下载文档原格式
实验十五： MATLAB 的蒙特卡洛仿真一、实验目的1. 了解蒙特卡洛仿真的基本概念。
2. 了解蒙特卡洛仿真的某些应用二．实验内容与步骤1． 蒙特卡洛（Monte Carlo ）仿真的简介随机模拟方法，也称为Monte Carlo 方法，是一种基于“随机数”的计算方法。
这一方法源于美国在第一次世界大战进行的研制原子弹的“曼哈顿计划”。
该计划的主持人之一、数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo 来命名这种方法，为它蒙上了一层神秘色彩。
冯·诺伊曼是公理化方法和计算机体系的领袖人物，Monte Carlo 方法也是他的功劳。
事实上，Monte Carlo 方法的基本思想很早以前就被人们所发现和利用。
早在17世纪，人们就知道用事件发生的“频率”来决定事件的“概率”。
18世纪下半叶的法国学者Buffon 提出用投点试验的方法来确定圆周率π的值。
这个著名的Buffon 试验是Monte Carlo 方法的最早的尝试！历史上曾有几位学者相继做过这样的试验。
不过他们的试验是费时费力的，同时精度不够高，实施起来也很困难。
然而，随着计算机技术的飞速发展，人们不需要具体实施这些试验，而只要在计算机上进行大量的、快速的模拟试验就可以了。
Monte Carlo 方法是现代计算技术的最为杰出的成果之一，它在工程领域的作用是不可比拟的。
蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。
具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。
由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。
蒙特卡洛模拟步骤介绍蒙特卡洛模拟是一种基于概率的仿真方法，通过随机抽样和统计分析来解决复杂问题。
它得名于著名赌城蒙特卡洛，因为在蒙特卡洛赌场中使用了类似的概率方法。
蒙特卡洛模拟广泛应用于众多领域，如金融、物理学、工程学等，用于评估风险、预测结果等。
蒙特卡洛模拟步骤步骤一：定义问题在进行蒙特卡洛模拟之前，需要明确所要解决的问题。
问题应该具体明确，包括问题背景、目标和需要考虑的变量。
步骤二：建立模型在蒙特卡洛模拟中，需要建立一个模型来描述问题。
模型可以是数学模型、统计模型或者计算机模型。
模型应该能够描述问题中的各个变量之间的关系。
步骤三：确定参数分布在蒙特卡洛模拟中，需要确定模型中各个参数的概率分布。
参数分布可以根据实际数据来确定，也可以根据经验或专家知识来确定。
常见的参数分布包括正态分布、均匀分布等。
步骤四：生成随机样本蒙特卡洛模拟的核心是生成符合参数分布的随机样本。
可以使用随机数生成器来生成随机样本，确保样本的分布与参数分布一致。
步骤五：运行模拟在蒙特卡洛模拟中，需要运行模拟多次，以获取足够多的样本。
每次运行模拟时，根据随机样本和模型计算得到一个结果。
多次运行模拟的结果可以用于统计分析，得出问题的解。
步骤六：统计分析在蒙特卡洛模拟的最后，需要对多次模拟的结果进行统计分析。
可以计算均值、方差、置信区间等统计指标，以评估模拟结果的可靠性和稳定性。
步骤七：结果解读根据统计分析得到的结果，可以解读问题的答案。
可以得出问题的预测结果、风险评估等。
同时，还可以通过对结果的敏感性分析，评估不同变量对结果的影响。
蒙特卡洛模拟的应用举例例一：投资组合优化在金融领域，蒙特卡洛模拟可以用于投资组合优化。
通过随机生成不同资产的收益率，可以评估不同的投资组合的风险和收益。
通过多次模拟和统计分析，可以找到最佳的投资组合。
例二：工程设计在工程学中，蒙特卡洛模拟可以用于评估工程设计的可靠性。
通过随机生成不同变量的取值，可以模拟工程设计在不同条件下的性能。
蒙特卡洛仿真案例
想象一下你有一个正方形的大院子，边长为2（单位就先不管啦，就想象这么个正方形），然后在这个正方形里面画一个圆，这个圆的直径刚好和正方形的边长一样，也就是2，那半径就是1咯。
现在呢，我们开始玩一个扔石子的游戏（这就是蒙特卡洛仿真的思路啦，模拟随机事件）。
我们有好多好多的小石子，然后闭上眼睛，在这个正方形院子里随便扔石子。
我们扔了比如说1000颗小石子（这个数字可以更大，越大越准确）。
然后我们就开始数，落在圆里面的石子有多少颗。
为啥要这么做呢？这里面可是有大学问的。
从理论上来说，这个圆的面积是πr²，也就是π×1² = π，正方形的面积呢，是边长的平方，也就是2² = 4。
那圆的面积和正方形面积的比例就是π/4。
在我们扔石子这个随机的过程里，落在圆里的石子数量和总石子数量的比例，就应该近似于圆面积和正方形面积的比例。
假设我们数完了，发现落在圆里的石子有785颗，那按照我们的理论，785/1000就近似等于π/4。
那我们就可以算出π的值啦，π就约等于 (785/1000)×4 = 3.14。
是不是很神奇呢？
这个就是蒙特卡洛仿真在估算圆周率上的一个简单案例，就像是通过随机扔石子这种很简单很有趣的方式，居然能算出圆周率这么复杂的东西呢！。
实验12 检测性能的蒙特卡洛仿真1、实验目的了解蒙特卡洛仿真的基本概念，掌握蒙特卡洛仿真方法在分析检测性能方面的应用，通过蒙特卡洛仿真，对检测性能作出评估，通过和理论比较。
2、实验原理正如(8.1.16)式所指出的那样，最佳检验总可以化简为10()H T H >γ<z （1) 判决的性能为0(|)F T P f t H dt ∞γ=∫ (2) 1(|)D T P f t H dt ∞γ=∫ (3) 要确定检测器的性能，需要确定检验统计量T(z )的概率密度。
如果检验统计比较简单，这是比较容易的；但如果检验统计量T(z )比较复杂，要确定它的概率密度是很难的，在这种情况下可以采用蒙特卡洛仿真方法来分析判决的性能。
蒙特卡洛方法也称为统计试验方法，它是采用统计的抽样理论来近似求解数学问题或物理问题，它即可以求解概率问题，也可以求解非概率问题，蒙特卡洛方法是系统模拟的重要方法。
下面举例说明蒙特卡洛方法的基本思想。
假定要计算下面的积分：10()I f x dx =∫ 其中2()0.5(0.5)f x x =−−，直接积分得到的结果为I=0.417。
下面采用蒙特卡洛方法来求积分I ，设有两个相互独立的随机变量(X,Y)，X 和Y 都在(0,1)区间上服从均匀分布。
将(X,Y)的样本点(x,y)投放到x-y 平面上，如下页图所示，那么(X,Y)落在区域G 的概率为区域G 的面积与正方形的面积之比（正方形面积为1），即 10{(,)}()P X Y G f x dx ∈=∫可见积分的数值计算问题就转化成了一个概率的计算问题，而概率可以用相对频数来近似，相对频数可通过统计试验的方法求得。
具体方法是将M 个随机点(X,Y)均匀地投放到x-y 平面上的正方形区域内，如果有N 个点落在区域G 内，那么相对频数为N/M ，因此，ˆN I M= (4) (8.3.8)式是对积分I 的一个估计，很显然，估计的精度取决于试验次数M ，M 也称为蒙特卡洛仿真次数。
蒙特卡洛仿真方法
蒙特卡洛仿真方法（Monte Carlo simulation）是一种基于统计
学原理的数值计算方法，用于模拟和预测复杂系统或过程的行为表现。
它通过随机抽样和统计分析，利用随机数生成的方法来模拟系统的随机变量，从而得出系统的不确定性和风险。
蒙特卡洛仿真方法的基本原理是通过对系统的随机变量进行多次抽样和模拟，计算出每次模拟中系统的输出结果，然后对这些结果进行统计分析，得到系统的平均值、方差、概率分布等信息。
通过大量的模拟实验，可以在系统的输入和输出之间建立起准确的数学模型，从而可以对系统的未来行为进行预测和分析。
蒙特卡洛仿真方法广泛应用于金融、工程、物理、生物、环境、医学等领域。
在金融领域中，它可以用于模拟股票价格、期权价格、债券收益率等金融资产的变动情况，从而进行风险评估和投资决策；在工程领域中，它可以用于模拟材料的疲劳寿命、结构的可靠性等工程问题；在物理领域中，它可以用于模拟粒子运动、量子力学过程等物理现象。
总之，蒙特卡洛仿真方法是一种基于随机抽样和统计分析的数值计算方法，可以用于模拟复杂系统的行为表现，预测系统的未来行为，并进行风险评估和决策分析。
蒙特卡洛仿真的基本原理
嘿，朋友们！今天咱来唠唠蒙特卡洛仿真的基本原理，这可真是个超级有趣的玩意儿呢！
想象一下哈，你要计划一场超级盛大的派对，可你完全不知道会有多少人来，这时候蒙特卡洛仿真就像是你的派对小助手！比如说，你预估可能有50 到 100 人来参加派对，那你可以通过蒙特卡洛仿真来模拟各种可能的情况。
也许第一次模拟就只有60 人来，下一次可能是80 人，就像抽奖一样，每次结果都不一样，但综合起来你就能大概知道个范围啦。
再打个比方，就像你掷骰子，你不知道每次会掷出几点，但掷的次数多了，你就对各个点数出现的概率有了个大概了解。
蒙特卡洛仿真不就是这样嘛！它不停地进行随机的尝试和模拟。
比如说股票市场，那波动简直就像坐过山车一样刺激，蒙特卡洛仿真可以模拟各种不同的行情变化，帮助投资者做出更好的决策呢！“哎呀，这可太有用了吧！”
在生活中也到处能看到蒙特卡洛仿真的影子哦！比如规划一次旅行，你不知道路上会遇到什么状况，通过它就可以预估不同情况发生的可能性。
难道不是吗？
咱再深入一点说，蒙特卡洛仿真就是利用大量的随机数来模拟各种可能性。
就像在一个大迷宫里，它不断地探索不同的路，最后给你一张地图告诉你怎么走最靠谱。
哇塞，这多神奇啊！
总之呢，蒙特卡洛仿真就是这么个超厉害的工具，它能帮我们在充满不确定性的世界里找到一些方向，是不是超级棒？让我们好好利用它，去探索更多的未知吧！。
蒙特卡洛仿真法
蒙特卡洛仿真法（Monte Carlo Simulation）是一种基于随机抽样的数值计算方法，用于模拟和估计复杂系统或过程的行为和特性。
它通过生成大量随机数，并利用这些随机数对系统进行多次模拟，从而获得系统的统计特征或输出结果。
蒙特卡洛仿真法的基本思想是基于概率分布的采样。
首先，需要确定系统中各个变量或参数的概率分布函数。
然后，通过随机生成符合这些概率分布的样本值，来代表系统在不同情况下的可能状态。
接下来，对每个生成的样本进行计算或模拟，得到相应的输出结果。
通过重复这个过程多次（通常是数千或数万次），可以获得大量的样本结果。
根据这些样本结果，可以计算出系统的统计指标，如均值、标准差、概率分布等，从而对系统的行为进行估计和预测。
蒙特卡洛仿真法的优点包括：
1. 能够处理复杂的系统和不确定性问题；
2. 可以提供系统的统计特征和概率分布信息；
3. 适用于难以通过解析方法求解的问题。
蒙特卡洛仿真法在许多领域都有广泛的应用，如金融工程、风险管理、物理科学、工程设计等。
它可以帮助决策者在不确定性环境下进行风险评估、优化设计和决策制定。
需要注意的是，蒙特卡洛仿真法的准确性和可靠性取决于所选择的概率分布函数、抽样次数以及对结果的统计分析方法。
在实际应用中，需要合理选择和验证这些参数和方法，以确保模拟结果的有效性和可靠性。
qpsk、bpsk的蒙特卡洛仿真是一种用于测试和验证通信系统性能的重要工具。
通过模拟大量的随机输入数据，并对系统进行多次仿真运算，可以对系统的性能进行全面评估，包括误码率、信噪比要求等。
在matlab中，我们可以通过编写相应的仿真代码来实现qpsk、bpsk 的蒙特卡洛仿真。
下面将分别介绍qpsk和bpsk的蒙特卡洛仿真matlab代码。
一、qpsk的蒙特卡洛仿真matlab代码1. 生成随机的qpsk调制信号我们需要生成一组随机的qpsk调制信号，可以使用randi函数生成随机整数序列，然后将其映射到qpsk符号点上。
2. 添加高斯白噪声在信号传输过程中，会受到各种干扰，其中最主要的干扰之一就是高斯白噪声。
我们可以使用randn函数生成高斯白噪声序列，然后与调制信号相加，模拟信号在传输过程中受到的噪声干扰。
3. 解调和判决接收端需要进行解调和判决操作，将接收到的信号重新映射到qpsk符号点上，并判断接收到的符号与发送的符号是否一致，从而判断是否发生误码。
4. 统计误码率通过多次仿真运算，记录错误判决的次数，从而可以计算出系统的误码率。
二、bpsk的蒙特卡洛仿真matlab代码1. 生成随机的bpsk调制信号与qpsk相似，我们需要先生成一组随机的bpsk调制信号，然后模拟信号传输过程中的噪声干扰。
2. 添加高斯白噪声同样使用randn函数生成高斯白噪声序列，与bpsk调制信号相加。
3. 解调和判决接收端对接收到的信号进行解调和判决，判断接收到的符号是否与发送的符号一致。
4. 统计误码率通过多次仿真运算，记录错误判决的次数，计算系统的误码率。
需要注意的是，在编写matlab代码时，要考虑到信号的长度、仿真次数、信噪比的范围等参数的选择，以及仿真结果的统计分析和可视化呈现。
qpsk、bpsk的蒙特卡洛仿真matlab代码可以通过以上步骤实现。
通过对系统性能进行全面评估，可以帮助工程师优化通信系统设计，提高系统的可靠性和稳定性。
实验12 检测性能的蒙特卡洛仿真
1、实验目的
了解蒙特卡洛仿真的基本概念，掌握蒙特卡洛仿真方法在分析检测性能方面的应用，通过蒙特卡洛仿真，对检测性能作出评估，通过和理论比较。
2、实验原理
正如(8.1.16)式所指出的那样，最佳检验总可以化简为
10()
H T H >γ<z （1) 判决的性能为
0(|)F T P f t H dt ∞γ=
∫ (2) 1(|)D T P f t H dt ∞γ
=∫ (3) 要确定检测器的性能，需要确定检验统计量T(z )的概率密度。
如果检验统计比较简单，这是比较容易的；但如果检验统计量T(z )比较复杂，要确定它的概率密度是很难的，在这种情况下可以采用蒙特卡洛仿真方法来分析判决的性能。
蒙特卡洛方法也称为统计试验方法，它是采用统计的抽样理论来近似求解数学问题或物理问题，它即可以求解概率问题，也可以求解非概率问题，蒙特卡洛方法是系统模拟的重要方法。
下面举例说明蒙特卡洛方法的基本思想。
假定要计算下面的积分：
1
0()I f x dx =∫ 其中2
()0.5(0.5)f x x =−−，直接积分得到的结果为I=0.417。
下面采用蒙特卡洛方法来求积分I ，设有两个相互独立的随机变量(X,Y)，X 和Y 都在(0,1)区间上服从均匀分布。
将(X,Y)的样本点(x,y)投放到x-y 平面上，如下页图所示，那么(X,Y)落在区域G 的概率为区域G 的面积与正方形的面积之比（正方形面积为1），即 1
0{(,)}()P X Y G f x dx ∈=∫
可见积分的数值计算问题就转化成了一个概率的计算问题，而概率可以用相对频数来近似，相对频数可通过统计试验的方法求得。
具体方法是将M 个随机点(X,Y)均匀地投放到x-y 平面上的正方形区域内，如果有N 个点落在区域G 内，那么相对频数为N/M ，因此，
ˆN I M
= (4) (8.3.8)式是对积分I 的一个估计，很显然，估计的精度取决于试验次数M ，M 也称为蒙特卡洛仿真次数。
下面给出了用蒙特卡洛方法计算积分I 的MATLAB 程序。
syms x;
y1=int(0.5-(0.5-x).^2,0,1);
zhenshizhi=eval(y1)
N=0;
x1=unifrnd(0,1,1,M);
y1=unifrnd(0,1,1,M);
for i=1:M
if y1(i)<=(0.5-(0.5-x1(i)).^2)
N=N+1;
end
end
fangzhenzhi=N/M
从以上的例子可以看出应用蒙特卡洛仿真的一般步骤：
1 建立合适的概率模型；
2 进行多次重复试验；
3 对重复试验结果进行统计分析（估计相对频数、均值等）、分析精度。
利用蒙特卡洛仿真方法，可以仿真检测器的性能。
假定判决表达式如（1）式所示，(3)式给出了检测概率的表达式，如果用蒙特卡洛仿真方法估计检测概率，则
11ˆ(()M i i P U T M ==−γ∑z
(5)
其中z i 表示第i 次仿真试验所用到的观测矢量。
由于
{}[]1111ˆ[][()]()M M i i D i i E P E U T P T P M M ===−γ=>γ=∑∑z z
可见，ˆP
是无偏的，估计的方差为 {}[]{}[]{}{}
21
2221
21ˆ()[()]1()()1)1()M i i M
i i i D D D D VAR P VAR U T M E U T E U T M P P P P M M ===−γ=−γ−−γ−=−=∑∑z z z （ 如果定义估计的相对误差δ为估计的标准差与检测概率之比，那么，相对误差为
δ==例如，假定P D =0.8，要求相对误差小于5％，那么M ≥100。
但需要注意的是，如果是仿真数值较低的虚警概率，那么仿真次数可能会非常大，例如，P F =10-4，δ<5%，那么要求仿真次数M>4×106。
这个仿真次数是惊人的，不仅仿真时间很长，而且需要的随机数也相当多，仿真中使用如此多的随机数，要保证这些随机数都有很好的品质也是很困难的。
如果虚警概率更低，问题将更加严重，在这种情况下可以采用重要抽样技术，利用重要抽样技术可以用较少的仿真次数仿真很低的虚警概率，有关重要抽样技术在本书不作深入的阐述，读者可以参考相关的文献。
3、实验内容
4、 用Matlab 的imwrite 函数产生如图一所示的四个灰度等级的图像；
5、 在步骤1中产生的图像中加入高斯白噪声；
6、 利用最大似然准则判断被污染象素点原来的灰度值，恢复整幅图像的面貌。
4、实验要求
4、
实验内容由Matlab 语言实现，要求加入噪声，计算灰度距离等功能要由可移植，
交互性好的子函数实现；
5、 窗口大小，噪声强度可以更改，并比较二者对图像恢复效果的影响；
建议编写该实验的Matlab GUI 程序。
