下载文档原格式
在噪声中提取信号的方法引言：在现实生活中，噪声无处不在。
当我们需要从噪声中提取出有用的信号时，就需要借助一些方法和技术来实现。
本文将介绍一些常用的在噪声中提取信号的方法，希望能对读者有所帮助。
一、滤波方法滤波是一种常用的在噪声中提取信号的方法。
它通过选择合适的滤波器来抑制或消除噪声，从而提取出信号。
常用的滤波器包括低通滤波器、高通滤波器、带通滤波器等。
低通滤波器可以通过滤除高频噪声来提取出低频信号，高通滤波器则相反。
带通滤波器可以选择特定频率范围内的信号进行提取。
滤波方法在实际应用中具有较高的灵活性和可调性，可以根据具体情况选择合适的滤波器和参数来实现信号提取。
二、小波变换方法小波变换是一种时频分析方法，可以将信号分解成不同频率的小波分量。
通过对小波分量进行滤波和重构，可以在噪声中提取出目标信号。
小波变换具有较好的时频局部性，适用于非平稳信号的分析和处理。
常用的小波变换方法有离散小波变换(DWT)和连续小波变换(CWT)。
离散小波变换通过多级分解和重构来实现信号的提取，连续小波变换则是对信号进行连续的变换和逆变换。
小波变换方法在信号处理领域有着广泛的应用，可以有效地提取出噪声中的信号。
三、自适应滤波方法自适应滤波是一种根据输入信号的特点自动调整滤波器参数的方法。
它通过对输入信号进行模型建立和参数估计，来实现对噪声的自适应抑制。
自适应滤波方法适用于噪声和信号之间的统计特性不稳定或未知的情况。
常用的自适应滤波方法有最小均方误差滤波(LMS)和递归最小二乘滤波(RLS)。
最小均方误差滤波通过不断调整滤波器系数来最小化预测误差的均方误差，递归最小二乘滤波则是通过递推计算来实现滤波器参数的更新。
自适应滤波方法可以根据信号的特点进行动态调整，提取出噪声中的信号。
四、谱减法方法谱减法是一种基于频域分析的信号提取方法。
它通过计算信号的功率谱密度来抑制噪声，并将剩余的能量作为信号提取出来。
谱减法适用于噪声和信号在频域上有较大差异的情况。
随机信号与噪声分析电子与电气工程是一门涵盖广泛的学科，其中一个重要的领域是随机信号与噪声分析。
在现代科技的发展中，我们经常与各种信号打交道，包括音频信号、图像信号、通信信号等等。
而这些信号中常常包含着噪声，因此了解随机信号与噪声的特性与分析方法对于电子与电气工程师来说至关重要。
首先，我们来了解一下什么是随机信号。
随机信号是指在时间或空间上无规律的信号，其幅度、频率和相位等参数都是随机变量。
与之相对的是确定性信号，它们的参数是确定的，可以用数学公式或函数来描述。
随机信号的特点是不可预测性和不可重复性，因此需要特殊的方法来进行分析。
噪声是随机信号中的一种特殊形式，它是由各种外部或内部因素引起的随机干扰。
噪声存在于各种电子设备和通信系统中，对信号的质量和可靠性有着重要影响。
噪声可以分为各种类型，例如热噪声、量子噪声、亚稳噪声等。
不同类型的噪声有着不同的统计特性和功率谱密度，因此需要采用不同的方法来进行分析和抑制。
在随机信号与噪声分析中，一个重要的工具是概率论与统计学。
概率论提供了描述随机信号与噪声的数学模型，统计学则通过对信号的采样和统计分析来获得信号的特性和参数。
常用的统计指标包括均值、方差、自相关函数、功率谱密度等。
通过对这些指标的分析，我们可以了解信号的平均特性、频谱分布和相关性等信息。
另一个重要的分析方法是频域分析，它通过将信号从时域转换到频域来研究信号的频谱特性。
常用的频域分析方法包括傅里叶变换、功率谱估计、自相关函数等。
傅里叶变换可以将信号从时域表示转换为频域表示，从而揭示信号的频率成分和幅度。
功率谱估计可以通过对信号的频谱进行统计分析来估计信号的功率谱密度，从而了解信号的能量分布和频率特性。
随机信号与噪声分析在电子与电气工程中有着广泛的应用。
在通信系统中，了解信号的功率谱密度和相关性可以帮助设计合适的调制与解调方案，提高系统的传输效率和抗干扰能力。
在图像处理中，对图像信号的噪声分析可以帮助设计合适的去噪算法，提高图像的质量和清晰度。
电路中的随机信号与噪声电路是现代科技的基石，而随机信号与噪声是电路中的常见现象。
随机信号指的是在一定时间内的波形无规律、无周期性的信号，其幅度、频率和相位都是随机变化的。
而噪声是指与所需信号无关的干扰信号，它存在于所有电子系统中，并且会对系统的性能产生负面影响。
一个简单的电路例子可以帮助我们更好地理解随机信号与噪声。
考虑一个具有放大功能的放大器电路，输入信号是期望的信号，而放大器的输出信号则是输入信号加上噪声信号。
这个噪声信号是由电路内部元件的热运动和外部环境的电磁辐射引起的。
人们对于随机信号和噪声的研究主要集中在如何减小其对于电路性能的影响以及如何利用它们提高电路性能这两个方面。
在减小噪声的影响方面，可以采取一系列的方法。
首先是降低电路元件的温度，因为噪声与温度呈正相关关系。
设计良好的布局和接地技术也可以减少电磁干扰的影响。
此外，合理选择电路元件和减小电路增益等策略也可以有效降低噪声。
然而，在某些情况下，噪声也可以被利用。
在一些通信系统中，噪声可以作为加密的一种手段，例如通过利用白噪声来隐藏通信内容。
另外，噪声也可以用于测量和检测。
在放大器中，噪声被视为测量其性能的重要指标，因为它直接影响信号与噪声比（SNR）。
除了噪声，随机信号的研究也非常重要。
随机信号在通信、雷达、生物医学等领域中应用广泛。
在通信中，随机信号可以用于提高信号的传输可靠性。
在雷达系统中，随机信号可以用来减小目标的探测概率。
而在生物医学领域，心电图和脑电图等生物信号也可以被视为随机信号。
随机信号和噪声的分析方法通常使用数学统计学的理论和工具，比如概率密度函数、功率谱密度和自相关函数等。
概率密度函数可以描述随机信号在不同幅度值上的分布情况；功率谱密度则描述了随机信号在不同频率上的分布情况；自相关函数用于描述信号之间的相互关系。
通过深入研究电路中的随机信号和噪声，我们可以更好地理解电路的工作原理和性能，并且能够设计出更可靠和优化的电路系统。
一、实验目的1. 了解噪音的基本概念和特征。
2. 掌握使用数字示波器进行噪音时域分析的方法。
3. 通过实验分析噪音的时域特性，为噪音控制提供理论依据。
二、实验原理时域分析是信号分析的一种方法，它将信号随时间的变化过程以图形形式展示出来。
在噪音时域分析实验中，我们使用数字示波器采集噪音信号，观察其在时域内的变化规律，分析噪音的时域特性。
三、实验仪器与设备1. 数字示波器：用于采集和分析噪音信号。
2. 噪音发生器：用于产生不同类型的噪音信号。
3. 连接线：用于连接数字示波器和噪音发生器。
四、实验步骤1. 连接数字示波器和噪音发生器，确保连接良好。
2. 设置数字示波器参数，如采样率、时间基等。
3. 打开噪音发生器，产生所需的噪音信号。
4. 将数字示波器的探头连接到噪音发生器输出端。
5. 观察数字示波器显示的噪音信号时域图。
6. 记录实验数据，包括噪音信号的波形、峰值、平均值等。
7. 根据实验数据，分析噪音的时域特性。
五、实验结果与分析1. 实验数据实验过程中，我们采集了不同类型的噪音信号，并记录了其时域特性。
以下为部分实验数据：（1）白噪声：峰值约为0.5V，平均值约为0.25V。
（2）粉红噪声：峰值约为0.7V，平均值约为0.35V。
（3）蓝色噪声：峰值约为0.6V，平均值约为0.3V。
2. 实验分析（1）白噪声：在时域图中，白噪声的波形呈现出随机性，峰值和平均值波动较大。
这表明白噪声的频率成分较为均匀，且在时域内具有较快的衰减速度。
（2）粉红噪声：在时域图中，粉红噪声的波形呈现出较为明显的下降趋势，峰值和平均值相对稳定。
这表明粉红噪声的频率成分主要集中在低频段，且在时域内具有较慢的衰减速度。
（3）蓝色噪声：在时域图中，蓝色噪声的波形呈现出较为明显的上升趋势，峰值和平均值相对稳定。
这表明蓝色噪声的频率成分主要集中在高频段，且在时域内具有较慢的衰减速度。
通过对比分析，我们可以得出以下结论：（1）不同类型的噪音信号在时域图上呈现出不同的特性，这与其频率成分和衰减速度有关。
实验二 《随机信号分析》应用在白噪声测试中１．实验目的⑴ 了解白噪声信号的特性，包括均值（数学期望）、方差、相关函数、频谱及功率谱密度等。
⑵ 掌握白噪声信号的分析方法。
⒉ 实验原理所谓白噪声是指它的概率统计特性服从某种分布而它的功率谱密度又是均匀的。
确切的说，白噪声只是一种理想化的模型，因为实际的噪声功率谱密度不可能具有无限宽的带宽，否则它的平均功率将是无限大，是物理上不可实现的。
然而白噪声在数学处理上比较方便，所以它在通信系统的分析中有十分重要的作用。
一般地说，只要噪声的功率谱密度的宽度远大于它所作用的系统的带宽，并且在系统的带内，它的功率谱密度基本上是常数，就可以作为白噪声处理了。
白噪声的功率谱密度为： 2)(0N f S n = 其中0N 为单边功率谱密度。
白噪声的自相关函数位：)(20τδτN R =）（ 白噪声的自相关函数是位于τ=0处，强度为20N 的冲击函数。
这表明白噪声在任何两个不同的瞬间的取值是不相关的。
同时也意味着白噪声能随时间无限快的变化，因为它含一切频率分量而无限宽的带宽。
下面我们给出几种分布的白噪声。
随机过程的几种分布前人已证明，要产生一个服从某种分布的随机数，可以先求出其分布函数的反函数的解析式，再将一个在[0，1]区间内的均匀分布的随机数的值代入其中，就可以计算出服从某种分布的随机数。
下面我们就求解这些随机数。
[0，1]区间均匀分布随机信号的产生采用混合同余法产生[0，1]区间的均匀分布随机数。
混合同余法产生随机数的递推公式为：c ay y n n +=+1 n=0,1,2…… My x n n = n=1,2,3…… 由上式的出如下实用算法： ][1M c ax M c ax x n n n +-+=+ My x 00=其中：kM 2=，其中k 为计算几种数字尾部的字长14+=t a ，t 为任意选定的正整数0y ，为任意非负整数 c ，为奇数C 语言中的rand （）函数是服从[0，1]均匀分布的，所以在以后的实验中如果用到均匀分布的随机数，我们统一使用rand()函数。
第1篇一、实验背景随着城市化进程的加快，噪音污染已经成为影响人们生活质量的一个重要问题。
长期暴露在高噪音环境中，不仅会对人们的听力造成损害，还会影响心理健康，如焦虑、抑郁等。
本实验旨在探究控制噪音对个体心理状态的影响，为改善人们的生活环境提供科学依据。
二、实验目的1. 探究不同噪音水平对个体心理状态的影响。
2. 评估控制噪音对缓解焦虑、抑郁等心理症状的效果。
3. 为噪音污染治理提供心理干预的建议。
三、实验方法1. 实验对象招募30名健康成年人，男女各半，年龄在20-40岁之间。
2. 实验材料- 噪音设备：播放不同噪音水平的录音，包括交通噪音、工厂噪音、建筑噪音等。
- 心理量表：焦虑自评量表（SAS）、抑郁自评量表（SDS）。
- 噪音控制设备：耳塞、隔音窗帘等。
3. 实验步骤（1）实验对象随机分为三组，每组10人。
（2）A组：暴露于高噪音环境中，播放交通噪音录音，持续30分钟。
（3）B组：暴露于低噪音环境中，播放自然声音录音，持续30分钟。
（4）C组：暴露于控制噪音环境中，使用耳塞、隔音窗帘等方法降低噪音水平，持续30分钟。
（5）实验结束后，对所有实验对象进行焦虑自评量表（SAS）和抑郁自评量表（SDS）的测试。
四、实验结果与分析1. 不同噪音水平对个体心理状态的影响通过SAS和SDS的测试结果，发现A组在暴露于高噪音环境中后，焦虑和抑郁评分显著高于B组和C组，说明高噪音水平对个体心理状态有负面影响。
2. 控制噪音对缓解焦虑、抑郁等心理症状的效果C组在控制噪音环境下，焦虑和抑郁评分与B组无显著差异，说明控制噪音可以有效缓解焦虑、抑郁等心理症状。
五、实验结论1. 高噪音水平对个体心理状态有负面影响，容易导致焦虑、抑郁等心理症状。
2. 控制噪音可以有效缓解焦虑、抑郁等心理症状，为改善人们的生活环境提供科学依据。
六、实验建议1. 加强噪音污染治理，降低噪音水平。
2. 在噪音环境中，使用耳塞、隔音窗帘等控制噪音的方法。
随机信号分析试验随机噪声特性分析院系：通信工程学院班级：011241成员：目录一. 实验摘要二. 实验目的三. 实验步骤四. 实验原理4.1 白噪声特性分析4.2 白化滤波器的设计与分析4.3 理想白噪声、带限白噪声比较分析4.4 色噪声的产生与分析4.5 用硬件实现白噪声五．实验设计与实现六．实验总结与心得、实验摘要本实验主要研究随机信号各种噪声的特性分析。
因此，我们通过利用计算机模拟各种噪声来更好的了解随机噪声的特点，来印证我们所学的基本理论二、实验目的1、了解白噪声信号、色噪声信号自身的特性，包括均值、均方值、方差、相关函数、概率密度、频谱及功率谱密度等。
2、掌握白噪声、色噪声信号的分析方法。
3、熟悉常用的信号处理仿真软件平台：matlab或C/C++语言、EW软件仿真。
4、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。
三、实验步骤1、根据选题的内容和要求查阅相关的文献资料，设计具体的实现程序流程或电路。
2、自选matlab、EW或c仿真软件。
如用硬件电路实现，需用面包板搭建电路并调试成功。
3、按设计指标测试电路。
分析实验结果与理论设计的误差，根据随机信号的特征，分析误差信号对信号和系统的影响。
四、实验原理4.1 白噪声特性分析白噪声是指它的概率统计特性服从某种分布，而它的功率谱密度又是均匀的确切的说，白噪声只是一种理想化的模型，因为实际的噪声功率谱密度不可能具 有无限宽的带宽，否则它的平均功率将是无限大， 是物理上不可实现的。
然而白 噪声在数学处理上比较方便，所以它在通信系统的分析中有十分重要的作用。
一 般地说，只要噪声的功率谱密度的宽度远大于它所作用的系统的带宽，并且在系统的带宽内，它的功率谱密度基本上是常数，就可以作为白噪声处理了。
白噪声 的功率谱密度为：其中N O /2就是白噪声的均方值。
白噪声的自相关函数为:N o No白噪声的自相关函数是位于T =0处、强度为2的冲击函数。
实验八：随机信号分析应用在噪声抑制中 ——噪声抑制与匹配滤波 【实验目的】使学生通过对信号中加性噪声的平滑、加性噪声中信号的检测这样两个项目，对随机信号分析与系统的实践应用有感性的认识，激发其学习兴趣。
【实验环境】1、 硬件实验平台：通用计算机2、软件实验平台：matlab6.5版本以上【实验任务】1）生成含有加性噪声的正弦信号，设计一阶低通滤波器，观察平滑后的正弦波形。
2）生成含有加性噪声的方波信号，用匹配滤波器进行检测。
3）撰写实验报告【实验原理】随机信号分析中的一个基本问题是在有噪声的情况下处理信号，研究最大化有用信号与最小化噪声影响的技术，以及在噪声背景中检测出微弱信号的技术。
本实验介绍其中的几种方法，包括平滑、滤波与匹配滤波。
噪声平滑应用中一种典型情况是：有用信号()s t 是确定的，它受到加性白噪声()N t 的污染，形成()()()X t s t N t =+（1）我们接收到()X t 后，希望从中尽量恢复出()s t 。
为此，我们设计LTI 系统()h t ，使()X t 经过它处理后的输出()Y t 接近()s t 。
这一处理过程称为平滑（Smoothing ），如图1所示。
图1 噪声平滑由于[][]()()()()E X t s t E N t s t =+=是时变的，因此()X t 是非平稳的，它通过系统后的输出为()()()()()s N Y t X t h t y t Y t =*=+（2）其中， ()()()s y t s t h t =*是确定的，()()()N Y t N t h t =*是随机的。
()Y t 与()s t 的误差为()[]()()()()()e s N Y t Y t s t y t s t Y t =-=-+ （3）由于[]()0N E Y t =，因此[]()()()e s b E Y t y t s t ==-（4）[]222Var ()()()4e N N Y t E Y t H j d σωωπ+∞-∞⎡⎤===⎣⎦⎰（5）其中b 为偏差，2σ为方差。
方差是白噪声通过系统的输出噪声功率。
设计系统()ht 就是要使b 和2σ都尽量小，使得系统对信号的影响小而对噪声的抑制强。
准确求取()h t 的最佳形状与参数是较困难的，但我们可以从频域进行一般分析。
图2 信号频谱及噪声功率谱图2 是常见信号()s t 的频谱与噪声()N t 的功率谱示意图。
容易看出()h t 的一个合理选择是对应于信号带宽的低通滤波器，在信号尽量完整通过的情况下，最大限度地滤除噪声，假定信号的带宽为/(2)B W π=Hz ，则()h t 以B Hz 为截至频率，于是200,b N B σ==如果信号是带通的，当然选择带通滤波器，并使其通带对准信号的通带。
实际应用中一种简单的方法是使用积分器，使1()()2t Tt TY t X t dtT+-=⎰（6）其冲激响应与频响曲线如下图3所示。
图3 积分器的冲激响应与频率响应显然， T 很小时， ()s y t 相对于()s t 的畸变较小，但输出中的噪声很多，合适地选择T 要根据信号频谱的具体情况，在使信号充分通过的前提下应该尽量取大的T 。
由图3可见，积分器在频域里具有低通特性。
所以，实际中可用常规的低通滤波器（如图4）逼近它，实现平滑功能。
图4 模拟低通滤波器例如：假定随机信号X(t)由（确知）正弦信号s(t)与白噪声N(t)组成，即)()cos()()()(0t N t a t N t s t X ++=+=θω其中，a 、0ω与θ为确定量，N(t)的功率谱为0/2N 。
讨论其通过图4所示的RC 低通电路前后的信噪比。
输入时，信号功率为2/2a ，而噪声功率为∞==⎰∞∞-ωπd N P N 2210因此信噪比为0=⎪⎭⎫⎝⎛inN S对于图4的电路，系统传输函数为()1(1)H j j RC ωω=+，正弦信号通过后的幅度为0()a H j ω，于是，输出信号功率为])(1[22)(202202RC a H a P S ωω+==又20(2)(4)N N P RC N RC σ==；因此，输出信噪比为])(1[22002RC N RC a P P N S NS out ω+==⎪⎭⎫⎝⎛ 对于给定的X(t)输入，可以调整电路的R 与C 使输出信噪比达到最大。
上式的最大值在01RC =时达到，即031dB RC ωω==。
对于给定的输入信号，当RC 电路的3dB 频点处对准它时，虽然信号本身被衰减了一倍，但这时电路对白噪声的总体衰减相对地达到了最大。
匹配滤波器匹配滤波器是一种检测噪声中某个确定信号是否存在的最佳滤波方法，它是通信、雷达等应用中的重要技术。
有关的典型问题是：有一个已知的有限时长的确定信号()s t ，我们希望从接收信号()X t 中检测它是否出现。
这里()()()X t s t N t =+其中()N t 是白噪声。
我们希望设计LTI 滤波器()h t ，使()()()()()()()Y t X t h t s t h t N t h t =*=*+*便于进行检测。
现在我并不在乎()Y t 中的信号部分是否发生畸变，而只关心在某0t 时是否可由0()Y t 有效地判定()s t 的存在。
为此我们将目标设定为：使0()Y t 中的信号与噪声之比最大化，这样在0()Y t 大于某个合适的门限时，我们有把握认为()Y t 中包含有()s t 。
这一处理过程如图5所示，可见，在0t t =时刻，信号最大限度地越过背景噪声。
图5 匹配滤波处理由于()()()s y t s t h t =*是确定量而()()()N Y t N t h t =*是随机的，衡量0()Y t 的信噪比时，我们采用2020()()s out N y t S N E Y t ⎛⎫= ⎪⎡⎤⎝⎭⎣⎦（7）又2220()()()4N N N E Y t E Y t H j d ωωπ+∞-∞⎡⎤⎡⎤==⎣⎦⎣⎦⎰又令()s t 的傅里叶变换为()S j ω并借助反傅里叶变换形式，有2201()()()2j t s y t E S j H j ed ωωωωπ+∞-∞⎡⎤=⎢⎥⎣⎦⎰（8）利用许瓦兹不等式：222()()()()u v d u d v d ωωωωωωω≤⨯⎰⎰⎰，而且，该不等式在()()u cv ωω*=时取等号（其中，c 为任意非0实常数），即左端达到最大。
因此，可令，00()()()j t j t H j c S j e cS j e ωωωωω*-*⎡⎤==⎣⎦使得20()s y t 取得最大值，从而使22222001()()2()421()22outs H j d H j d S N N H j d H j d N E N ωωωωπωωπωωπ+∞+∞-∞-∞+∞-∞+∞-∞⎛⎫⨯ ⎪⎛⎫⎝⎭=⎪⎝⎭=⨯=⎰⎰⎰⎰（9）其中s E 是信号能量，并且，22211()()()22s E s t dt S j d H j d ωωωωππ+∞+∞+∞-∞-∞-∞===⎰⎰⎰（10）可见，式（10）给出了这种期望下的最佳滤波器，容易看出它的冲激响应为0()()h t cs t t =-（11）它实际上是信号的反转平移形式，如图5.中间一图。
如果()s t 的时间持续期为0到T ，则通常取0t T =，这样()h t 的持续期间也为0到T ，它是物理可实现的。
注意到这种滤波器根据信号而定，也因信号而异，所以我们说它与信号匹配，称为匹配滤波器（Match filter ）。
由图可见，匹配滤波器能将信号能量累积起来，使0t t =时输出中的信号成份达到最强。
*图5 匹配滤波器输入、单位冲击响应及输出的时域波形【实验项目1】加性白噪声环境下，正弦波信号中噪声的平滑。
【实验方法】理论上讲，连续时间的白噪声的自相关函数是一个冲击函数，其频谱密度函数是个常数。
这在实践中是无法实现的，因为实际信号都是时限且能量有限的，所以其自相关函数只能对冲击函数在一定程度上逼近。
在利用计算机仿真白噪声时，除了仿真序列足够长之外，每一点与其他点尤其是临近点的相关系数应该足够小。
Matlab 提供了一系列可用来生仿真白噪声的命令及功能。
如simulink 中的band-limited white noise 模块就是一个带限白噪声发生器。
可用它来生成仿真白噪声信号。
平滑用积分器在频域上具有低通特性，可用常规低通滤波器逼近。
【实验步骤】1）带有加性白噪声的正弦波信号的生成：打开simulink 模块编辑器，从基本库的信号源库（source ）中选取正弦波发生器(sinwave)、带限白噪声发生器（band-limited white noise ）加入编辑器,从基本库中的数学运算库（math ）中选取加法器加入编辑器中。
2）平滑处理。
如前分析，时域里对噪声的平滑对应于频域里的低通滤波。
在simulink的信号处理库里提供了低通滤波器的设计模块。
这个模块位于DSP blockset Filtering Filterdesign.该模块名字为Analog Filter Design,选中，将其拖入编辑器中，双击它，有参数编辑器弹出，可选参数包括滤波器类型、阶数和截止频率。
3）示波器建立建立两个示波器，分别观察平滑处理前的信号与平滑处理后的信号。
【实验项目2】匹配滤波器设计【实验方法】对于连续随机信号而言，任意相邻两点间有无穷多个点，每个点的幅度又是无限精度的，所以，无法用计算机来存储、处理这些无限多的数据。
如果采用计算机来处理连续信号，必须对其采样，这就必须满足奈奎斯特采样定理。
为了用计算机仿真匹配滤波器的工作过程，须对信号与加性噪声同时采样，以离散信号仿真连续时间信号，采样率应满足奈奎斯特采样定理。
本实验设定信号为一个单极性二进制信号“1”，噪声为加性白噪声。
在“1”期间采样20点以上，另外构建离散匹配滤波器，对其进行匹配滤波，绘出滤波器输出图形，从图形上直观比较匹配匹配滤波前后的效果。
整个实验用matlab m 文件编写。
【实验步骤】1，含加性零均值白噪声的信号采样值仿真1）构建信号样值。
设在信号“1”期间采样20点，那么在信号存续期间及消失之后的样值可用一矢量构成2020()[1,,1,0,,0]s n =∙∙∙∙∙∙个1个0,用plot 命令将s 绘出。
注意，这里的plot命令是将s 的样值一阶内插以得到一个连续时间信号。
2)构建含噪信号利用命令WGN 生成高斯噪声信号的样值：wgn(20,1,0); 那么含噪信号X (n )=s (n )+wgn(20,10)用plot 命令绘出 sn 并与s 的时域波形相比较。
