现代信号处理复习题

1、已知0()2cos(2)a x t f t π=式中0f =100HZ,以采样频率s f =400Hz 对()a x t 进行采样，得到采样信号ˆ()a xt 和时域离散信号()x n ，试完成下面各题： （1）写出()a x t 的傅里叶变换表示式()a X j Ω；（2）写出()a x t 和()x n 的表达式；（3）分别求出()a x t 的傅里叶变换和()x n 的傅里叶变换。

解：（1）000()()2cos()()j t j t a a j t j t j t X j x t e dt t e dt e e e dt ∞∞-Ω-Ω-∞-∞∞Ω-Ω-Ω-∞Ω==Ω=+⎰⎰⎰上式中指数函数和傅里叶变换不存在，引入奇异函数δ函数，它的傅里叶变换可以表示成：00()2[()()]a X j πδδΩ=Ω-Ω+Ω+Ω（2）00ˆ()()()2cos()()()2cos(),a a n n xt x t t nT nT t nT x n nT n δδ∞∞=-∞=-∞=-=Ω-=Ω-∞<<∞∑∑2、用微处理器对实数序列作谱分析，要求谱分辨率50F Hz ≤，信号最高频率1KHz,是确定以下各参数：（1）最小记录时间min p T（2）最大取样时间max T（3）最少采样点数min N（4）在频带宽度不变的情况下将频率分辨率提高一倍的N 值。

解：（1）已知50F Hz ≤min 110.0250p T s F === （2） max 3min max 1110.52210s T ms f f ====⨯ （3） min 30.02400.510p T s N T s-===⨯ （4）频带宽度不变就意味着采样间隔T 不变，应该使记录时间扩大一倍为0.04s 实频率分辩率提高1倍（F 变成原来的12）min 30.04800.510p T s N T s -===⨯ 3、在时域对一有限长的模拟信号以4KHZ 采样，然后对采到的N 个抽样做N 点DFT ，所得离散谱线的间距相当于模拟频率100HZ 。

研究生“现代信号处理”课程大型作业（以下四个题目任选三题做）1. 请用多层感知器（MLP ）神经网络误差反向传播（BP ）算法实现异或问题（输入为[00;01;10;11]X T =，要求可以判别输出为0或1），并画出学习曲线。

其中，非线性函数采用S 型Logistic 函数。

2. 试用奇阶互补法设计两带滤波器组(高、低通互补)，进而实现四带滤波器组；并画出其频响。

滤波器设计参数为：F p ＝1.7KHz , F r ＝2.3KHz , F s ＝8KHz , A rmin ≥70dB 。

3. 根据《现代数字信号处理》（姚天任等，华中理工大学出版社，2001）第四章附录提供的数据(pp.352-353)，试用如下方法估计其功率谱，并画出不同参数情况下的功率谱曲线： 1） Levinson 算法 2） Burg 算法 3） ARMA 模型法 4） MUSIC 算法4. 图1为均衡带限信号所引起失真的横向或格型自适应均衡器(其中横向FIR 系统长M =11), 系统输入是取值为±1的随机序列)(n x ，其均值为零；参考信号)7()(-=n x n d ；信道具有脉冲响应：12(2)[1cos()]1,2,3()20 n n h n Wπ-⎧+=⎪=⎨⎪⎩其它式中W 用来控制信道的幅度失真(W = 2～4, 如取W = 2.9,3.1,3.3,3.5等)，且信道受到均值为零、方差001.02=v σ(相当于信噪比为30dB)的高斯白噪声)(n v 的干扰。

试比较基于下列几种算法的自适应均衡器在不同信道失真、不同噪声干扰下的收敛情况(对应于每一种情况,在同一坐标下画出其学习曲线): 1） 横向/格-梯型结构LMS 算法 2） 横向/格-梯型结构RLS 算法 并分析其结果。

图1 横向或格-梯型自适应均衡器参考文献[1] 姚天任, 孙洪. 现代数字信号处理[M]. 武汉: 华中理工大学出版社, 2001[2] 杨绿溪. 现代数字信号处理[M]. 北京: 科学出版社, 2007[3] S. K. Mitra. 孙洪等译. 数字信号处理——基于计算机的方法(第三版)[M]. 北京: 电子工业出版社, 2006[4] S.Haykin, 郑宝玉等译. 自适应滤波器原理(第四版)[M].北京: 电子工业出版社, 2003[5] J. G. Proakis, C. M. Rader, F. Y. Ling, etc. Algorithms for Statistical Signal Processing [M].Beijing: Tsinghua University Press, 2003一、请用多层感知器（MLP）神经网络误差反向传播（BP）算法实现异或问题（输入为[00;01;10;11]，要求可以判别输出为0或1），并画出学习曲线。

现代数字信号处理习题1.设()u n 是离散时间平稳随机过程，证明其功率谱()w 0S ≥。

证明：将()u n 通过冲激响应为()h n 的LTI 离散时间系统，设其频率响应()w H 为()001,w -w w 0,w -w wH w=?> 输出随机过程()y n 的功率谱为()()()2y S w H w S w =输出随机过程()y n 的平均功率为()()()002011r 022w wy y w w S w dw S w dw πππ+?-?==??当频率宽度w 0→时，上式可表⽰为()()()01r 00y S w w π=?≥由于频率0w 是任意的，所以有()w 0S ≥3、已知：状态⽅程 )()1,()1()1,()(1n n n n x n n F n x ν-Γ+--=观测⽅程)()()()(2n n x n C n z ν+= )()]()([111n Q n n E H =νν )()]()([222n Q n n E H=νν滤波初值 )]0([)|0(0x E x =ξ})]]0([)0()]][0([)0({[)0(H x E x x E x E P --=请简述在此已知条件下卡尔曼滤波算法的递推步骤。

解：步骤1 状态⼀步预测，即1*11)|1(?)1,()|(N n n C n x n n F n x ∈--=--∧ξξ步骤2 由观测信号z(n)计算新息过程，即1*11)|(?)()()|(?)()(M n n C n x n C n z n zn z n ∈-=-=--ξξα步骤3 ⼀步预测误差⾃相关矩阵1,()1()1,()1,(∈-Γ--Γ+---=-步骤4 新息过程⾃相关矩阵MM H C n Q n C n n P n C n A *2)()()1,()()(∈+-= 步骤5 卡尔曼增益MN H C n A n C n n P n K *1)()()1,()(∈-=- 或)()()()(12n Q n C n P n K H-= 步骤6 状态估计1*1)()()|(?)|(?N n n C n n K n x n x∈+=-αξξ步骤7 状态估计⾃相关矩阵 NN C n n P n C n K I n P *)1,()]()([)(∈--= 或)()()()]()()[1,()]()([)(2n K n Q n K n C n K I n n P n C n K I n P HH +---= 步骤8 重复步骤1-7，进⾏递推滤波计算 4、经典谱估计⽅法：直接法：⼜称为周期图法，它把随机序列x(n)的N 个观测数据视为⼀能量有限的序列，直接计算x(n)的离散傅⾥叶变换，得到X(k), 然后再取其幅值的平⽅，并除以N ，作为序列x(n)的真实功率普估计⾃相关法：1949年，Tukey 根据Wiener —Khintchine 定理提出了对有限长数据进⾏谱估计的⾃相关法，即利⽤有限长数据估计⾃相关函数，再对该⾃相关函数球傅⽴叶变换，从⽽得到谱的估计。

精心整理1、已知0()2cos(2)a x t f t π=式中0f =100HZ,以采样频率s f =400Hz 对()a x t 进行采样，得到采样信号ˆ()a xt 和时域离散信号()x n ，试完成下面各题： （1）写出()a x t 的傅里叶变换表示式()a X j Ω； （2）写出()a x t 和()x n 的表达式；（3）分别求出()a x t 的傅里叶变换和()x n 的傅里叶变换。

解：（1）0()()2cos()j t j ta a X j x t e dt t e dt∞∞-Ω-Ω-∞-∞∞Ω==Ω⎰⎰ ()a X j Ω=（2）ˆ((a xt x n 2参数：（1（2（3（4解：（1（2）（3）（4提高138KHZ 采样，对采到的2N 个样点做2N 点DFT 。

问：他的目的能达到吗？ 答：不能，因为他忽略了数字频率和模拟频率的区别。

提高采样频率s f ，N 固然大了，数字频率（单位圆）上的样点数确实增加了，但从模拟频率谱看，样点一点也没有变得密集，这是因为数字频率π2总是对应模拟频率s f 。

采样频率由s f 到2sf 增加一倍，N 也增加一倍，但模拟频率的采样间隔Hz NfN f s s 10022==一点也没有变。

所以，增大采样频率，只能提高数字频率的分辨率222(NN ππ→，不能提高模拟频率的分辨率。

4、在A/D 变换之前和D/A 变换之后都要让信号通过一个低通滤波器，他们分别起什么作用？解：在D A /变换之前让信号通过一个低通滤波器，是为了限制信号的最高频率，使其满足当采样频率一定时，采样频率应大于等于信号最高频率2倍的条件。

此滤波器亦称为“抗折叠”滤波器。

精心整理在A D /变换之后都要让信号通过一个低通滤波器，是为了滤除高频延拓谱，以便把抽样保持的阶梯形输出波平滑化，故又称为“平滑”滤波器。

5、已知10,)1)(1(1)(12<<---=-a az az a z H ，分析其因果性和稳定性。

现代数字信号处理技术复习题一、填空题1、平稳随机信号是指：概率分布不随时间推移而变化的随机信号，也就是说，平稳随机信号的统计特性与起始时间无关，只与时间间隔有关。

判断随机信号是否广义平稳的三个条件是：（1）x(t)的均值为与时间无关的常数：C t m x =)( （C 为常数） ；（2）x(t)的自相关函数与起始时间无关，即：)(),(),(ττx i i x j i x R t t R t t R =+=；（3）信号的瞬时功率有限，即：∞<=)0(x x R D 。

高斯白噪声信号是指：噪声的概率密度函数满足正态分布统计特性，同时其功率谱密度函数是常数的一类噪声信号。

信号的遍历性是指：从随机过程中得到的任一样本函数,好象经历了随机过程的所有可能状态,因此,用一个样本函数的时间平均就可以代替它的集合平均 。

广义遍历信号x(n)的时间均值的定义为： ，其时间自相关函数的定义为： 。

2、连续随机信号f(t)在区间上的能量E 定义为：其功率P 定义为：离散随机信号f(n)在区间上的能量E 定义为：其功率P 定义为：注意:(1)如果信号的能量0<E<∞，则称之为能量有限信号，简称能量信号。

(2)如果信号的功率0<P<∞，则称之为功率有限信号，简称功率信号。

3、因果系统是指：对于线性时不变系统，如果它在任意时刻的输出只取决于现在时刻和过去时刻的输入，而与将来时刻的输入无关，则该系统称为因果系统。

4、对平稳随机信号，其自相关函数为)(τx R ，自协方差函数为)(τx C ， （1）当0→τ时，有：)(τx R =x D ，)(τx C ＝2x σ。

（2）当∞→τ时，有：)(τx R =2x m ，)(τx C ＝0。

5、高斯－马尔可夫随机信号的自相关函数的一般表达式可表示为:||)(τβητ-e R x ＝ 。

6、高斯–马尔可夫信号)(t x 的自相关函数为||410)(ττ-e R x ＝，其均值 0)(=∞=x x R m ，均方值10)0(==x x R D ,方差102==x D σ。

P29采样、频率混叠，画图说明将连续信号转换成离散的数字序列过程就是信号的采样。

它包含了离散和量化两个主要步骤。

若采样间隔Δt 太大，使得平移距离2π/Δt 过小。

移至各采样脉冲函数对应频域序列点上的频谱X(ω)就会有一部分相互重叠，由此造成离散信号的频谱与原信号频谱不一致，这种现象称为混叠。

P33列举时域参数（有量纲和无量纲），说明其意义与作用。

有量纲参数指标包括方根幅值、平均幅值、均方幅值和峰值四种。

无量纲参数指标包括了波形指标、峰值指标、脉冲指标和裕度指标。

偏斜度指标S 表示信号概率密度函数的中心偏离正态分布的程度，反映信号幅值分布相对其均值的不对称性。

峭度指标K 表示信号概率密度函数峰顶的陡峭程度，反映信号波形中的冲击分量的大小。

P37～自相关互相关及作用（举例说明）相关，就是指变量之间的线性联系或相互依赖关系。

信号x (t )的自相关函数：信号中的周期性分量在相应的自相关函数中不会衰减，且保持了原来的周期。

因此，自相关函数可从被噪声干扰的信号中找出周期成分。

在用噪声诊断机器运行状态时，正常机器噪声是由大量、无序、大小近似相等的随机成分叠加的结果，因此正常机器噪声具有较宽而均匀的频谱。

当机器状态异常时，随机噪声中将出现有规则、周期性的信号，其幅度要比正常噪声的幅度大得多。

依靠自相关函数就可在噪声中发现隐藏的周期分量，确定机器的缺陷所在。

（如：自相关分析识别车床变速箱运行状态，确定存在缺陷轴的位置；确定信号周期。

）互相关函数：互相关函数的周期与信号x(t)和y(t)的周期相同，同时保留了两个信号的相位差信息φ。

可在噪音背景下提取有用信息；速度测量；板墙对声音的反射和衰减测量等。

（如：利用互相关分析测定船舶的航速；探测地下水管的破损地点。

P42）P51～蝶形算法FFT 的基本思想是把长度为2的正整数次幂的数据序列｛x k ｝分隔成若干较短的序列作DFT 计算，用以代替原始序列的DFT 计算。

研究生“现代信号处理”课程大型作业（以下四个题目任选三题做）1. 请用多层感知器（MLP ）神经网络误差反向传播（BP ）算法实现异或问题（输入为[00;01;10;11]X T =，要求可以判别输出为0或1），并画出学习曲线。

其中，非线性函数采用S 型Logistic 函数。

2. 试用奇阶互补法设计两带滤波器组(高、低通互补)，进而实现四带滤波器组；并画出其频响。

滤波器设计参数为：F p ＝1.7KHz , F r ＝2.3KHz , F s ＝8KHz , A rmin ≥70dB 。

3. 根据《现代数字信号处理》（姚天任等，华中理工大学出版社，2001）第四章附录提供的数据(pp.352-353)，试用如下方法估计其功率谱，并画出不同参数情况下的功率谱曲线：1） Levinson 算法2） Burg 算法3） ARMA 模型法4） MUSIC 算法4. 图1为均衡带限信号所引起失真的横向或格型自适应均衡器(其中横向FIR 系统长M =11), 系统输入是取值为±1的随机序列)(n x ，其均值为零；参考信号)7()(-=n x n d ；信道具有脉冲响应：12(2)[1cos()]1,2,3()20 n n h n W π-⎧+=⎪=⎨⎪⎩其它式中W 用来控制信道的幅度失真(W = 2～4, 如取W = 2.9,3.1,3.3,3.5等)，且信道受到均值为零、方差001.02=v σ(相当于信噪比为30dB)的高斯白噪声)(n v 的干扰。

试比较基于下列几种算法的自适应均衡器在不同信道失真、不同噪声干扰下的收敛情况(对应于每一种情况,在同一坐标下画出其学习曲线):1） 横向/格-梯型结构LMS 算法2） 横向/格-梯型结构RLS 算法并分析其结果。

图1 横向或格-梯型自适应均衡器参考文献[1] 姚天任, 孙洪. 现代数字信号处理[M]. 武汉: 华中理工大学出版社, 2001[2] 杨绿溪. 现代数字信号处理[M]. 北京: 科学出版社, 2007[3] S. K. Mitra. 孙洪等译. 数字信号处理——基于计算机的方法(第三版)[M]. 北京: 电子工业出版社, 2006[4] S.Haykin, 郑宝玉等译. 自适应滤波器原理(第四版)[M].北京: 电子工业出版社, 2003[5] J. G. Proakis, C. M. Rader, F. Y. Ling, etc. Algorithms for Statistical Signal Processing [M]. Beijing:Tsinghua University Press, 2003。

《现代信号处理》复习提纲及作业复习提纲（2010年6⽉）⼀．多速率信号处理与⼩波变换1．抽取、内插与多相分解的概念、抽取与内插之后频谱的变化情况、抽取与内插所涉及的低通滤波器的作⽤；2．FIR滤波器、IIR滤波器的多相分解表⽰；了解多相滤波器的应⽤；3．⼩波变换的基本概念、理论基础（是建⽴在多速率滤波和多分辨率分析基础上的）和实现⽅法（通过滤波器组实现），与短时傅⾥叶变换的主要区别。

⼆．随机信号谱估计1．平稳随机过程的基本数字特征：均值、⽅差、⾃相关函数的定义及相互关系式；2．平稳随机过程的⾃相关函数与功率谱的关系、⽩噪声过程⾃相关函数与功率谱的特点；3．三种信号模型的的特点、系统函数、时域差分⽅程和谱分解定理）（要求掌握基于信号模型的功率谱计算⽅法）4．⽩噪声过程激励AR模型的输⼊输出关系式（包括相关域和谱域）、AR模型与预测误差滤波器的关系；5．AR模型正则⽅程的获取过程（由时域差分⽅程代⾃相关函数定义式推导）；知道求解AR模型参数的Levinson-Durbin算法、Burg算法，要求掌握Levinson 关系式，Burg算法与Levinson-Durbin算法的⽐较；6．横向型预测误差滤波器和格型预测误差滤波器结构；7．特征分解谱估计及⾼阶统计量要求掌握基本概念。

三．⾃适应滤波1．⾃适应滤波的基本概念、维纳滤波和卡尔曼滤波异同点；2．掌握维纳解的求解⽅法，两种最基本的⾃适应算法（LMS算法、RLS算法）的性能⽐较；3．LMS 算法中失调的概念及产⽣的原因；4．FIR ⾃适应滤波器和IIR ⾃适应滤波器的基本结构；FIR ⾃适应滤波器和IIR ⾃适应滤波器各⾃的优缺点；5．掌握前向预测、后向预测和联合过程估计的基本概念和特点，格型⾃适应滤波器的基本原理和实现⽅法；6．Laguerre 横向滤波器的结构特点；7．⾃适应滤波器的四种主要应⽤四．⼈⼯神经⽹络（ANN ）1．组成⼈⼯神经⽹络的三要素（神经元、⽹络拓扑、学习算法）；⼈⼯神经元模型的结构特点，常⽤的激活函数；2．三种学习规则（误差修正学习、Hebb 学习、竞争学习）；3．信号处理领域常⽤的三种⼈⼯神经⽹络（多层前向神经⽹络、⾃组织神经⽹络、Hopfield 神经⽹络），各⾃的特点及主要应⽤；⼤型作业：（以下4个题⽬任选3题完成）1. 请⽤多层感知器（MLP ）神经⽹络误差反向传播（BP ）算法实现异或问题（输⼊为[00;01;10;11]X T =，要求可以判别输出为0或1），并画出学习曲线。

现代信号处理Assignment题目1：如何设计维纳滤波器，并使得估计误差)(n e 在均方意义下最小。

即设计自适应滤波器使得估计误差)(n e 在最小均方误差（MMSE ）意义下最小，即是求自适应系统满足MMSE 条件下的最佳权值和最小均方误差min ξ。

题目2：考虑如下图权值线性组合器，输入端引入随机信号k r ，其平均功率为20.01k E r ⎡⎤=⎣⎦；假设信号随机抽样相互独立，取16N =。

编程实现：（1） 画出LMS 算法性能曲面等值线，要求等值线权值间隔不超过1，标明坐标值、均方误差值和性能最小点位置及最小均方误差值，分别对应初始权值010,0.100w w μ⎡⎤⎡⎤==⎢⎥⎢⎥⎣⎦⎣⎦和014,0.0510w w μ⎡⎤⎡⎤==⎢⎥⎢⎥-⎣⎦⎣⎦绘出加权值收敛轨迹，迭代次数不小于100次；（2） 计算0.05μ=和0.10μ=时学习曲线的时间常数，绘出学习曲线并在学习曲线中观测时间常数，与理论计算值比较；（3） 计算0.05μ=和0.10μ=时的失调并比较；（4） 分析比较μ的大小对自适应滤波的影响。

要求：写出实验报告：包括原理、方法和结果，并附源代码（加必要的注释）和仿真数据结果。

题目1解：1）根据题图所给的滤波器模型可得误差kNπk 2sin)(ˆ)()(n d n d n e -=其中01ˆ()()(1)d n w u n w u n =⨯+⨯- 令权值01[]T W w w = ，输出1[,]T n n U u u -= 可得U W n d n e T ⨯-=)()(两边同时平方可得：W U n d W UU W n d n e T T T )(2)()(22-+=两边同时取数学期望可以得到均方误差：W U n d E W UU E W n d E n e E T T T ])([2][)]([)]([22-+=令[]T u E UU R = ，[()]T du E d n U R =，可得均方误差W R W R W n d E n e E MSE du T u T 2)]([)]([22-+===ξ可以看出2{()}E e n 是一个二次函数，在定义域内有唯一最小值，所以找到使2{()}E e n 最小值的点，就可以得到由上式可得最小的均方误差。