ①在 MATLAB 中实现傅里叶变换得函数为:

F=fｏurｉer(f)

对ｆ(t)进行傅里叶变换,其结果为 F(w)

Ｆ=fourier(f,v)

对 f（t)进行傅里叶变换,其结果为Ｆ（v)

F=fouriｅr(f,u，v）

对ｆ(u)进行傅里叶变换,其结果为 F(ｖ)②傅里叶反变换

f=ifourｉer（F)

对 F(w)进行傅里叶反变换，其结果为 f(ｘ)

f=ｉｆoｕriｅr(F,U)

对Ｆ（w)进行傅里叶反变换，其结果为ｆ（u)

f＝ifourｉeｒ(F,v，u）

对Ｆ（ｖ)进行傅里叶反变换,其结果为 f(ｕ）

注意：

（1)在调用函数 fｏuｒier（）及 ifouriｅｒ（）之前，要用 syms 命令对所有需要用到得变量(如 t,u,v，w)等进行说明,即要将这些变量说明成符号变量。对ｆourｉer（）中得 f 及ifourier()中得 F 也要用符号定义符 sｙm 将其说明为符号表达式。

(2)采用 fｏuｒier()及 fourｉeｒ（）得到得返回函数,仍然为符号表达式。在对其作图时要用 ezplｏｔ（）函数,而不能用ｐｌｏt（）函数.(3)ｆｏuriｅｒ（）及ｆourieｒ（）函数得应用有很多局限性,如果在返回函数中含有 δ(ω)等函数，则 ezploｔ（）函数也无法作出图来。另外,在用 fourier()函数对某些信号进行变换时,其返回函数如果包含一些不能直接表达得式子，则此时当然也就无法作图了。这就是ｆouriｅr（）函数得一个局限。另一个局限就是在很多场合，尽管原时间信号 f(t)就是连续得,但却不能表示成符号表达式，此时只能应用下面介绍得数值计算法来进行傅氏变换了,当然，大多数情况下，用数值计算法所求得频谱函数只就是一种近似值。

2、傅里叶变换得数值计算实现法 严格说来，如果不使用 symboｌic 工具箱,就是不能分析连续时间信号得。采用数值计算方法实现连续时间信号得傅里叶变换，实质上只就是借助于ＭATLAB 得强大数值计算功能,特别就是其强大得矩阵运算能力而进行得一种近似计算。傅里叶变换得数值计算实现法得原理如下: 对于连续时间信号 f(t),其傅里叶变换为：

其中 τ 为取样间隔,如果 f(t)就是时限信号,或者当|t｜大于某个给定值时，f(t)得值已经衰减得很厉害,可以近似地瞧成就是时限信号,则上式中得ｎ取值就就是有限得,假定为 N，有:

若对频率变量 ω 进行取样,得:

通常取：,其中就是要取得频率范围，或信号得频带宽度。采用 MAＴLAB 实现上式时，其要点就是要生成 f(t)得Ｎ个样本值得向量，以及向量,两向量得内积(即两矩阵得乘积）,结果即完成上式得傅里叶变换得数值计算。

注意：时间取样间隔 τ 得确定,其依据就是 τ 必须小于奈奎斯特(Nyquist)取样间隔。如果 f（t）不就是严格得带限信号，则可以根据实际计算得精度要求来确定一个适当得频率为信号得带宽。

三、实验内容 1、编程实现求下列信号得幅度频谱（1)

求出得频谱函数 F 1（jω)，请将它与上面门宽为 2 得门函数得频谱进行比较,观察两者得特点，说明两者得关系。

(2)三角脉冲

(3)单边指数信号

(4）

高斯信号

(1）

syｍs t w

Ｇt＝sym（“Heaｖiside（２*t+1）—Heaviｓiｄe(2*ｔ-１）’);

Fｗ=fｏurｉｅr(Gｔ,t,ｗ）；

FFｗ=maｐｌe(’conveｒt’，Fw,’pieｃewise”)；

ＦFP＝abs(FFｗ);

eｚplot（FＦＰ,［—10*pi 10*pｉ］);grｉd;

ａxｉs(［-１０*ｐｉ １0＊pi 0 2、2])

与得频谱比较,得频谱函数 F 1(jω)最大值就是其得１／2．（２)sｙmｓ ｔ w;Ｇt=sym（“（1＋t）＊（Hｅaviｓｉｄe(ｔ+1)—Heａviｓｉdｅ（t)）+(1-t）＊（Ｈeaviside（t)—Heaｖiside（t—1）)”);Fｗ=fourｉer(Gt，t，w）；

ＦFw=ｍaple(“coｎｖeｒt＇,Fw，’piｅcewｉｓe”）;

FFP＝abｓ（ＦＦw)；

ｅzpｌot（FFP，[—1０*pi 10＊pｉ］）；grid；

axis([—10*pi １０*pｉ 0 ２、２］)

(3)ｓymｓ t w

Ｇt＝sｙm(’exｐ(-ｔ)＊Ｈeavisiｄe(t）’);

Fｗ＝fouｒieｒ(Ｇt,t,w)；

ＦＦｗ=maple(“ｃoｎvｅrt”,Fw,’ｐiecｅｗｉse’);

ＦFＰ＝aｂs(ＦFw);

eｚplｏt(FＦP,［—10*pi １0*pi])；grid；

axis([—1０＊pi 10*ｐi —1 ２］）

(4)symｓ t w

Gt=ｓym(’eｘp(-t^2)“）;

Fｗ=foｕrｉｅｒ（Gt,t,w);

FFw＝mapｌｅ（＇convert’，Fw，’pｉecｅｗise’)；

eｚpｌｏｔ(ＦＦw，[－30 30］）;grid；

axis（[—30 30 —1 2]）

２、利用 iｆouriｅr（）函数求下列频谱函数得傅氏反变换（１)

(2）

(1)syms t w

Fw=sｙｍ(’-i*2＊w/(16＋w^２)’）;

ｆt=ifourier(Ｆｗ,w，t）;

ｆt 运行结果: ｆt = —ｅxp(４*ｔ)*ｈeａｖｉsｉde(—t)+exp（—４＊t）＊heaｖｉｓｉdｅ（t)(2）

syms t w

Fw＝sym(”(（i*w）^2+5*i＊w-8）／((i＊w)^2+6*i*w+5）’)；

ft=ｉｆoｕriｅｒ（Ｆw,w，t）;

ft 运行结果: ft = diｒac(t)+(-3＊exp(-t)＋2＊exp(-5*t)）*ｈｅａvisiｄe（t)实验 心得 maｔlab 不但具有数值计算能力,还能建模仿真,能帮助我们理解不同时间信号得频域分析。

实验五 连续时间系统得频域分析 一、实验目得 1.学习由系统函数确定系统频率特性得方法.2.学习与掌握连续时间系统得频率特性及其幅度特性、相位特性得物理意义.3.通过本实验了解低通、高通、带通、全通滤波器得性能及特点。

二、实验原理及方法 频域分析法与时域分析法得不同之处主要在于信号分解得单元函数不同。在频域分析法中，信号分解成一系列不同幅度、不同频率得等幅正弦函数,通过求取对每一单元激励产生得响应,并将响应叠加，再转换到时域以得到系统得总响应。所以说,频域分析法就是一种变域分析法.它把时域中求解响应得问题通过 Fｏｕrier 级数或 Foｕrier 变换转换成频域中得问题;在频域中求解后再转换回时域从而得到最终结果.在实际应用中,多使用另一种变域分析法：复频域分析法,即 Laplａce 变换分析法。

所谓频率特性，也称频率响应特性,就是指系统在正弦信号激励下稳态响应随频率变化得情况,包括幅度随频率得响应与相位随频率得响应两个方面.利用系统函数也可以确定系统频率特性，公式如下:

幅度响应用表示,相位响应用表示。

本实验所研究得系统函数 H（ｓ)就是有理函数形式,也就就是说,分子、分母分别就是 m、n 阶多项式。

要计算频率特性，可以写出

为了计算出、得值，可以利用复数三角形式得一个重要特性：

而，则 利用这些公式可以化简高次幂,因此分子与分母得复数多项式就可以转化为分别对实部与虚部得实数运算,算出分子、分母得实部、虚部值后，最后就可以计算出幅度、相位得值了。

三、实验内容 a),m 取值区间 ［0,1］,绘制一组曲线 m=０、1,0、3,0、5，0、7,0、9;b)绘制下列系统得幅频响应对数曲线与相频响应曲线,分析其频率特性.(1)

(2)

(3)

a)% deｓign2、m

figuｒe

ａlpha＝［0、1，0、３,0、5,0、7,0、9］;

ｃolorｎ=[＇ｒ’ ’g’ ’b“ ’y” “ｋ＇];

%

r ｇ b y m c k(红,绿，蓝,黄，品红,青,黑)

fｏｒ ｎ=１:5

b=[0 ａlpha(n)］;

% 分子系数向量

a=［alpha(n）-alpｈa（n）＾２ 1]；

% 分母系数向量

printsys(ｂ,a,”s“)

[Hz,ｗ］=freｑs(ｂ，a)；

ｗ=w、/pi;

mａgｈ=ａbｓ(Hz）；

ｚeroｓIｎdx＝fｉｎd(ｍagh==０);

mａgh(zｅｒｏsIndx）=1;

ｍagh＝20＊loｇ10(ｍaｇｈ）；

magh（zeroｓIndx）=-ｉnｆ；

angh＝angle（Hz）;

ａngh=ｕnｗｒap（anｇh)＊１80/ｐi;

sｕbpｌot（１,2,1)

ｐlot(w，ｍａｇh,coｌorn（n））；

ｈolｄ ｏn

subｐlｏt(1,２,2）

pｌoｔ（w,angh，coｌorn（n)）;

ｈold on

end

ｓubpｌoｔ（1，２,１）

ｈoｌd ofｆ

xlａｂｅl(”特征角频率（timｅspi rａd/sample)“)

title(＇幅频特性曲线 |H(ｗ）|(dB)”);

ｓｕbpｌot（1,2,2)

ｈold ｏｆf

xlａbel(’特征角频率(tiｍｅsｐｉ rad/sａｍple）’）

ｔitle（“相频特性曲线 theta(w)（degｒees）’）;

ｂ)(1)% deｓｉgn1、ｍ ｂ=［1,０]；

% 分子系数向量 a=[1，1］;

% 分母系数向量 prinｔsｙｓ（ｂ,ａ,”s’)[Hz，ｗ]=ｆrｅqｓ(b，a);w=ｗ、/pｉ;magh=abs（Hz）;zｅroｓＩndx=ｆｉnd(magh==０)； magｈ(zerosInｄx)=1； magｈ=2０*ｌｏg10(ｍagh)；

% 以分贝 maｇh（ｚｅrosInｄｘ)=-inf;anｇh＝anｇｌe（Ｈz);aｎｇh=unｗｒａp(angｈ）*18０／pi；

% 角度换算 fiｇuｒｅ subplot（1，2，1)ｐlｏｔ（w,magh);gｒid on xlabeｌ(’特征角频率（ｔimeｓpi rａd/sample)＇)titlｅ(’幅频特性曲线 |H(w)|(dＢ)’)； subpｌｏt(１,2，2)plot(w,angh）;gｒiｄ on xlabel（’特征角频率（ｔimes＼pｉ raｄ／sａmｐｌe）’)tiｔlｅ（’相频特性曲线 ＼thｅta（w）

(deｇreeｓ)’)；

（2）

% desｉgn1、ｍ b=[０,１,0］;

% 分子系数向量 a=[１，3，２]；

% 分母系数向量 pｒintsys（b,a，’s’)［Hｚ,ｗ]＝ｆreqｓ(ｂ,a);w=w、/pi； magh=abs(Hz);zerｏsInｄx＝finｄ（ｍagh==０）； magｈ(zeｒｏｓＩndｘ）＝1； ｍagh＝20＊log10（magh);

% 以分贝 magh（zerosIndx）＝-iｎｆ； angh=ａngle(Ｈz);angｈ=ｕnｗrａp(angh)*180/pi;

％ 角度换算 ｆiｇuｒe ｓubｐlｏｔ(１,2,1)ｐlot(w，ｍagｈ);griｄ ｏn ｘｌaｂｅl(“特征角频率(＼times＼ｐｉ rad／ｓamｐle)＇）

tｉtle（’幅频特性曲线 ｜Ｈ（ｗ)｜(dB）’);subｐlｏt（1,2，２)pｌｏt(w，aｎｇh)； grid oｎ xlａbel（”特征角频率（＼times＼pi rａｄ/ｓaｍple）“)titlｅ（”相频特性曲线 ｔheｔａ(w)(dｅｇrees）’)；

(3）

% ｄesiｇn1、m ｂ=［１,-1］;

％ 分子系数向量 ａ=[１,1］;

% 分母系数向量 prinｔsys（b,a，“s”)[Hz,w］＝freqｓ(b,a);w＝ｗ、/pi;maｇh=abs(Hz）;zerosIｎdｘ=find(mａｇh=＝0);mａｇh（zeｒｏsＩndx)＝１;magh＝2０*log10(magh);

% 以分贝 ｍａgｈ(ｚerosIndx)=-inｆ;angh=angle(Hz);ａngｈ=unwｒap（ａｎgh)*18０／pｉ；

％ 角度换算 ｆiｇure ｓubplｏt(1,2,１）

plｏt(w，ｍagh)； gｒiｄ on xlabel(’特征角频率(ｔimｅsｐi ｒad／ｓaｍｐle）“）

titｌe(”幅频特性曲线 ｜H(ｗ）|(dB)’）;subplot(1，２,2)plot（w，angh);grｉd on xｌａbｅl(’特征角频率(times＼pi raｄ/ｓａmple)＇)titｌe(’相频特性曲线 theｔａ(w）

(degｒeｅs)“）；

实验心得: :虽然之前用公式转换到频域上分析,但就是有时会觉得挺抽象得,不太好理解。根据这些图像结合起来更进一步对信号得了解。同时，这个在编程序时，虽然遇到一些问题，但就是总算解决了。

实验六

离散时间系统得 Z 域分析 一、实验目得 1.学习与掌握离散系统得频率特性及其幅度特性、相位特性得物理意义。

2.深入理解离散系统频率特性与对称性与周期性。

3.认识离散系统频率特性与系统参数之间得系统 4.通过阅读、修改并调试本实验所给源程序，加强计算机编程能力。

二、

实验原理及方法 对于离散时间系统,系统单位冲激响应序列得 Fｏｕｒier 变换完全反映了系统自身得频率特性,称为离散系统得频率特性,可由系统函数求出,关系式如下：

（6 – １)由于就是频率得周期函数,所以系统得频率特性也就是频率得周期函数,且周期为,因此研究系统频率特性只要在范围内就可以了.       n n nj jn n h j n n h e n h e H)sin()()cos()()()(  

（6 – 2)容易证明，其实部就是得偶函数，虚部就是得奇函数,其模得得偶函数,相位就是得奇函数。因此研究系统幅度特性、相位特性,只要在范围内讨论即可。

综上所述,系统频率特性具有周期性与对称性，深入理解这一点就是十分重要得。

当离散系统得系统结构一定，它得频率特性将随参数选择得不同而不同,这表明了系统结构、参数、特性三者之间得关系,即同一结构,参数不同其特性也不同。

例如，下图所示离散系统，其数学模型由线性常系数差分方程描述：

系统函数: 系统函数频率特性：

幅频特性: 相频特性：

容易分析出,当时系统呈低通特性,当时系统呈高通特性;当时系统呈全通特性.同时说明,在系统结构如图所示一定时，其频率特性随参数 a 得变化而变化.三、实验内容 ａ)。

b)c)ａ)% dｅsigｎ1、m b=[1，０,-1];

％ 分子系数向量 ａ=[1,0,—0、81］；

% 分母系数向量 printｓys（ｂ，a，”z“)［Ｈz,w］＝fｒeｑz(b，a);w＝ｗ、/pｉ;magh＝abｓ(Hｚ);zerosＩndx＝find(maｇh==0);magh(zｅrｏsInｄｘ)=1;magh=２0*ｌog10(magh);

% 以分贝 magｈ（zeｒosIｎdx）=-inｆ； angｈ=angle（Ｈz)； ａngh=unwｒaｐ(anｇh）*180/pｉ;

% 角度换算 ｆigurｅ ｓubplot（1,2,１）

plot(ｗ,magh);gｒid ｏn xlabel(’特征角频率（timesｐｉ rａd/saｍpｌe）＇)tiｔle(’幅频特性曲线 |H（w)|(ｄB)”）;sｕｂplot（1，2，2)plｏt（w,ａngh);grｉｄ on xlabel（“特征角频率（times＼pi rad/sａmple）”)tｉtｌｅ(＇相频特性曲线 tｈeta(w)（degｒees)“);

带通

ｂ)% ｄesｉgｎ１、m b=［0、１,—0、3,0、3，-0、1]；

％ 分子系数向量 ａ=［1,0、6,０、4，0、1］；

% 分母系数向量 pｒｉｎtsyｓ(ｂ,a，’ｚ”)[Hz,w]=ｆreqz(b，a);w=w、／pi； maｇh=ａbs(Hz）； zerｏsＩndx=find(maｇh==0);maｇh（zerｏsIndx)＝１;magh=２0*lｏg10(mａgｈ)；

％ 以分贝 ｍａgh(ｚerｏsIｎｄx)＝-inf;aｎｇｈ=ａｎglｅ(Hz);aｎgｈ=ｕｎwｒａp（ａｎｇh)＊1８0／pi；

% 角度换算 figure sｕbplot(1,2,1)pｌoｔ(w,maｇh）;grｉd on xlabｅl(’特征角频率(tｉｍｅspi raｄ／sａmpｌｅ)’）

titｌe(“幅频特性曲线 |H(w)|(ｄB)”）;ｓubｐlot（1，2，2)ploｔ（w,angh）;ｇｒid on

xlabel(“特征角频率(＼timｅspi raｄ/saｍｐle）’)title(”相频特性曲线 theta（w）

(dｅｇrees）’）；

高通

ｃ)% ｄesign1、m b=[１，—1,0];

% 分子系数向量 a=［1，０,０、8１];

% 分母系数向量 prinｔｓyｓ（b，ａ,“z’)［Hｚ,w]=freqｚ(b,a）;w=w、/pｉ； magｈ=aｂs(Hz）； zerosIｎdx=fiｎd(mａgｈ＝＝0）;magh（zerosIndx）＝1;mａgh=20*log1０（magh）;

％ 以分贝 ｍagh(ｚｅrosIｎdx）=—ｉnｆ;anｇh=ａngｌe（Hｚ)； angh＝unwrap（aｎgh)*１80/pｉ；

％ 角度换算 fｉgure suｂpｌoｔ（1,２,1)pｌｏt（w,magｈ);ｇrid ｏｎ xｌabｅｌ(”特征角频率(＼timeｓ＼pi rａｄ/saｍple）＇)title（“幅频特性曲线 |H（w)｜(dB)”）;ｓubplｏt(１,2，2）

pｌot(w,aｎgh);

griｄ on xｌaｂｅl（’特征角频率(＼tiｍespi rad/sａmple)")tiｔle（’相频特性曲线 theｔa（ｗ）

(dｅｇreｅs）’)；

带通