实验报告
实验课程：数字信号处理实验开课时间：2020—2021 学年秋季学期
实验名称：随机信号功率谱分析实验时间： 2020年9月30日星期三
学院：物理与电子信息学院年级：大三班级：182 学号：1843202000234 姓名：武建璋
一、实验预习
实验目的要求深刻理解随机信号的特性，掌握随机信号功率谱估计的基本原理，灵活运用各种随机信号功率谱估计的基本方法。
实验
仪器
用具
装有Matlab的计算机一台
实验原理
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.功率谱估计基本上可以非参数估计的经典方法和参数估计的近代方法.典型功率谱估计是基于FFT 算法的非参数估计,对足够长的记录数据效果较好。
在工程实际中，经典功率谱估计法获得广泛应用的是修正期图发。该方法采取数据加窗处理再求平均的办法。通过求各段功率谱平均，最后得到功率谱计P（m），即：
式中：为窗口函数ω[k]的方差。K表示有重叠的分数段。
由于采用分段加窗求功率谱平均，有效地减少了方差和偏差，提高了估计质量，使修正周期图法在经典法中得到普遍应用。但在估计过程存在两个与实际不
符的假设，即
（1）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。
（2）假定数据是由N个观察数据以N为周期的周期性延拓。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，频率分辨率较低，不适用于短系列的谱分析和对微弱信号的检测。
近代谱估计是建立在随机信号参数模型的基础上，通过信号参数模型或预测误差滤波器（一步预测器）参数的估计，实现功率谱估计。由于既不需要加窗，又不需要对相关函数的估计进行如经典法那样的假设，从而减少公里泄露，提高了频谱分辨率。常用的参数模型有自回归（AR）模型、滑动平均（MA）模型、自回归滑动平均（ARMA）模型。其中AR模型是基本模型，求解AR模型的参数主要有L—D算法和Burg算法。
1.某随机信号由两余弦信号与噪声构成x(t)=cos(20*pi*t)+cos(40*pi*t)+s(t)式中：s(t)是均值为0、方差为1的高斯白噪声。
（1）生成信号x(t)=cos(20*pi*t)+cos(40*pi*t)+s(t)，绘出其时域波形。
（2）试分别用周期图发、bartlett发和welch发分析该序列的功率频谱估计，并对上述各种的估计效果经行比较。
（3）选用不同的窗函数，利用修正周期图发估计信号的功率谱有何结论？
【解】
clc,clear,close all
Fs=1000;
t=0:1/Fs:1;
figure(1);
x(t)=cos(20*pi*t)+cos(40*pi*t)++randn(size(t));
plot(t,x);
xlabel('时域信号波形')
grid on
figure(2);subplot(2,1,1);
Pxx=abs(fft(x,1024)).*2/1001;
plot([0:1023]*Fs/1024,10*log10(Pxx));
axis([0,1023,-30,30]);
xlabel('周期图法功率谱')
grid on
二、实验内容
问题讨论1.在利用周期图法进行随机信号功率谱估计中，如何提高功率谱的估计精度？答：Matlab中Prierdogram()函数就是运用周期图法进行谱估计。调用格式如下：[psdestx,Fxx] = periodogram(xn,rectwin(length(xn)),length(xn),Fs);
其中输入参数xn为待估计的离散信号，rectwin(length(xn))表示窗长为xn点的矩形窗（rectangle window）,Fs表示采样频率。
输出参数Fxx表示频率，psdestx为对应Fxx频率的功率谱密度。
为了使周期图法得到的功率谱密度更为平滑，提出了许多改进的方法，Welch平均周期图法就是其中一种，在matlab中pwelch()函数就是使用该方法进行功率谱估计，pwelch()函数的调用格式如下：
pwelch(xn,hamming(256),128,1024,Fs)
输入参数xn为输入信号，hamming(256)为窗长为256的汉明窗，Fs为信号采样频率。调用后可绘制得到信号功率谱密度图，如需要观察得到的功率谱密度数值，可以添加相应的输出参数，相应可以参阅matlab帮助文档。
2.L-D算法的基本思想是什么？有哪些主要计算步骤？
答：L-D算法的基本思想是计算出两字符序列的编辑距离，同时也能求出两序列的匹配序列，初始化算法分数矩阵H，使行i表示字符ai，列j表示字符bj；
计算矩阵中每一项的LD(i, j)：
若ai = bj，则LD(i, j) = LD(i-1, j-1) 取左上角的值
若ai ≠ bj，则LD(i, j) = Min( LD(i-1, j-1), LD(i-1, j), LD(i, j-1) ) +1
回溯，从矩阵右下角开始：
若ai=bj，则回溯到左上角单元格；
若ai≠bj，回溯到左上角、上边、左边中值最小的单元格，若有相同最小值的单元格，优先级按照左上角、上边、左边的顺序。
根据回溯路径，写出匹配字符串：
若回溯到左上角单元格，将ai添加到匹配字串A‘，将bj添加到匹配字串B’；若回溯到上边单元格，将ai添加到匹配字串A’，将_添加到匹配字串B’；
若回溯到左边单元格，将_添加到匹配字串A’，将bj添加到匹配字串B’。
矩阵右下角的值即为俩序列的编辑距离，回溯结果为全部匹配序列。
3.Burg算法的基本思想是什么？有哪些主要计算步骤？为什么利用Burg算法估
计随机信号功率谱时，容易出现伪峰？
答：伯格（Brug）谱估计是一种AR谱估计方法，可调用matalb中pburg函数，其调用格式如下：
pburg(xn,5,1024,Fs)
输入参数xn为信号，Fs为采样频率。调用后可绘制得到信号功率谱密度图，如需要观察得到的功率谱密度数值，可以添加相应的输出参数，相应可以参阅matlab帮助文档。
4.在利用AR模型进行随机信号功率谱估计中，如何提高功率谱估计的精度？答：现代AR谱估计中，模型的阶数选择是一个很重要的问题，选择合适的阶
数，可以有效的检查出有效信号的谱峰，如果模型阶数过低，则频率分辨率不够，可能会丢失有效信号谱峰，如果模型阶数过高，则可能出现假峰。
第六章随机信号分析简介 本章总课时理论4课时。 本章主要内容本章介绍测试技术中随机信号分析方法，主要内容包括随机信号的幅值域分析、相关分析、功率谱分析。 本章基本要求熟练掌握描述随机信号的主要数字特征参数，掌握时域与频域分析的基本方法，了解时域与频域分析的应用。 本章重点及难点本章重点为随机信号的幅值域分析、相关分析、功率谱分析的基本原理，难点为各部分相关的理论分析。 本章教学方法 1. 以课堂理论教学为主。 2. 在理论教学过程中，可利用多媒体对已有应用实例进行演示性教学，使学生对随机信号信号时域与频域分析的应用具有一定的感性认识，激发学生掌握相关基本原理与应用的兴趣。 3. 教学中要求学生在掌握基本原理的基础上，对幅值域分析、相关分析、功率谱分析进行比较，以促进对随机信号信号时域与频域分析方法的理论与
应用有比较清楚的认识。 4. 充分利用课外辅导及练习加深对所学理论知识的认识。 实验本章未安排实验课。 课外学习指导及作业 1. 名词解释随机信号的均值、方差、均方值、均方根值、相关函数、功率谱密度函数。 2. 简述题(1) 描述随机信号的主要数字特征参数有哪些？其物理意义是什么？各自描述了随机信号的什么特性？ (2) 相关分析是在什么范围内分析随机信号的方法？相关系统与相关函数各自描述了随机信号的什么特征？ (3) 相关分析在工程上有什么样的应用？试举例说明。 (4) 功率谱分析是在什么范围内分析随机信号的方法？ (5) 功率谱分析在工程上有什么样的应用？试举例说明。 (6) 实际信号的谱分析中为什么自功率谱比幅值谱应用更为广泛？ (7) 自相关函数、互相关函数、自谱、互谱各自保留了原信号的哪些特征？这对实际应用有什么影响？ 3. 计算题(1) 试求三角波与方波的概率密度函数p1(x)与p2(x)。
第3章 平稳随机过程的谱分析 付里叶变换是处理确定性信号的有效工具，它信号的频域内分析处理信号，常常使分析工作大为简化。 对于随机信号，是否也可以应用频域分析方法？付里叶变换是否可引入随机信号中？ 3.1 随机过程的谱分析 3.1.1 回顾：确定性信号的谱分析 )(t f 是非周期实函数， )(t f 的付里叶变换存在的充要条件是： 1．)(t f 在),(∞-∞上满足狄利赫利条件； 2．)(t f 绝对可积： +∞
3.1.2 随机过程的功率谱密度 一、样本函数的平均功率 问题1：由于付里叶变换是针对确定性函数进行的，在处理随机过程)(t X 时，取 )(t X 的一个样本函数)(t x （在曲线族中取某一曲线）来进行付里叶分 析。 问题2：随机过程)(t X 的样本函数)(t x 一般不满足付里叶变换的条件，它的总能 量是无限的，需考虑平均功率。 若随机过程)(t X 的样本函数)(t x 满足 +∞<=? -∞→T T T dt t x T W 2 )(21 lim W 称为样本函数)(t x 的平均功率。 对于平稳过程，其样本函数的平均功率是有限的。 二、截取函数 对于)(t X 的一个样本函数)(t x ，在)(t x 中截取长为T 2的一段，记为)(t x T ， 它满足： ???? ?≥<=T t T t t x t x T 0 ) ()( 称)(t x T 为)(t x 的截取函数。 三、截取函数的付里叶变换 0>T ，取定后，)(t x T 的付里叶变换一定存在： ??--+∞ ∞--==T T t j t j T T dt e t x dt e t x X ωωω)()()( 其付里叶逆变换为： ? +∞ ∞ -= ωωπ ωd e X t x t j T T )(21 )( 其帕塞瓦（Parseval ）等式为 ? ? ? +∞ ∞ --+∞ ∞ -= =ωωπ d X dt t x dt t x T T T T 2 2 2 )(21 )()(
第 一 章 1.1不考 条件部分不考 △雅柯比变换 （随机变量函数的变换 P34） △随机变量之间的“不相关、正交、独立” P51 （各自定义、相关系数定义 相互关系：两个随机变量相互独立必定互不相关，反之不一定成立 正交与不相关、独立没有明显关系 结合高斯情况） △随机变量的特征函数及基本性质 （一维的 P53 n 维的 P58） △ 多维高斯随机变量的概率密度和特征函数的矩阵形式、三点性质 P61 ( )()() () ( ) ()()2 2 1 () 2112 2 22 11 ,,exp 2 2exp ,,exp 22T T x m X X X X X n n X T T jU X X X X X n X M X M f x f x x U U u Q u j m Q u u E e jM U σπσμ---?? --??= = -????? ? ?? ?? ?? ??=-==- ?? ??? ????? ?? C C C u u r u u r u u r u u r u u r u u r L u r u r u u r u r L 另外一些性质： []()20XY XY X Y X C R m m D X E X m ??=-=-≥??
第二章 随机过程的时域分析 1、随机过程的定义 从三个方面来理解①随机过程(),X t ζ是,t ζ两个变量的函数②(),X t ζ是随时间t 变化的随机变量③(),X t ζ可看成无穷多维随机矢量在0,t n ?→→∞的推广 2、什么是随机过程的样本函数？什么是过程的状态？随机过程与随机变量、样本函数之间的关系？ 3、随机过程的概率密度P7 4、特征函数P81。（连续、离散） 一维概率密度、一维特征函数 二元函数 4、随机过程的期望、方差、自相关函数。（连续、离散） 5、严平稳、宽平稳的定义 P83 6、平稳随机过程自相关函数的性质： 0点值，偶函数，周期函数（周期分量），均值 7、自相关系数、相关时间的定义 P88 2 2 2() ()()()()(0)()X X X X X X X X X X C R m R R R R τττρτσ σ--∞= = -∞= 非周期 相关时间用此定义（00()d τρττ∞ =?） 8、两个随机过程之间的“正交”、“不相关”、“独立”。 （P92 同一时刻、不同时刻） 9、两个随机过程联合平稳的要求、性质。P92
随机信号分析 朱华，等北京理工大学出版社2011-07-01 《随机信号分析》是高等学校工科电子类专业基础教材。内容为概率论基础、平稳随机过程、窄带随机过程、随机信号通过线性与非线性系统的理论与分析方法等。在相应的部分增加了离散随机信号的分析。《随即信号分析》的特点侧重在物理概念和分析方法上，对复杂的理论和数学问题着重用与实际的电子工程技术问题相联系的途径及方法去处理。《随即信号分析》配套的习题和解题指南将与《随即信号分析》同期出版。《随即信号分析》适用于电子工程系硕士研究生及高年级本科生，也适用于科技工作者参考。 第一章概率论 1.1 概率空间的概念 1.1.1 古典概率 1.1.2 几何概率 1.1.3 统计概率 1.2 条件概率空间 1.2.1 条件概率的定义 1.2.2 全概率公式 1.2.3 贝叶斯公式 1.2.4 独立事件、统计独立 1.3 随机变量及其概率分布函数 1.3.1 随机变量的概念 1.3.2 离散型随机变量及其分布列 1.3.3 连续型随机变量及其密度函数 1.3.4 分布函数及其基本性质 1.4 多维随机变量及其分布函数 1.4.1 二维分布函数及其基本性质 1.4.2 边沿分布 1.4.3 相互独立的随机变量与条件分布 1.5 随机变量函数的分布 1.5.1 一维随机变量函数的分布 1.5.2 二维随机变量函数的分布 1.5.3 二维正态随机变量函数的变换 1.5.4 多维情况 1.5.5 多维正态概率密度的矩阵表示法 1.6 随机变量的数字特征 1.6.1 统计平均值与随机变量的数学期望值 1.6.2 随机变量函数的期望值 1.6.3 条件数学期望 1.6.4 随机变量的各阶矩 1.7 随机变量的特征函数 1.7.1 特征函数的定义 1.7.2 特征函数的性质
谱让人联想到的Fourier变换，是一个时间平均（time average）概念，对能量就是能量谱，对功率就是功率谱。 功率谱的概念是针对功率有限信号的，所表现的是单位频带内信号功率随频率的变化情况。保留了频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。 有两点需要注意： 1. 功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列） 2. 功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶矩是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 频谱分析： 对动态信号在频率域内进行分析，分析的结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱密度： 功率谱密度（PSD），它定义了信号或者时间序列的功率如何随频率分布。这里功率可能是实际物理上的功率，或者更经常便于表示抽象的信号被定义为信号数值的平方，也就是当信号的负载为1欧姆(ohm)时的实际功率。
由于平均值不为零的信号不是平方可积的，所以在这种情况下就没有傅里叶变换。维纳-辛钦定理（Wiener-Khinchin theorem）提供了一个简单的替换方法，如果信号可以看作是平稳随机过程，那么功率谱密度就是信号自相关函数的傅里叶变换。 信号的功率谱密度当且仅当信号是广义的平稳过程的时候才存在。如果信号不是平稳过程，那么自相关函数一定是两个变量的函数，这样就不存在功率谱密度，但是可以使用类似的技术估计时变谱密度。 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。 功率谱与自相关函数是一个傅氏变换对。 功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。从名字分解来看就是说，观察对象是功率，观察域是谱域。 通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于一条直线。 一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 1. 用相关函数的傅立叶变换来定义谱密度； 2. 用随机过程的有限时间傅立叶变换来定义谱密度； 3. 用平稳随机过程的谱分解来定义谱密度。 三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周
信号的功率谱分析 1、功率谱密度函数的定义 对于随机信号)(t x ，由于其任一样本函数都是时间的无限的函数，一般不能满足傅里叶变换的存在条件（即积分?∞ ∞-dt t x )(必须收敛）。如果将样本函数取在一个有限区间]2 ,2[T T -内，如图所示，令在该区间以外的0)(=t x ，则积分?∞ ∞-dt t x )(收敛，满足傅里叶变换条件，变换后用功率谱密度函数表示。 2、功率谱密度函数（又称功率谱）的物理意义 是在频域中对信号能量或功率分布情况的描述。功率谱表示振动能量在频率 域的分解，其应用十分广泛。功率谱的横坐标是频率，纵坐标是实部、虚部的模 的平方。 功率谱密度函数作为随机信号在频域内描述的函数。对于随机信号而言，它 不存在频谱函数，只存在功率谱密度函数（功率大小在频谱中反映为频谱的面 积）。时域中的相关分析为在噪声背景下提取有用信息提供了途径。功率谱分析 则从频域提供相关技术所能提供的信息，它是研究平稳随机过程的重要方法。 3．功率谱密度函数的应用 (1)结构各阶固有频率的测定 工程结构特别是大型结构(如高层楼房、桥梁、 高塔和重要机械设备等)要防止共振引起的破坏，需要测定其固有频率。如果对 结构加以激励(或以大地的脉动信号作为激励信号)，即可测定结构的响应(振动信 号)，再对响应信号作自功率谱分析，便可由谱图中谱峰确定结构的各阶固有频
率。 (2)利用功率谱的数学特点求取信号传递系统的频率响应函数。 (3)作为工业设备工作状况的分析和故障诊断的依据 根据功率谱图的变化，可以判断机器设备的运转是否正常。同时．还可根据机器设备正常工作和不正常工作时，振动加速度信号的功率谱的差别，查找不正常工作时，功率谱图中额外谱峰产生的原因以及排除故障的方法。 自功率谱密度函数 定义及其物理意义 假如)(t x 是零均值的随机过程，即0=x μ（如果原随机过程是非零均值的，可以进行适当处理使其均值为零）又假设)(t x 中没有周期分量，那么当∞→τ， 0)(→τx R 。这样，自相关函数)(τx R 可满足傅里叶变化的条件∞?∞ ∞- ττd R x )(。 )(τx R 傅里叶变换)(f S x ，ττπτd e R f S j x x 2)()(-∞∞-? =和逆变换 df e f S R j x x πττ2)()(-∞ ∞ -?=定义)(f S x 为)(t x 的自功率谱密度函数，简称自谱或自功率谱。 出此可见， )(f S x 曲线下和频率轴所包围的面积就是信号的平均功率，)(f S x 就是信号的功率密度沿频率轴的分布，故称)(f S x 为自功率谱密度函数。自功率谱密度函数和幅值谱的关系为 2)(1lim )(f X T f S x T x →=利用这一种关系，就可以通过直接对时域信号作傅里叶变换来计算功率谱。自相关分析可以有效地检测出信号中有无周期成分。自功率谱密度也能用来检测信号中的周期成分。周期信号的频谱是脉冲函数，在某特定频率上的能量是无限的。但是在实际处理时，用矩形窗函数对信号进行截断，这相当于在频域用矩形窗函数的频谱sinc 函数和周期信号的频谱——δ函数实行卷积，因此截断后的周期函数的频谱已不再是脉冲函数，原来为无限大的谱线高度变成有限长，谱
随机信号的功率谱密度估计和相关函数
随机信号的功率谱密度估计和相关函数 1．实验目的 了解估计功率谱密度的几种方法，掌握功率谱密度估计在随机信号处理中的作用。 ⒉实验原理 随机信号的功率谱密度用来描述信号的能量特征随频率的变化关系。功率谱密度简称为功率谱，是自相关函数的傅里叶变换。对功率谱密度的估计又称功率谱估计。 1.线性估计法（有偏估计）：线性估计方法是有偏的谱估计方法，谱分辨率随数据长度的增加而提高。包括自相关估计、自协方差法、周期图法。 2.非线性估计（无偏估计）：非线性估计方法大多是无偏的谱估计方法，可以获得高的谱分辨率。包括最大似然法、最大熵法 ⒊实验任务与要求 1. 所有功能均用matlab仿真。 2. 输入信号为：方波信号+n(t)，方波信号信号基频1KHz，幅值为1v，n(t)为白噪声。 3. 编写自相关估计法、自协方差法、周期图法、最大似然法、最大熵法的matlab 程序。正确的运行程序。 4. 必须用图示法来表示仿真的结果。对几种功率谱估计的方法进行比较分析，发现它们各自有什么特点？。 5. 按要求写实验报告。 4.Matlab程序如下： 生成输入信号： clear; fs=1024;%设采样频率为1024 n=0:1/fs:1; N=length(n); W=2000*pi;%因方波频率F=1000HZ所以角频率W=2000pi X1n=square(W*n);%方波信号 X2n=randn(1,N);%白噪声信号 xn=X1n+X2n; %产生含有噪声的信号序列XN subplot(3,1,1) plot(n,xn); xlabel('n') ylabel(…输入信号?) %绘输入信号图
1-9 已知随机变量X 的分布函数为 2 0,0(),01 1, 1X x F x kx x x ? 求：①系数k ； ②X 落在区间(0.3,0.7)内的概率； ③随机变量X 的概率密度。 解： 第①问 利用()X F x 右连续的性质 k ＝1 第②问 {}{}{} ()() 0.30.70.30.70.70.30.7P X P X F P X F =<<=<≤-=- 第③问 201 ()()0 X X x x d F x f x else dx ≤
1-10已知随机变量X 的概率密度为()() x X f x ke x -=-∞<<+∞（拉普拉斯分布），求： ①系数k ②X 落在区间(0,1)内的概率 ③随机变量X 的分布函数 解： 第①问 ()1 1 2 f x dx k ∞ -∞==? 第②问 {}()()()21 1221x x P x X x F x F x f x dx <≤=-=? 随机变量X 落在区间12(,]x x 的概率12{}P x X x <≤就是曲线()y f x =下的曲边梯形的面积。 {}{}()() 1 0101011 12 P X P X f x dx e -<<=<≤==-? 第③问 ()102 10 2 x x e x f x e x -?≤??=? ?>?? ()00()1100 2 2111010 2 22 x x x x x x x x F x f x dx e dx x e x e dx e dx x e x -∞ -∞---∞=??≤≤????==? ? ??+>->????? ???
1. （10分）随机变量12,X X 彼此独立，且特征函数分别为12(),()v v φφ，求下列随机变量的特征函数： （1） 122X X X =+ （2）12536X X X =++ 解：（1）() 121222()jv X X jvX jv X jvX X v E e E e E e e φ+???? ??===?????? ? 12 21212()(2)jvX jv X X X E e E e v v φφ????=????和独立 （2）() 1212536536()jv X X jv X jv X jv X v E e E e e e φ++???? ==????? ? 12536 12jv X jv X jv X X E e E e E e ?????? ??????和独立 6 12(5)(3)jv e v v φφ= 2. （10分）取值()1,1-+，概率[0.4,0.6]的独立()半随机二进制传输信号()X t ，时隙长度为T ，问： （1） 信号的均值函数()E X t ????； （2） 信号的自相关函数(),X R t t τ+； （3） 信号的一维概率密度函数();X f x t 。 解：（1）()10.410.60.2E X t =-?+?=???? (2) 当,t t τ+在同一个时隙时： []222(,)()()[()]10.6(1)0.41X R t t E X t X t E X t ττ+=+==?+-?= 当,t t τ+不在同一个时隙时： [][][](,)()()()()0.20.20.04 X R t t E X t X t E X t E X t τττ+=+=+=?= （3）()()();0.610.41X f x t x x δδ=-++ 3. （10分）随机信号0()sin()X t t ω=+Θ，()()0cos Y t t ω=+Θ，其中0 ω为常数，Θ为在[]-,ππ上均匀分布的随机变量。
频谱分析（也称频率分析），是对动态信号在频率域内进行分析，分析的结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱 频谱和功率谱有什么区别与联系？ 谱是个很不严格的东西，常常指信号的Fourier变换， 是一个时间平均（time average）概念 功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别： 1。功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列） 2。功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w轴上方的一条直线。 功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义谱密度；三是用平稳随机过程的谱分解来定义谱密度。三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周期分量并且均值为零，这样才能保证相关函数在时差趋向于无穷时衰减，所以lonelystar说的不全对，光靠相关函数解决不了许多问题，要求太严格了；对于第二种方式，虽然一个平稳随机过程在无限时间上不能进行傅立叶变换，但是对于有限区间，傅立叶变换总是存在的，可以先架构有限时间区间上的变换，在对时间区间取极限，这个定义方式就是当前快速傅立叶变换（FFT）估计谱密度的依据；第三种方式是根据维纳的广义谐和分析理论：Generalized harmonic analysis, Acta Math, 55(1930),117-258,利用傅立叶-斯蒂吉斯积分，对均方连续的零均值平稳随机过程进行重构，在依靠正交性来建立的。
随机信号分析题目及答 案 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
1. （10分）随机变量12,X X 彼此独立，且特征函数分别为12(),()v v φφ，求下列随机变量的特征函数： （1） 122X X X =+ （2）12536X X X =++ 解：（1） ()121222()jv X X jvX jv X jvX X v E e E e E e e φ+??????===??????? （2） () 121 2 536536 ()jv X X jv X jv X jv X v E e E e e e φ++????==????? ? 2. （10分）取值()1,1-+，概率[0.4,0.6]的独立 ()半随机二进制传输信号()X t ，时隙长度为T ，问： （1） 信号的均值函数()E X t ????； （2） 信号的自相关函数(),X R t t τ+； （3） 信号的一维概率密度函数();X f x t 。 解：（1）()10.410.60.2E X t =-?+?=???? (2) 当,t t τ+在同一个时隙时： 当,t t τ+不在同一个时隙时：
（3）()()();0.610.41X f x t x x δδ=-++ 3. （10分）随机信号0()sin()X t t ω=+Θ，()()0cos Y t t ω=+Θ，其中0 ω为常数，Θ为在[]-,ππ上均匀分布的随机变量。 （1） 试判断()X t 和()Y t 在同一时刻和不同时刻的独立性、相关性及正交性； （2） 试判断()X t 和()Y t 是否联合广义平稳。 解： （1） 由于X (t )和Y(t )包含同一随机变量 θ，因此非独立。 根据题意有 1 2f ()θπ = 。 []001 sin()02E[X(t )]E t sin(w t )d π π ωθθπ - =+Θ= +=?， 由于0XY XY R (t,t )C (t,t )==，X (t )和Y(t )在 同一时刻正交、线性无关。 除()012w t t k π-=±外的其他不同时刻 12120XY XY R (t ,t )C (t ,t )=≠，所以1X (t )和2Y(t )非正交 且线性相关。
完美 WORD 格式 1-9 已知随机变量X的分布函数为 0 , x 0 2 F (x) kx , 0 x 1 X 1 , x 1 求：①系数 k；②X落在区间(0.3,0.7) 内的概率；③随机变量 X的概率密度。 解： 第①问利用F X (x) 右连续的性质k ＝1 P 0.3 X 0.7 P 0.3 X 0.7 P X 0.7 第②问 F 0.7 F 0.3 第③问f (x) X d F(x) X dx 2x 0 x 1 0 else
专业知识分享
完美 WORD 格式 x 1-10 已知随机变量X 的概率密度为( ) ( ) f x ke x X （拉普拉斯分布），求： ①系数k ②X落在区间 (0,1)内的概率③随机变量 X 的分布函数 解： 第①问f x dx 1 k 1 2 第②问 x 2 P x X x F x F x f x dx 1 2 2 1 x 1 随机变量 X落在区间( x1 , x2 ] 的概率 P{ x1 X x2} 就是曲线y f x 下的曲边梯形的面积。 1 P 0 X 1 P 0 X 1 f x dx 1 2 1 e 1 第③问 1 2 f x 1 2 x e x x e x x F x f ( x)dx 1 1 x x x e dx x 0 e x 0 2 2
0 1 1 1 x x x x e dx e dx x 0 1 e x 0 2 0 2 2 专业知识分享
完美 WORD 格式 1-11 某繁忙的汽车站，每天有大量的汽车进出。设每辆汽车 在一天内出事故的概率为0.0001，若每天有1000 辆汽车进 出汽车站，问汽车站出事故的次数不小于 2 的概率是多少？ n=1 - 分布 (0 1) n ,p 0,np= 二项分布泊松分布 n 成立，0不成立 , p q 高斯分布 实际计算中，只需满足，二项分布就趋近于泊松分布 n 10 p 0.1 P X k k e ＝＝ np k! 汽车站出事故的次数不小于 2 的概率 P(k 2) 1 P k 0 P k 1 0.1 P(k 2) 1 1.1e 答案
功率谱密度谱是一种概率统计方法，是对随机变量均方值的量度。一般用于随机振动分析，连续瞬态响应只能通过概率分布函数进行描述，即出现某水平响应所对应的概率。 功率谱密度是结构在随机动态载荷激励下响应的统计结果，是一条功率谱密度值—频率值的关系曲线，其中功率谱密度可以是位移功率谱密度、速度功率谱密度、加速度功率谱密度、力功率谱密度等形式。数学上，功率谱密度值—频率值的关系曲线下的面积就是方差，即响应标准偏差的平方值。 谱是个很不严格的东西，常常指信号的Fourier变换，是一个时间平均（time average）概念功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别：1。功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列）2。功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛；而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。热心网友回答提问者对于答案的评价：谢谢解答。 频谱分析（也称频率分析），是对动态信号在频率域内进行分析，分析的 结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变 量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密 度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。 功率谱是个什么概念？它有单位吗? 随机信号是时域无限信号，不具备可积分条件，因此不能直接进行傅氏变换。一般用具有统计特性的功率谱来作为谱分析的依据。功率谱与自相关函数是一个傅氏变换对。功率谱具有单位频率的平均功率量纲。所以标准叫法是功率谱密度。通过功率谱密度函数，可以看出随机信号的能量随着频率的分布情况。像白噪声就是平行于w轴，在w轴上方的一条直线。 功率谱密度，从名字分解来看就是说，观察对象是功率，观察域是谱域，通常指频域，密度，就是指观察对象在观察域上的分布情况。一般我们讲的功率谱密度都是针对平稳随机过程的，由于平稳随机过程的样本函数一般不是绝对可积的，因此不能直接对它进行傅立叶分析。可以有三种办法来重新定义谱密度，来克服上述困难。 一是用相关函数的傅立叶变换来定义谱密度；二是用随机过程的有限时间傅立叶变换来定义谱密度；三是用平稳随机过程的谱分解来定义谱密度。三种定义方式对应于不同的用处，首先第一种方式前提是平稳随机过程不包含周期分量并且均值为零，这样才能保证相关函数在时差趋向于无穷时衰减，所以lonelystar说的不全对，光靠相关函数解决不了许多问题，要求太严格了；对于第二种方式，虽然一个平稳随机过程在无限时间上不能进行傅立叶变换，但是对于有限区间，傅立叶变换总是存在的，可以先架构有限时间区间上的变换，在对时间区间取极限，这个定义方式就是当前快速傅立叶变换（FFT）估计谱密度的依据；第三种方式是根据维纳的广义谐和分析理论：Generalized harmonic analysis, Acta Math, 55(1930),117-258,利用傅立叶-斯蒂吉斯积分，对均方连续的零均值平稳随机过程进行重构，在依靠正交性来建立的。 另外，对于非平稳随机过程，也有三种谱密度建立方法，由于字数限制，功率谱密度的单位
《通信原理》习题 第一章 绪论 习题1-1 习题1-2 习题1-3 习题1-4 第二章 随机信号分析 习题2-1 习题2-2 第三章 信道 习题3-1 习题3-3 第四章 模拟调制系统 习题4-1 习题4-2 习题4-3 习题4-4 第五章 数字基带传输系统 习题5-1 习题5-2 习题5-3 习题5-4 习题5-5 习题5-6 习题5-7 第六章 正弦载波数字调制系统 习题6-1 习题6-2 习题6-3 习题6-4 习题6-5 习题6-6 第七章 模拟信号的数字传输 习题7-1 错误!未找到引用源。 错误!未找到引用源。 错误!未找到引用源。 习题7-5 第八章 数字信号的最佳接收 错误!未找到引用源。 错误!未找到引用源。 第九章 同步原理 错误!未找到引用源。 【习题1-1】 某数字通信系统用正弦载波的四个相位0、2π 、π、23π来传输信息，这四个相位是 互相独立的。 (1) 每秒钟内0、2π 、π、23π出现的次数分别为500、125、125、250，求此通信系统的码速率和 信息速率； (2) 每秒钟内这四个相位出现的次数都为250，求此通信系统的码速率和信息速率。 解： (1) 每秒钟传输1000个相位，即每秒钟传输1000个符号，故 R B =1000 Baud 每个符号出现的概率分别为P(0)=21,P ? ?? ??2π=81,P(π)=81,P ? ?? ??2 3π =41 ，每个符号所含的平均信息 量为 H (X )=(21×1+82×3+41×2)bit/符号=143 bit/符号
信息速率R b =(1000×143 )bit/s=1750 bit/s (2) 每秒钟传输的相位数仍为1000，故 R B =1000 Baud 此时四个符号出现的概率相等，故 H (X )=2 bit/符号 R b =(1000×2)bit/s=2000 bit/s 【习题1-2】已知等概独立的二进制数字信号的信息速率为2400 bit/s 。 (1) 求此信号的码速率和码元宽度； (2) 将此信号变为四进制信号，求此四进制信号的码速率、码元宽度和信息速率。 解：(1) R B =R b /log 2M =(2400/log 22)Baud=2400 Baud T =B R 1=24001 s=0.42 ms (2) R B =(2400/log 24)Baud=1200 Baud T=B R 1=12001 s=0.83 ms R b =2400 b/s
实验报告 实验课程：数字信号处理实验开课时间：2020—2021 学年秋季学期 实验名称：随机信号功率谱分析实验时间： 2020年9月30日星期三 学院：物理与电子信息学院年级：大三班级：182 学号：1843202000234 姓名：武建璋 一、实验预习 实验目的要求深刻理解随机信号的特性，掌握随机信号功率谱估计的基本原理，灵活运用各种随机信号功率谱估计的基本方法。 实验 仪器 用具 装有Matlab的计算机一台 实验原理 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.功率谱估计基本上可以非参数估计的经典方法和参数估计的近代方法.典型功率谱估计是基于FFT 算法的非参数估计,对足够长的记录数据效果较好。 在工程实际中，经典功率谱估计法获得广泛应用的是修正期图发。该方法采取数据加窗处理再求平均的办法。通过求各段功率谱平均，最后得到功率谱计P（m），即： 式中：为窗口函数ω[k]的方差。K表示有重叠的分数段。 由于采用分段加窗求功率谱平均，有效地减少了方差和偏差，提高了估计质量，使修正周期图法在经典法中得到普遍应用。但在估计过程存在两个与实际不 符的假设，即 （1）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。 （2）假定数据是由N个观察数据以N为周期的周期性延拓。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，频率分辨率较低，不适用于短系列的谱分析和对微弱信号的检测。 近代谱估计是建立在随机信号参数模型的基础上，通过信号参数模型或预测误差滤波器（一步预测器）参数的估计，实现功率谱估计。由于既不需要加窗，又不需要对相关函数的估计进行如经典法那样的假设，从而减少公里泄露，提高了频谱分辨率。常用的参数模型有自回归（AR）模型、滑动平均（MA）模型、自回归滑动平均（ARMA）模型。其中AR模型是基本模型，求解AR模型的参数主要有L—D算法和Burg算法。
由于百度文库格式转换的原因，不能整理在一个word 文档里面，下面是三四章的答案。给大家造成的不便，敬请谅解 随机信号分析 第三章习题答案 、随机过程 X(t)=A+cos(t+B)，其中A 是均值为2，方差为1的高斯变量，B 是（0，2π）上均匀分布的随机变量，且A 和B 独立。求 （1）证明X(t)是平稳过程。 （2）X(t)是各态历经过程吗？给出理由。 （3）画出该随机过程的一个样本函数。 （1） （2） 3-1 已知平稳过程()X t 的功率谱密度为232 ()(16) X G ωω=+，求：①该过程的平均功率？ ②ω取值在(4,4)-范围内的平均功率？ 解 [][]()[]2 ()cos 2 11 ,cos 5cos 22 X E X t E A E t B A B R t t EA τττ =++=????+=+=+与相互独立 ()()()2 1521()lim 2T T T E X t X t X t X t dt A T -→∞??=<∞ ???==?是平稳过程
()()[]() ()41122 11222222 2 4 2' 4(1)24()()444(0)4 1132 (1 )2244144 14(2)121tan 132 24X X X E X t G d R F G F e R G d d d arc x x τ τωωωωω ππωωπωωπω π ωω∞ ----∞∞ -∞-∞∞--∞∞ ?????==?=???+?? ====+==??+ ?== ??= ++?? =? ????P P P P 方法一() 方：时域法取值范围为法二-4,4内(频域的平均率法功) 2 d ω =
填空： 1.假设连续随机变量的概率分布函数为F（x）则F（-∞）=0, F（+∞）=1 2.随机过程可以看成是样本函数的集合，也可以看成是随机变量的集合 3.如果随机过程X(t)满足任意维概率密度不随时间起点的变化而变化,则称X(t)为严平稳随机过程，如果随机过程X(t)满足均值为常数，自相关函数只与时间差相关则称X(t)为广义平稳随机过程 4.如果一零均值随机过程的功率谱，在整个频率轴上为一常数，则称该随机过程为白噪声,该过程的任意两个不同时刻的状态是不相关 5. 宽带随机过程通过窄带线性系统，其输出近似服从正态分布,窄带正态噪声的包络服从瑞利分布,而相位服从均匀分布 6.分析平稳随机信号通过线性系统的两种常用的方法是冲激响应法，频谱法 7.若实平稳随机过程相关函数为Rx（τ）=25+4/（1+6τ），则其均值为5或-5,方差为4 7.匹配滤波器是输出信噪比最大作为准则的最佳线性滤波器。 1.广义各态历经过称的信号一定是广义平稳随机信号，反之，广义平稳的随机信号不一定是广义各态历经的随机信号 2.具有高斯分布的噪声称为高斯噪声,具有均匀分布的噪声叫均匀噪声,而如果一个随机过程的概率谱密度是常数，则称它为白噪声 3.白噪声通过都是带宽的线性系统，输出过程为高斯过程 4.平稳高斯过程与确定的信号之和是高斯过程，确定的信号可以认为是该过程的数学期望 5.平稳正态随机过程的任意概率密度只由均值和协方差阵确定 1.白噪声是指功率谱密度在整个频域内均匀分布的噪声。 3.对于严格平稳的随机过程，它的均值与方差是与时间无关的函数，即自相关函数与时间间隔有关，与时间起点无关。 4.冲激响应满足分析线性输出，其均值为_____________________。 5.偶函数的希尔伯特变换是奇函数。 6.窄带随机过程的互相关函数公式为P138。 1.按照时间和状态是连续还是离散的，随机过程可分为四类，这四类是连续时间随机过程， 离散型随机过程、随机序列、离散随机序列。 2.如果平稳随机过程均值和相关函数具有遍历性,则称该随机过程为各态历经过称。 3.如果均匀分布白的噪声通过线性系统，输出服从正态分布分布。 4.正态随机过程的任意n维分布，只有由一、二阶矩确定。 5.窄带正态随机过程的相位服从均匀分布，幅度服从瑞利分布。 6.随机过程相关时间反应了随机过程变化的快慢程度，相关时间越长，过程的取值变化越 慢,随机过程相关时间反应了随机过程变化的快慢程度，相关时间越短，过程的取值变化越快, 7.平稳随机过程信号通过线性系统分析，输入，输出过程的自相关函数可表示为 ，输出与输入过程中功率谱之间的关系可表示为 。 8.平稳随机过程信号通过非线性系统分析常用的方法是直接法和变换法与级数展开法。 9.典型的独立增量过程有泊松过程与维纳过程。 10.对于无偏估计而言均方误差总是大于等于某个量，这个量称为克拉美-罗(Cramer-Rao)下
数字信号处理II ——随机信号的功率谱估计方法 一、实验目的 1．利用自相关函数法和周期图法实现对随机信号的功率谱估计。 2．观察数据长度、自相关序列长度、信噪比、窗函数、平均次数等对谱估计的分辨率、稳 定性、主瓣宽度和旁瓣效应的影响。 3．学习使用FFT 提高谱估计的运算速度。 4．体会非参数化功率谱估计方法的优缺点。 二、实验原理与方法 假设信号()x n 为平稳随机过程，其自相关序列定义为: {}*()()()m E x n x n m φ+@ (0.1) 其中{}E ?表示取数学期望，{}*?表示取共轭。 根据定义，()x n 的功率谱密度()P w 与自相关序列()m φ存在如下关系： ()()j m m P m e ωωφ+∞-=-∞= ∑ (0.2) 1()()2j m m P e d πωπφωωπ-=? (0.3) 然而，实际中我们很难得到准确的自相关序列()m φ，只能通过随机信号的一段样本序列来估计信号的自相关序列，进而得到信号的功率谱估计。目前常用的线性谱估计方法有两种：自相关函数法和周期图方法，本实验将对这两种方法分别予以讨论。 1．自相关函数法 假设已知随机信号()x n 的N 个观测样本，则其自相关序列可以用下式进行估计:
||1*01?()()()||1||N m n m x n x n m m N N m φ--==+≤--∑ (0.4) 当仅使用长度为2M -1的自相关序列时，对其进行傅立叶变换即可得到功率谱估计如下: 1 1 ??()()M j m m M P m e ωωφ--=-+=∑ (0.5) 其中M 为加窗长度，Re ()c M W m 为矩形窗函数，定义如下: Re 1,||()0,||c M m M W m m M