概率论与数理统计小报告
随机序列的产生方法
随机数
由具有已知分布的总体中抽取简单子样，在蒙特卡罗方法中占有非常重要的地位。总体和子样的关系，属于一般和个别的关系，或者说属于共性和个性的关系。由具有已知分布的总体中产生简单子样，就是由简单子样中若干个性近似地反映总体的共性。
随机数是实现由已知分布抽样的基本量，在由已知分布的抽样过程中，将随机数作为已知量，用适当的数学方法可以由它产生具有任意已知分布的简单子样。
1.随机数的定义及产生方法
1).随机数的定义及性质
在连续型随机变量的分布中，最简单而且最基本的分布是单位均匀分布。由该分布抽取的简单子样称，随机数序列，其中每一个体称为随机数。
单位均匀分布也称为［0，1］上的均匀分布，其分布密度函数为：
分布函数为 ：
由于随机数在蒙特卡罗方法中占有极其重要的位置，我们用专门的符号ξ表示。由随机数序列的定义可知，ξ1，ξ2，…是相互独立且具有相同单位均匀分布的随机数序列。也就是说，独立性、均匀性是随机数必备的两个特点。
随机数具有非常重要的性质：对于任意自然数s ，由s 个随机数组成的s 维空间上的点（ξn+1，ξn+2，…ξn+s ）在s 维空间的单位立方体Gs 上均匀分布，即对任意的ai ， 如下等式成立： 其中P (·)表示事件·发生的概率。反之，如果随机变量序列ξ1, ξ2…对于任意自然数s ，由s 个元素所组成的s 维空间上的点（ξn+1，…ξn+s ）在Gs 上均匀分布，则它们是随机数序列。
由于随机数在蒙特卡罗方法中所处的特殊地位，它们虽然也属于由具有已知分布的总体中产生简单子样的问题，但就产生方法而言，却有着本质上的差别。
2). 随机数表
为了产生随机数，可以使用随机数表。随机数表是由0，1，…，9十个数字组成，每个数字以0.1的等概率出现，数字之间相互独立。这些数字序列叫作随机数字序列。如果要得到n 位有效数字的随机数，只需将表中每n 个相邻的随机数字合并在一起，且在最高位的前边加上小数点即可。例如，某随机数表的第一行数字为7634258910…，要想得到三位有效数字的随机数依次为0.763，0.425，0.891。
因为随机数表需在计算机中占有很大内存，而且也难以满足蒙特卡罗方法对随机数需要???≤≤=其他,010,1)(x x f ?????>≤≤<=1,11
0,0,0)(x x x x x F s
i a i ,,2,110 =≤≤，∏=+==≤s i i i i n a s i a P 1
),,1,( ξ
量非常大的要求，因此，该方法不适于在计算机上使用。
3). 物理方法
用物理方法产生随机数的基本原理是：利用某些物理现象，在计算机上增加些特殊设备，可以在计算机上直接产生随机数。这些特殊设备称为随机数发生器。用来作为随机数发生器的物理源主要有两种：一种是根据放射性物质的放射性，另一种是利用计算机的固有噪声。 一般情况下，任意一个随机数在计算机内总是用二进制的数表示的：
其中εi （i =1，2，…，m ）或者为0，或者为1。
因此，利用物理方法在计算机上产生随机数，就是要产生只取0或1的随机数字序列，数字之间相互独立，每个数字取0或1的概率均为0.5。
用物理方法产生的随机数序列无法重复实现，不能进行程序复算，给验证结果带来很大困难。而且，需要增加随机数发生器和电路联系等附加设备，费用昂贵。因此，该方法也不适合在计算机上使用。
2.伪随机数
1). 伪随机数
在计算机上产生随机数最实用、最常见的方法是数学方法，即用如下递推公式：
产生随机数序列。对于给定的初始值ξ1,ξ2…，ξk ，确定ξn +k ，ｎ=1，2，…。经常使用的是k =1的情况，其递推公式为：
对于给定的初始值ξ1，确定ξn +1，ｎ=１,２…
2). 伪随机数存在的两个问题
用数学方法产生的随机数，存在两个问题：
a). 递推公式和初始值ξ1,ξ2…，ξk 确定后，整个随机数序列便被唯一确定。不满足随机数相互独立的要求。
b). 由于随机数序列是由递推公式确定的，而在计算机上所能表示的[0，1]上的数又是有限的，因此，这种方法产生的随机数序列就不可能不出现无限重复。一旦出现这样的n ＇，n ″ (n ＇< n ″ )，使得下面等式成立：
随机数序列便出现了周期性的循环现象。对于k =1的情况，只要有一个随机数重复，其后面的随机数全部重复，这与随机数的要求是不相符的。
由于这两个问题的存在，常称用数学方法产生的随机数为伪随机数。对于以上存在的两个问题，作如下具体分析。
关于第一个问题，不能从本质上加以改变，但只要递推公式选得比较好，随机数间的相互独立性是可以近似满足的。至于第二个问题，则不是本质的。因为用蒙特卡罗方法解任何具体问题时，所使用的随机数的个数总是有限的，只要所用随机数的个数不超过伪随机数序列出现循环现象时的长度就可以了。
用数学方法产生的伪随机数容易在计算机上得到，可以进行复算，而且不受计算机型号的限制。因此，这种方法虽然存在着一些问题，但仍然被广泛地在计算机上使用，是在计算机上产生伪随机数的主要方法。
3).
伪随机数的周期和最大容量 m
m ---?++?+?=2222211εεεξ ,2,1),,,,(11==-+++n T k n n n k n ξξξξ)(n k n T ξξ=+k
i i n i n ,,2,1 ==+''+'ξξ
发生周期性循环现象的伪随机数的个数称为伪随机数的周期。对于前面介绍的情况，伪随机数的周期为n ″－n ＇。
从伪随机数序列的初始值开始，到出现循环现象为止，所产生的伪随机数的个数称为伪随机数的最大容量。前面的例子中，伪随机数的最大容量为n ″ 。
3.产生伪随机数的乘同余方法
乘同余方法是由Lehmer 在1951年提出来的，它的一般形式是：对于任一初始值x 1，伪随机数序列由下面递推公式确定：
其中a 为常数。
1). 乘同余方法的最大容量的上界
对于任意正整数M ，根据数论中的标准分解定理，总可以分解成如下形式：
其中P 0=2，P 1，… Pr 表示不同的奇素数，α0表示非负整数，α1，…，αr 表示正整数。a 无论取什么值，乘同余方法的最大容量的上界为：
的最小公倍数。其中：
2).关于a 与x 1的取值
如果a 与x 1满足如下条件：
对于 ，
x 1与M 互素，则乘同余方法产生的伪随机数序列的最大容量达到最大可能值λ(M )。
3). 乘同余方法在计算机上的使用
为了便于在计算机上使用，通常取 ：Ｍ=2s
其中s 为计算机中二进制数的最大可能有效位数
x 1= 奇数
a = 52k+1
其中k 为使52k+1在计算机上所能容纳的最大整数，即a 为计算机上所能容纳的5的最大奇次幂。一般地，s =32时，a =513；s =48，a =515等。伪随机数序列的最大容量λ(M )=2s-2 。 乘同余方法是使用的最多、最广的方法，在计算机上被广泛地使用。
4.
产生伪随机数的乘加同余方法 )
(mod ,1M x a x i i ?=+ ,2,1,11==++i M x i i ξr r
P P P M ααα 1010=)}
()(),({)(1010r r P P P M αααλλλλ =?????>===-22
2101)(0200000ααααλαα当当或当P r
i P P P i i i i i ,,2,1),1()(11 =-?=--ααλ?????>===2)8(mod 532)4(mod 31)2(mod 1000ααα当或当当a )(0i i P n αλ<<)
(mod 1i i n P a α≠
产生伪随机数的乘加同余方法是由Rotenberg 于1960年提出来的，由于这个方法有很多优点，已成为仅次于乘同余方法产生伪随机数的另一主要方法。
乘加同余方法的一般形式是，对任意初始值x 1，伪随机数序列由下面递推公式确定：
其中a 和c 为常数。
1). 乘加同余方法的最大容量
关于乘加同余方法的最大容量问题，有如下结论：如果对于正整数M 的所有素数因子P ，下式均成立：
当M 为4的倍数时，还有下式成立：
c 与M 互素，则乘加同余方法所产生的伪随机数序列的最大容量达到最大可能值M 。
2). M ，x 1，a ，c 的取值
为了便于在计算机上使用，通常取
M = 2s
其中s 为计算机中二进制数的最大可能有效位数。
a = 2
b + 1 (b ≥2)
c = 1
这样在计算中可以使用移位和指令加法，提高计算速度。
5. 蒙特卡洛方法
蒙特卡洛方法（Monte Carlo method ），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。
20世纪40年代，在John von Neumann ，Stanislaw Ulam 和Nicholas Metropolis 在洛斯阿拉莫斯国家实验室为核武器计划工作时，发明了蒙特卡洛方法。因为Ulam 的叔叔经常在蒙特卡洛赌场输钱得名，而蒙特卡洛方法正是以概率为基础的方法。
与它对应的是确定性算法。
蒙特卡洛方法在金融工程学，宏观经济学，生物医学，计算物理学（如粒子输运计算、量子热力学计算、空气动力学计算）等领域应用广泛。
1). 蒙特卡洛方法的基本思想
通常蒙特卡洛方法可以粗略地分成两类：一类是所求解的问题本身具有内在的随机性，借助计算机的运算能力可以直接模拟这种随机的过程。例如在核物理研究中，分析中子在反应堆中的传输过程。中子与原子核作用受到量子力学规律的制约，人们只能知道它们相互作用发生的概率，却无法准确获得中子与原子核作用时的位置以及裂变产生的新中子的行进速率和方向。科学家依据其概率进行随机抽样得到裂变位置、速度和方向，这样模拟大量中子的行为后，经过统计就能获得中子传输的范围，作为反应堆设计的依据。
另一种类型是所求解问题可以转化为某种随机分布的特征数，比如随机事件出现的概率，或者随机变量的期望值。通过随机抽样的方法，以随机事件出现的频率估计其概率，或者以抽样的数字特征估算随机变量的数字特征，并将其作为问题的解。这种方法多用于求解)(mod ,1M c x a x i i +?=+ ,2,1,11==++i M
x i i ξ)(mod 1P a =)4(mod 1=a
复杂的多维积分问题。
假设我们要计算一个不规则图形的面积，那么图形的不规则程度和分析性计算（比如，积分）的复杂程度是成正比的。蒙特卡洛方法基于这样的思想：假想你有一袋豆子，把豆子均匀地朝这个图形上撒，然后数这个图形之中有多少颗豆子，这个豆子的数目就是图形的面积。当你的豆子越小，撒的越多的时候，结果就越精确。借助计算机程序可以生成大量均匀分布坐标点，然后统计出图形内的点数，通过它们占总点数的比例和坐标点生成范围的面积就可以求出图形面积。
2). 蒙特卡洛方法的工作过程
在解决实际问题的时候应用蒙特卡洛方法主要有两部分工作：
1.用蒙特卡洛方法模拟某一过程时，需要产生各种概率分布的随机变量。
2.用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。
3). 蒙特卡洛方法在数学中的应用
通常蒙特卡洛方法通过构造符合一定规则的随机数来解决数学上的各种问题。对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特卡洛方法是一种有效的求出数值解的方法。一般蒙特卡洛方法在数学中最常见的应用就是蒙特卡洛积分。
a).积分
非权重蒙特卡洛积分，也称确定性抽样，是对被积函数变量区间进行随机均匀抽样，然后对被抽样点的函数值求平均，从而可以得到函数积分的近似值。此种方法的正确性是基于概率
论的中心极限定理。当抽样点数为m时，使用此种方法所得近似解的统计误差恒为，不随积分维数的改变而改变。因此当积分维度较高时，蒙特卡洛方法相对于其他数值解法更优。
b). 圆周率
蒙特卡洛方法可用于近似计算圆周率：让计算机每次随机生成两个0到1之间的数，看以这两个实数为横纵坐标的点是否在单位圆内。生成一系列随机点，统计单位圆内的点数与总点数，（圆面积和正方形面积之比为PI:4，PI为圆周率），当随机点取得越多（但即使取10的9次方个随机点时，其结果也仅在前4位与圆周率吻合）时，其结果越接近于圆周率。实际上，计算机产生的随机数只能精确到某位数，并不能产生任意实数（例如无理数等等）；上述做法将平面分割成一个个网格，由此计算出来的面积当然与圆或多或少有差距。
感想总结：通过这一次的学习，使我们对随机数序列有了较深的了解，对于概率论与数理统计这门学科有了更深的感悟，同时通过查找资料进一步训练了自己寻找信息的能力。同时对于大学的学习方法有了更深的体验，对于以后应对大学学习有着莫大的帮助。
参考文献
1.范玉妹汪飞星王萍李娜编《概率论与数理统计》机械工业出版社2011
2.莫勒、喻文健《MATLAB数值计算》机械工业出版社2006
3.罗斯(Sheldon M.Ross)、郑忠国、詹从赞《概率论基础教程(第8版)》人民邮电
出版社2010
4.威廉·费勒、胡迪鹤《概率论及其应用(第3版)》人民邮电出版社2006
5.维基百科
课程设计任务书 学生姓名：专业班级： 指导教师：工作单位：信息工程学院 题目：伪随机序列的产生及应用设计 初始条件： 具备通信课程的理论知识；具备模拟与数字电路基本电路的设计能力；掌握通信电路的设计知识，掌握通信电路的基本调试方法；自选相关电子器件；可以使用实验室仪器调试。 要求完成的主要任务：（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求）1、设计伪随机码电路：产生八位伪随机序列（如M序列、Gold 序列等）； 2、了解D/A的工作原理及使用方法，将伪随机序列输入D/A中（如 DAC0808），观察其模拟信号的特性； 3、分析信号源的特点，使用EWB软件进行仿真； 4、进行系统仿真，调试并完成符合要求的课程设计说明书。 时间安排： 二十二周一周，其中3天硬件设计，2天硬件调试 指导教师签名：年月日 系主任（或责任教师）签名：年月日
目录 摘要................................................................................................................................ I 1理论基础知识 (1) 1.1伪随机序列 (1) 1.1.1伪随机序列定义及应用 (1) 1.1.2 m序列产生器 (2) 1.2芯片介绍 (4) 1.2.1移位寄存器74LS194. (4) 1.2.2移位寄存器74LS164 (5) 1.2.3 D/A转换器DAC0808 (6) 2 EWB软件介绍 (8) 3设计方案 (9) 4 EWB仿真 (11) 5电路的安装焊接与调试 (13) 6课程设计心得体会 (14) 参考文献 (15) 附录1 (16)
M序列发生器 M序列是最常用的一种伪随机序列，是一种线性反馈移位寄存器序列的简称。带线性反馈逻辑的移位寄存器设定各级寄存器的初试状态后，在时钟的触发下，每次移位后各级寄存器状态都会发生变化。其中一级寄存器（通常为末级）的输出，随着移位寄存器时钟节拍的推移会产生下一个序列，称为移位寄存器序列。他是一种周期序列，周期与移位寄存器的级数和反馈逻辑有关。 以4级移位寄存器为例，线性反馈结构如下图： 4级以为寄存器反馈图 其中a4=a1+a0
信号a4:a0禁止出现全0，否则将会出现全0，序列不变化。实验仿真 Code： library IEEE; use IEEE.STD_LOGIC_1164.ALL; -- Uncomment the following library declaration if using -- arithmetic functions with Signed or Unsigned values --use IEEE.NUMERIC_STD.ALL; -- Uncomment the following library declaration if instantiating -- any Xilinx primitives in this code. --library UNISIM; --use UNISIM.VComponents.all; entity random_4 is Port ( clk : in STD_LOGIC; reset : in STD_LOGIC;
din : in STD_LOGIC_VECTOR (3 downto 0); dout : out STD_LOGIC_VECTOR (3 downto 0); load : in STD_LOGIC); end random_4; architecture Behavioral of random_4 is signal rfsr :std_logic_vector(3 downto 0); --signal temp:std_logic; begin process(clk,reset,load,din) begin if (reset ='1') then rfsr <=(others =>'0'); elsif (clk' event and clk='1') then if(load ='1') then ----load =1 rfsr<= din; else rfsr(3) <= rfsr(0) xor rfsr(1); rfsr(2 downto 0) <= rfsr(3 downto 1); end if; end if; end process; ------signal rename----
基于MATLAB 的伪随机序列的产生 及相关特性的仿真 一、相关概念: 平稳随机过程的各态历经性, 随机信号的频谱特性, 自相关函数, 互相关函数 二、工程背景与理论基础 根据香农的理论，在高斯白噪声干扰情况下，在平均功率受限的信道上，实现有效和可靠通信的最佳信号是具有白噪声统计特性的信号。扩频通信正是由此而来的，在扩频通信最大的优点就是具有强大的抗噪声性能，使有用信号几乎可以淹没在噪声传播。 故扩频通信对扩频序列一般有如下要求： （1）尖锐的自相关特性 （2）尽可能小的互相关值 （3）足够多的序列数，具有良好的伪随机性 （4）序列均衡性好，0、1等概 （5）工程上易于实现 伪随机序列具有以上所以有点，故在CDMA 扩频通信系统中，伪随机序列被作为扩频码之一。下面在理论上阐述下伪随机序列（即m 序列）的产生原理及其所具有的相关数学性质。然后在用MATLAB 语言实现m 序列的产生，并就其相关特性进行仿真，仿真结果结果表明该方法是可行的。 1、 m 序列简单介绍 m 序列是最长线性反馈移位寄存器序列的简称，是由带线性反馈的移位寄存器的周期最长的序列。它是周期为r N=2-1的伪随机序列，r 是移位寄存器的阶数。 下面是IS-95CDMA 系统中I 信道引导PN 序列的生成多项式和线性反馈移位寄存器的框图。 I 支路生成表达式：15139875()1I P x x x x x x x =++++++ 123456789101112131415 输出 图1-1 I 路信号产生器 m 序列具有以下基本性质： （1）均衡性：在m 序列的一个周期中，“1”的个数之比“0”的个数多一个。这表明序列平均性很好，即“1”和“0”几乎就是随机出现的，具有较好的随机性。 （2）具有尖锐的自相关特性，相互不同码字之间几乎是完成正交的。 周期函数的自相关函数定义为：/2/201R()()()T s s T T s t s t dt ττ-=+?，式中0T 是s()t 的周期。
m-M 文档 1 相关概念 随机序列：可以预先确定又不能重复实现的序列 伪随机序列：具有随机特性，貌似随机序列的确定序列。 n 级线性移位寄存器，能产生的最大可能周期是21n p =-的序列,这样的序列称为m 序列。 n 级非线性移位寄存器，能产生的最大周期是2n 的序列，这样的序列称为M 序列。 图1线性移位寄存器 线性移位寄存器递推公式 11221101 n n n n n n i n i i a c a c a c a c a c a ----==++++= ∑ 线性移位寄存器的特征方程式 010 ()n n i n i i f x c c x c x c x ==+++= ∑ ,ci 取值为0或1 定义 若一个n 次多项式f (x )满足下列条件： (1) f (x )为既约多项式(即不能分解因式的多项式)； (2) f (x )可整除(x p +1), p =2n -1; (3) f (x )除不尽(x q +1), q
由抽象代数理论可以证明，若α是n 次本原多项式()f x 的根，则集合2 2 {0,1,}n F α-= 可 构成一个有限的扩域(2)n G F 。F 中的任一元素都可表示为1110n n a a a αα--+++ ，这样n 个分量的有序序列110(,,,)n a a a - 就可表示F 中的任一元素。 若既约多项式()f x 的根能够形成扩域(2)n G F ，则该多项式是本原多项式，否则不是本原多项式。 2.2 二元域(2)GF 上的本原多项式算法实现 (2)GF 上n 次多项式的通式为 1 2 1210()...n n n n n f x x a x a x a x a ----=++++，系数是二元域上的元素（0,1） 既约多项式既不能整除,1x x +，0和1不可能是()f x 的根，即0a =1, ()f x 的项数一定为奇数。 另外，一个既约多项式是否能形成(2)n G F ，从而判断它是否为本原多项式。N 次多项式的扩域，其中，120,1,,,n ααα 一定在扩域中，需要判断的是12 2 ,n n αα+- 是否也在扩域 中，从而形成全部扩域(2)n G F ，若在，则该n 次既约多项式是本原多项式，否则不是。 （1）给定二元多项式 1 2 1210()...n n n n n f x x a x a x a x a ----=++++，01a = 设α是f(x)扩域中的一个元素，且f(α)=0则有： n n-1 n-11=a ++a +1αα α （1） （2）从n α开始，计算α的连续幂。在计算过程中，当遇到α的幂次为n 时，将（1）代入，一直计算到n 2 -2 α （形成GF （2n ）），再计算n 2 -1 α 。若n 2-1 α =1，则证明()f x 能被n 21 x 1-+整 除，而不能整除1q x +（21n q <-），判定为本原多项式。在计算α的连续幂过程中，若 q x =1（21n q <-），则证明()f x 能被1q x +整除，判定为非本原多项式，停止计算。 在计算机实现时，n 个分量的有序序列110(,,)n a αα- 与α的任一连续幂有着一一对应的 关系，可以用有序序列110(,,)n a αα- 来表示α的任一连续幂。q α用110(,,)q q q n a αα- 来
摘要 摘要 本文着重讨论了随机数生成方法、随机数生成法比较以及检验生成的随机序列的随机性的方法。 在随机序列生成方面，本文讨论了平方取中法、斐波那契法、滞后斐波那契法、移位法、线性同余法、非线性同余法、取小数法等，并比较了各方法的优劣性。 在统计检验方面，介绍了统计检验的方法，并用其检验几种随机数生成器生成的随机数的随机性。 最后介绍了两种新的随机数生成法，并统计检验了生成随机序列的随机性。关键词：随机数，随机数生成法，统计检验 I
ABSTRACT ABSTRACT This article focuses on methods of random number generator, random number generation method comparison and test the randomness of the generated random sequence method. In random sequence generation, the article discusses the square method, Fibonacci method, lagged Fibonacci method, the shift method, linear congruential method, linear congruence method, taking minority law, and Comparison of advantages and disadvantages of each method. In statistical test, the introduction of the statistical test method, and used to test some random number generator random random numbers generated. Finally, two new random number generation method, and statistical tests of randomness to generate a random sequence. Key Words: random number，random number generator，statistical test II
C语言中产生随机数的方法 引例：产生10个[100-200]区间内的随机整数。 #include
第28卷第7期电子与信息学报V ol.28No.7 2006年7月 Journal of Electronics & Information Technology Jul.2006 一种新的混沌伪随机序列生成方式 罗启彬 张 健 (中国工程物理研究院电子工程研究所绵阳 621900) 摘要利用构造的Hybrid混沌映射，通过周期性改变混沌迭代初值来产生混沌伪随机序列。理论和统计分析可知，该混沌序列的各项特性均满足伪随机序列的要求，产生方法简单，具有较高的安全性和保密性，是一类很有应用前景的伪随机加密序列。 关键词混沌序列, 加密, Lyapunov指数，自相关 中图分类号：TN918 文献标识码：A 文章编号：1009-5896(2006)07-1262-04 A New Approach to Generate Chaotic Pseudo-random Sequence Luo Qi-bin Zhang Jian (Institute of Electronic Engineering, CAEP, Mianyang 621900，China) Abstract This paper proposes hybrid mapping to generate chaotic sequence, by altering initial value periodically. The results show that the properties of the hybrid chaotic sequence are good，and the sequence generator can be easily realized. It is a class of promising pseudo-random sequence in practical applications. Key words Chaotic sequence, Encryption, Lyapunov exponent, Auto-correlation 1 引言 混沌序列是一种性能优良的伪随机序列，其来源丰富，生成方法简单。通过映射函数、生成规则以及初始条件便能确定一个几乎无法破译的加密序列。因此，混沌加密受到越来越多的关注，近年来被广泛应用于保密通信领域[1-4]。 将混沌理论应用于流密码是1989年由Matthews[5]最先提出。迄今为止，利用混沌映射产生随机序列的理论研究很多。但是，混沌序列发生器总是用有限精度来实现，其特性由于有限精度效应会与理论结果大相径庭。因此，有限精度效应是混沌序列从理论走向应用的主要障碍。文献[6]用m 序列与产生的混沌序列“异或”来克服有限精度的影响，但由于微扰是随机的，不易产生，而且系统分布以及相关性能取决于附加的m序列而不是混沌系统本身。文献[7]通过构造变参数复合混沌系统来实现有限精度混沌系统。本文利用构造的分段非线性Hybrid映射，通过周期性地改变混沌迭代初值的办法来产生混沌序列，克服了序列有限精度效应的影响。计算机数值实验表明所产生的混沌序列的各项特性均较好，产生方法简单，具有较高的安全性，是一类很有应用前景的伪随机加密序列。 本文第2节给出了混沌随机序列发生器的产生过程，在此基础上讨论了混沌系统的扰动问题；第4节通过计算机仿真来验证所产生的混沌伪随机序列的性质；最后是结论。 2004-11-22收到，2005-08-08改回 中国工程物理研究院科学技术基金面上资助课题(20050429) 2 序列产生 由于Logistic映射和Tent映射的复杂度都不高，由此产生的混沌加密序列的安全性能都不是非常理想。本文把两者相结合，构造出一种新的混沌迭代映射——Hybrid映射： 2 1 1 2 (1)10 =()= 1, 0<1 k k k k k k b u x x x f x u x x + ???<≤ ? ? ?< ?? , (1) 该映射不但继承了Logistic映射和Tent映射容易产生的特点，而且还能增加混沌系统的安全性。 当初值x0=0.82，u1=1.8，u2=2.0，b=0.85时，此映射处于混沌态，产生的混沌序列如图1所示，其中横轴是迭代次数k，纵轴是经不断迭代得到的混沌状态空间变量x(k)。图1(a)为初值等于0.82的Hybrid混沌映射时序图，图1(b)为Hybrid映射对迭代初值高度敏感性的示意图(初值相差10-15)。 图1 (a) Hybrid mapping 的随机特性 (b) Hybrid mapping 对初值的敏感特性 Fig.1 (a) Randomicity of Hybrid mapping (b) Sensitivity of Hybrid mapping 把生成的实值混沌随机序列{x k}转化为二进制随机序列{S k}，按如下方法实施：
求教:我的电子表格中rand()函数的取值范围是-1到1,如何改回1到0 回答：有两种修改办法： 是[1－rand()]/2， 或[1＋rand()]/2。 效果是一样的，都可生成0到1之间的随机数 电子表格中RAND()函数的取值范围是0到1，公式如下： =RAND() 如果取值范围是1到2，公式如下： =RAND()*(2-1)+1 RAND( ) 注解： 若要生成a 与b 之间的随机实数： =RAND()*(b-a)+a 如果要使用函数RAND 生成一随机数，并且使之不随单元格计算而改变，可以在编辑栏中输入“=RAND()”，保持编辑状态，然后按F9，将公式永久性地改为随机数。 示例 RAND() 介于0 到1 之间的一个随机数（变量） =RAND()*100 大于等于0 但小于100 的一个随机数（变量） excel产生60-70随机数公式 =RAND()*10+60 要取整可以用=int(RAND()*10+60) 我想用excel在B1单元个里创建一个50-80的随机数且这个随机数要大于A1单元个里的数值，请教大家如何编写公式！ 整数：=ROUND(RAND()*(80-MAX(50,A1+1))+MAX(50,A1+1),0) 无需取整数：=RAND()*(80-MAX(50,A1))+MAX(50,A1)
要求: 1,小数保留0.1 2,1000-1100范围 3,不要出现重复 =LEFT(RAND()*100+1000,6) 至于不许重复 你可以设置数据有效性 在数据-有效性设 =countif(a:a,a1)=1 选中a列设有效性就好了 其他列耶可以 急求excel随机生成数字的公式，取值要在38.90-44.03之间，不允许重复出现，保留两位小数，不允许变藏 =round(RAND()*5+38.9,2) 公式下拉 Excel随机数 Excel具有强大的函数功能，使用Excel函数，可以轻松在Excel表格产生一系列随机数。 1、产生一个小于100的两位数的整数，输入公式=ROUNDUP(RAND()*100,0)。 RAND()这是一个随机函数，它的返回值是一个大于0且小于1的随机小数。ROUNDUP 函数是向上舍入数字，公式的意义就是将小数向上舍入到最接近的整数，再扩大100倍。 2、产生一个四位数N到M的随机数，输入公式=INT(RAND()*(M-N+1))+N。 这个公式中，INT函数是将数值向下取整为最接近的整数；因为四位数的随机数就是指从1000到9999之间的任一随机数，所以M为9999，N为1000。RAND()的值是一个大于0且小于1的随机小数，M-N+1是9000，乘以这个数就是将RAND()的值对其放大，用INT 函数取整后，再加上1000就可以得到这个范围内的随机数。[公式=INT(RAND()*(9999-1000+1))+1000] 3、Excel函数RANDBETWEEN是返回位于两个指定数之间的一个随机数。使用这一个函数来完成上面的问题就更为简单了。要使用这个函数，可能出现函数不可用，并返回错误值#NAME?。 选择"工具"菜单，单击"加载宏"，在"可用加载宏"列表中，勾选"分析工具库"，再单击"确定"。接下来系统将会安装并加载，可能会弹出提示需要安装源，也就是office安装盘。放入光盘，点击"确定"，完成安装。 现在可以在单元格输入公式=RANDBETWEEN(1000,9999)。 最后，你可以将公式复制到所有需要产生随机数的单元格，每一次打开工作表，数据都会自动随机更新。在打开的工作表，也可以执行功能键F9，每按下一次，数据就会自动随机更新了。
University of Sydney School of Information Technologies Generating Random Variables Pseudo-Random Numbers Definition : A sequence of pseudo-random numbers ()i U is a deterministic sequence of numbers in []1,0 having the same relevant statistical properties as a sequence of random numbers. The most widely used method of generating pseudo-random numbers are the congruential generators: ()M X U M c aX X i i i i =+=?mod 1 for a multiplier a , shift c , and modulus M , all integers. The sequence is clearly periodic, with maximum period M . The values of a and c must be carefully chosen to maximise the period of the generator, and to ensure that the generator has good statistical properties. Some examples: M a c 259 1313 0 232 69069 1 231-1 630360016 0 232 2147001325 715136305 Reference: Ripley, Stochastic Simulation , Chapter 2
伪随机序列发生器 一、实验目的： 理解伪随机序列发生器的工作原理以及实现方法，掌握MATLAB\DSP BUILDER设计的基本步骤和方法。 二、实验条件： 1. 安装WindowsXP系统的PC机； 2. 安装QuartusII6.0 EDA软件； 的序列发生器，并通 ⒈ ⒉ ⒊⒋⒌⒍⒎⒏ ⒐ ⒑ ⒒⒓⒔⒕⒖⒗ 四、实验原理： 对于数字信号传输系统，传送的数字基带信号(一般是一个数字序列)，由于载有信息，在时间上往往是不平均的(比如数字化的语音信号)，对应的数字序列编码的特性，不利于数字信号的传输。对此，可以通过对数字基带信号预先进行“随机化”(加扰)处理，使得信号频谱在通带内平均化，改善数字信号的传输；然后在接受端进行解扰操作，恢复到原来的信号。伪随机序列广泛应用与这类加扰与解扰操作中。我们下面用DSP BUILDER来构建一中伪随机序列发生器——m序列发生器，这是一种很常见的伪随机序列发生器，可以由线性反馈器件来产生，如下图：
其特征多项式为： ()∑==n i i i x C x F 0 注：其中的乘法和加法运算都是模二运算，即逻辑与和逻辑或。 可以证明，对于一个n 次多项式，与其对应的随机序列的周期为。 12?n 接下来我们以为例，利用DSP BUILDER 构建这样一个伪随机序列发生器。 125++x x 开Simulink 浏览器。 Simulink 我们可以看到在Simulink 工作库中所安装的Altera DSP Builder 库。 2. 点击Simulink 的菜单File\New\Model 菜单项，新建一个空的模型文件。
一维正态分布随机数序列的产生方法 一、文献综述 1.随机数的定义及产生方法 1).随机数的定义及性质 在连续型随机变量的分布中，最简单而且最基本的分布是单位均匀分布。由该分布抽取的简单子样称，随机数序列，其中每一个体称为随机数。 单位均匀分布也称为［0，1］上的均匀分布。 由于随机数在蒙特卡罗方法中占有极其重要的位置，我们用专门的符号ξ表示。由随机数序列的定义可知，ξ1，ξ2，…是相互独立且具有相同单位均匀分布的随机数序列。也就是说，独立性、均匀性是随机数必备的两个特点。 随机数具有非常重要的性质：对于任意自然数s，由s个随机数组成的 s维空间上的点（ξn+1，ξn+2，…ξn+s）在s维空间的单位立方体Gs上 均匀分布，即对任意的ai，如下等式成立： 其中P(·)表示事件·发生的概率。反之，如果随机变量序列ξ1, ξ2…对于任意自然数s，由s个元素所组成的s维空间上的点（ξn+1，…ξn+s）在Gs上均匀分布，则它们是随机数序列。 由于随机数在蒙特卡罗方法中所处的特殊地位，它们虽然也属于由具有已知分布的总体中产生简单子样的问题，但就产生方法而言，却有着本质上的差别。 2).随机数表 为了产生随机数，可以使用随机数表。随机数表是由0，1，…，9十个数字组成，每个数字以0.1的等概率出现，数字之间相互独立。这些数字序列叫作随机数字序列。如果要得到n位有效数字的随机数，只需将表中每n 个相邻的随机数字合并在一起，且在最高位的前边加上小数点即可。例如，某随机数表的第一行数字为7634258910…，要想得到三位有效数字的随机数依次为0.763，0.425，0.891。因为随机数表需在计算机中占有很大内存， 而且也难以满足蒙特卡罗方法对随机数需要量非常大的要求，因此，该方法不适于在计算机上使用。 3).物理方法
ATmega1 28单片机的真随机数发生矗时间：2009-12-16 15:39:00 来源：单片机与嵌入式系统作者：刘晓旭,曹林,董秀成西华大学 ATmega1 28单片机的真随机数发生矗时间：2009-12-16 15:39:00 来源：单片机与嵌入式系统作者：刘晓旭,曹林,董秀成西华大学 引言 随机数已广泛地应用于仿真、抽样、数值分析、计算机程序设计、决策、美学和娱乐之中。常见的随机数发生器有两种：使用数学算法的伪随机数发生器和以物理随机量作为发生源的真随机数发生器。要获取真正随机的真随机数，常使用硬件随机数发生器的方法来获取。这些真随机数都是使基于特定的真随机数发生源(如热噪声、电流噪声等)，每次获取的真随机数都是不可测的，具有很好的随机性。 真随机数因其随机性强，在数据加密、信息辅助、智能决策和初始化向量方面有着广泛应用，构建一种基于硬件真随机数发生源，具有广泛的应用价值。但目前硬件真随机数发生源均较复杂，而且很少有基于单片机的真随机数发生器。本文利用RC充放电的低稳定度，根据AVR单片机的特点设计了一种性价比极高的真随机数发生器。该随机数发生器使用元件很少，稳定性高，对一些价格敏感的特殊场合，如金融、通信、娱乐设备等有较大的应用意义。 1 基本原理和方法 1．1 基本原理 串联的RC充放电电路由于受到漏电流、电阻热噪声、电阻过剩噪声、电容极化噪声等诸多不确定性因素的影响，其充放电稳定度一般只能达到10－3。利用这种RC充放电的低稳定度特性实现廉价的真随机数发生源。 Atmel公司AVR单片机ATmega 128以其速度快、功能强、性价比高等优点广泛应用于各种嵌入式计算场合。利用AVR单片机引脚配置灵活多样的特点，使用Amnega128 两个I／O口作为真随机数的电气接口。 其原理如图1所示。主要原理是利用串联RC电路的不确定性产生真随机数源，收集数据，通过AVR单片机ATmega128和主时钟电路量化RC电路的充放电时问，获得不确定的2位二进制数据，再利用程序将每4次采集的数据综合，最后产生1个8位的真随机数。
目录 伪随机序列 (2) 1 基本原理 (2) 1.1 背景 (2) 1.2 实现原理 (2) 2 实现方式 (3) 3 FPGA的实现 (5) 3.1 设计思路 (5) 3.2 代码实现分析 (5) 3.2.1斐波那契方式 (5) 3.2.2伽罗瓦方式 (9) 4 总结 (12)
伪随机序列 1 基本原理 1.1 背景 随着通信技术的发展，在某些情况下，为了实现最有效的通信应采用具有白噪声统计特性的信号；为了实现高可靠的保密通信，也希望利用随机噪声；另外在测试领域，大量的需要使用随机噪声来作为检测系统性能的测试信号。然而，利用随机噪声的最大困难是它难以重复再生和处理。伪随机序列的出现为人们解决了这一难题。伪随机序列具有类似于随机噪声的一些统计特性，同时又便于重复产生和处理，有预先的可确定性和可重复性。由于它的这些优点，在通信、雷达、导航以及密码学等重要的技术领域中伪随机序列获得了广泛的应用。而在近年来的发展中，它的应用范围远远超出了上述的领域，如计算机系统模拟、数字系统中的误码测试、声学和光学测量、数值式跟踪和测距系统等也都有着广阔的使用。 伪随机序列通常由反馈移位寄存器产生，又可分为线性反馈移位寄存器和非线性反馈移位寄存器两类。由线性反馈移位寄存器产生出的周期最长的二进制数字序列称为最大长度线性反馈移位寄存器，即为通常说的m序列，因其理论成熟，实现简单，应用较为广泛。 m序列的特点： （1）每个周期中，“1”码出现2n-1次，“0”码出现2n-1次，即0、1出现概率几乎相等。 （2）序列中连1的数目是n，连0的数目是n-1。 （3）分布无规律，具有与白噪声相似的伪随机特性。 1.2 实现原理 在二进制多级移位寄存器中，若线性反馈移位寄存器（LFSR）有n 阶（即有n级寄存器），则所能产生的最大长度的码序列为2n-1位。如果数字信号直接
伪随机数的产生，现在用得较多的是“线性同余法" 就是下面这个式子 R(n+1) = [R(n) * a + b] mod c 为使随机数分布尽量均匀，a、b 均为质数， c 一般取值域内的最大值(mod 是求余数) 从这个式了可以看出，每次产生的随机数都跟上一次产生的数有关系，那么，第一个数是怎么来的呢？这就是线性同余法中必须用的的”种子"，也就是说，给定某个种子后，所产生的随机数序列是固定的，在计算机编程中，一般使用系统时间来初始化种子，就是前面代码中的 srand((unsigned)time(NULL)); 这一句了。因为每次运行程序的时间肯定不一样，所以产生散列肯定也不一样，从而达到“随机”的目的。 a,b,c 的取值我用的是 a=3373, b=1, c=32768 下面的两个子程序是我在我的项目(S7-200 226)中产生随机的系统编号用的，因为我的编号中只有4位数采用了随机数，所以下面的程序中用的是整型，最大范围为32767。如果需要更宽范围的随机数，可以采用双字类型，并适当修改程序，代码很简单，就是将上面那个表达式用 S7-200 的指令表示出来就行了。 这两个子程序是从 MicroWIN V4.0 中导出来的，可以将它们用文本编辑器保存为 AW L 文件后直接导入 MicroWIN。 使用时在第一个扫描周期调用 Srand 初始种子，需要随机数的地方调用 Random Random 有了个最大范围参数，可以限制生成的随机数的最大范围，比如我只需要4位随机数，所以一般这样调用 CALL Random, 10000, vw0，生成的数就在 0-9999 范围内 下面是代码： SUBROUTINE_BLOCK Srand:SBR17 TITLE=初始化随机数种子 // // 直接使用系统时钟的分秒来作为种子 VAR_OUTPUT seed:WORD; END_VAR
随机数生成器 一、随机数 1.1随机数的概念 数学上是这样定义随机数的：在连续型随机变量的分布中，最简单而且最基本的分布是单位均匀分布。由该分布抽取的简单子样称为随机数序列，其中每一个体称为随机数。单位均匀分布即［0，1］上的均匀分布。由随机数序列的定义可知，ξ1，ξ2，…是相互独立且具有相同单位均匀分布的随机数序列。也就是说，独立性、均匀性是随机数必备的两个特点。 1.2随机数的分类 随机数一般分为伪随机数和真随机数。利用数学算法产生的随机数属于伪随机数。利用物理方法选取自然随机性产生的随机数可以看作真随机数。实用中是使用随机数所组成的序列，根据所产生的方式，随机数序列再可以分为两类： 1．伪随机数序列 伪随机数序列由数学公式计算所产生。实质上，伪随机数并不随机，序列本身也必然会重复，但由于它可以通过不同的设计产生满足不同要求的序列且可以复现（相同的种子数将产生相同的序列），因而得到广泛的应用。由伪随机数发生器所产生的伪随机数序列，只要它的周期足够长并能通过一系列检验，就可以在一定的范围内将它当作真随机数序列来使用。 2．真随机数序列 真随机数序列是不可预计的，因而也不可能出现周期性重复的真正的随机数序列。它只能由随机的物理过程所产生，如电路的热噪声、宇宙噪声、放射性衰变等。 按照不同的分类标准，随机数还可分为均匀随机数和非均匀随机数，例如正态随机数。 1.3随机数的衡量标准 在实际模拟过程中，我们一般只需要产生区间[0,1]上的均匀分布随机数，因为其他分布的随机数都是由均匀分布的随机数转化来的。 实用中的均匀随机数主要通过以下三个方面来衡量其随机性能的高低。 1．周期性 伪随机数序列是由具有周期性的数学公式计算产生，其本身也必然会表现出周期性，即序列中的一段子序列与另一段子序列相同。它的周期必须足够长，才能为应用提供足够多的可用数据。只有真随机数序列才能提供真正的、永不重复的随机数序列。 2．相关性 随机数发生器所产生的一个随机数序列中的各个随机数应该不相关，所产生的各个随机数序列中的随机数也应该不相关。真随机数序列自然地满足这种不相关性。对于伪随机数发生器，应该仔细地设计所用的数学公式，以尽量满足不相关的要求。 3．分布均匀性 包括蒙特卡洛计算在内的大多数应用都要求所采用的随机数序列服从均匀分布，即同一范围内的任一个数出现的概率相同。从均匀分布的随机数序列也很容易导出其它类型分布的
摘要：通过分析各种伪随机序列生成方法，提出了一种基于M 序列的连续抽样方法，可以生成满足自适应光学系统SPGD 控制算法要求的多路、相互独立以及服从伯努利分布的伪随机序列。该方法适合于用FPGA等超大规模集成电路实现，且具有占用硬件资源较少，实现方便等优点。用FPGA 实现了用于61 单元自适应光学系统SPGD 控制算法的伪随机序列，并将此方法应用于基于SPGD 控制算法的自适应光学系统实验中，实验表明，该方法能够满足自适应光学系统SPGD 算法的需求，系统实现成功闭环。 1 引言 随机序列是一组满足特定统计学规律的数据，在信号理论分析中应用非常普遍。由于精确的随机序列生成方法较为复杂，产生的随机序列不具有可重复性等特点，在很多应用场合使用伪随机序列。伪随机序列在扩频通信、信息加密和系统测试等诸多领域中都有着广泛的应用。在自适应光学SPGD 算法中，伪随机序列亦有相当重要的作用。 Vorontsov 等人在1997 年将SPGD 算法引入到自适应光学领域[2]。国内在近几年开始了对 SPGD 算法在自适应光学系统应用的研究，并且在计算机上用软件编程实现了算法，进行了自适应光学的系统实验[3]。自适应光学SPGD 控制算法的研究趋势是使用专用的信号处理硬件电路作为算法的实现平台，以获得更高的迭代速度和更好的收敛效果。Cauwenberghs等人设计了专用的模拟超大规模集成电路实现SPGD 控制算法，并且在一些应用领域进行了实验[5]。目前自适应光学系统的规模普遍达到几十上百单元。针对多单元自适应光学系统SPGD 控制算法的特殊要求，本文提出了一种适合于用FPGA 硬件电路产生满足算法要求的多路伪随机序列的生成方法，完成了FPGA 电路的硬件实现，并将其用于实现61 单元自适应光学SPGD控制算法，同时进行自适应光学的闭环实验。 2 自适应光学 SPGD 控制算法对伪随机序列的要求 SPGD(the Stochastic Parallel Gradient Descent algorithm)算法通过对多路的控制参数加入随机并行的扰动，使用性能指标测量值的变化量与控制参数的变化量进行控制参数的梯度估计，以迭代方式在梯度下降方向上进行控制参数的搜索。在自适应光学SPGD 算法中，控制参数为变形镜的控制电压，随机并行的扰动通过多路伪随机序列模拟。SPGD 算法中随机并行扰动的特性，对伪随机序列也提出了相应的要求[5]： (1) 路数多。路数等于变形镜单元数(即变形镜上驱动单元的数目)。例如在一个61 单元的自适应光学系统中，就需要产生61 路的伪随机序列。 (2) 伪随机序列两两相互独立。相互独立可避免变形镜各驱动单元间的相互耦合。 (3) 伪随机序列符合伯努利分布，两个样本值出现的概率各为0.5。 3 硬件电路实现伪随机序列的传统方法
实验一随机序列的产生及数字特征估计 一、实验目的 1、学习和掌握随机数的产生方法。 2、实现随机序列的数字特征估计。 二、实验原理 1、随机数的产生 随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。进行随机信号仿真分析时，需要模拟产生各种分布的随机数。在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。(0,1)均匀分布随机数是最最基本、最简单的随机数。(0,1)均匀分布指的是在[0,1]区间上的均匀分布，即U(0,1)。实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下： y0=1,y n=ky n?1mod N（1.1） x n=y n N 序列x n为产生的(0,1)均匀分布随机数。 下面给出了（1.1）式的3 组常用参数： ①N = 1010，k = 7，周期≈5*10^7； ②（IBM随机数发生器）N = 2^31，k = 2^16 + 3，周期≈5*10^8；
③（ran0）N = 2^31 - 1，k = 7^5，周期≈2*10^9； 由均匀分布随机数，可以利用反函数构造出任意分布的随机数。 定理1.1 若随机变量X具有连续分布函数F X(X)，而R为(0,1)均匀分布随机变量，则有 X=F X?1(R)（1.2） 由这一定理可知，分布函数为F X(X)的随机数可以由(0,1)均匀分布随机数按（1.2）式进行变换得到。 2、MATLAB 中产生随机序列的函数 （1）(0,1)均匀分布的随机序列 函数：rand 用法：x = rand(m,n) 功能：产生m×n的均匀分布随机数矩阵。 （2）正态分布的随机序列 函数：randn 用法：x = randn(m,n) 功能：产生m×n的标准正态分布随机数矩阵。 如果要产生服从N(μ,σ2)分布的随机序列，则可以由标准正态随机序列产生。（3）其他分布的随机序列 MATLAB 上还提供了其他多种分布的随机数的产生函数，表1.1 列出了部分函数。
2009年03月20日星期五 03:25 P.M. rand(n):生成0到1之间的n阶随机数方阵 rand(m,n):生成0到1之间的m×n 的随机数矩阵 (现成的函数) 另外: Matlab随机数生成函数 betarnd 贝塔分布的随机数生成器 binornd 二项分布的随机数生成器 chi2rnd 卡方分布的随机数生成器 exprnd 指数分布的随机数生成器 frnd f分布的随机数生成器 gamrnd 伽玛分布的随机数生成器 geornd 几何分布的随机数生成器 hygernd 超几何分布的随机数生成器 lognrnd 对数正态分布的随机数生成器 nbinrnd 负二项分布的随机数生成器 ncfrnd 非中心f分布的随机数生成器 nctrnd 非中心t分布的随机数生成器 ncx2rnd 非中心卡方分布的随机数生成器 normrnd 正态（高斯）分布的随机数生成器 poissrnd 泊松分布的随机数生成器 raylrnd 瑞利分布的随机数生成器 trnd 学生氏t分布的随机数生成器 unidrnd 离散均匀分布的随机数生成器 unifrnd 连续均匀分布的随机数生成器 weibrnd 威布尔分布的随机数生成器 (From:https://www.doczj.com/doc/d65863030.html,/question/30033707.html) matlab生成随机数据 matlab本身提供很多的函数来生成各种各样的随机数据： normrnd 可以生成一定均值和标准差的正态分布 gamrnd 可以生成gamma分布的伪随机数矩阵 chi2rnd 可以生成卡方分布的伪随机数矩阵 trnd 可以生成t分布的伪随机数矩阵 frnd 可以生成f分布的伪随机数矩阵 raylrnd 可以生成rayleigh分布的伪随机数矩阵