下载文档原格式
噪声测定实验一实验目的1掌握AWA5610C声级计的工作原理及其使用方法2掌握AWA6270A噪声频谱分析仪的工作原理及其使用方法二实验内容1使用AWA5610C声级计测量噪音2使用AWA6270A噪声频谱分析仪测量噪音三实验原理1 AWA5610C声级计的工作原理工作原理是被测的声压信号通过传声器转换成电压信号，然后经衰减器、放大器以及相应的计权网络、滤波器，或者输入记录仪器，或者经过均方根值检波器直接推动以分贝标定的指示表头。
2 AWA6270A噪声频谱分析仪的工作原理工作原理是输入信号经衰减器直接外加到混波器,可调变的本地振荡器经与CRT同步的扫瞄产生器产生随时间作线性变化的振荡频率,经混波器与输入信号混波降频后的中频信号(IF)再放大,滤波与检波传送到CRT的垂直方向板。
四实验设备仪器（一）AWA5610C声级计AWA5610C型积分声级计是一种袖珍式智能化噪声测量仪器，可广泛应用于环境噪声的测量与自动监测，也可用于劳动保护、工业卫生及各种机器、车辆、船舶、电器等工业噪声测量。
本仪器采用了先进的数字检波技术，具有可靠性高、稳定性好、动态范围宽等优点。
主要技术性能：驻极体测试电容传声器，灵敏度：1.传声器：Φ12.7mm(1/2”）约40mV/Pa，频率范围：20Hz～12.5kHz。
2.测量范围：35～130dBA(以2×10-5Pa为参考，下同）3.频率范围：20Hz～12.5kHz4.频率计权：A计权5.时间计权：快（F），慢（S）图1 AWA5610C声级计6.检波器特性：真有效值、峰值因数 37.准确度：2型8.测量时间：手控、10s、1min、5min、10min、20min、1h、4h、8h、24h。
9.显示：4位LCD，直接显示测量结果Lp、Leq、Lmax、Lmin、Linst、Tm及日历年、月、日、时、分、秒等。
10.储存：60组数据，包括年、月、日、时、分、设定时间、测量经历时间、最大声级，最小声级、等效声级。
白噪声的产生和分析①理想白噪声均值为零而功率谱密度为非零常数，即()012N S N ωω=-∞<<+∞，的平稳随机过程()N t 称为白噪声。
利用维纳—辛钦公式，不难得到白噪声的自相关函数为()()12j N N R S e d ωττωωπ∞-∞=⎰04j N e d ωτωπ∞-∞=⎰()012N δτ= ②若一个具有零均值的平稳随机过程()X t ，其功率谱密度在某一个有限频率范围内均匀分布，而在此范围外为零，则称这个过程为带限白噪声。
带限白噪声又可分为低通型的和带通型的。
低通型带限白噪声的功率谱密度满足()0, 0,X S WS Wωωω≤⎧=⎨>⎩ 自相关函数为()()12j X XR S e d ωττωωπ∞-∞=⎰012Wj WS e d ωτωπ-=⎰0sin WS W W τπτ=带通型带限白噪声的功率谱密度满足()000,220,X W W S S ωωωω⎧-<<+⎪=⎨⎪⎩其它自相关函数为()()00sin 2cos 2X W WS R W ττωττπ= Matlab 相关函数rand(m,n) 产生m 行n 列的均匀分布 randn(m,n) 产生m 行n 列的高斯分布 [c,lags] =xcorr(x,maxlags,'option') 自相关函数，'option'选择'unbiased'无偏估计，时域区间[-maxlags:maxlags] ，序列长度2*maxlags+1[Pxx,f] = periodogram(x,window,nfft,fs) 功率谱密度，偶数点时，Pxx 长度(nfft/2 + 1)，w 范围[0,pi][f,xi] = ksdensity(x) 一维概率密度 fft(X) 傅里叶变换[n,Wn] = buttord(Wp,Ws,Rp,Rs,'s') 巴特沃斯滤波器，Wp 为通带边界频率,Ws 为阻带边界频率,Rp 通带最大衰减,Rs 为阻带最小衰减，n 为阶数，Wn 为归一化频率[z,p,k] = buttap(n) 巴特沃斯模拟低通滤波器模型[h,w] = freqz(hd,n) 离散时域滤波器的频率响应，h、w长度为n，w范围[0,pi] filter(b,a,X) 滤波器[b,a]=ellip(n, Rp, Rs, Wn，'option') 椭圆滤波器实验设计与实现（1）用Matlab编写和仿真程序。
噪声实验调研报告噪声实验调研报告一、实验目的本次实验的目的是探究不同噪声对人类认知能力的影响。
通过对不同噪声环境下的认知实验，我们可以了解噪声对注意力、记忆和思维等认知过程的干扰程度，为噪声控制和环境设计提供科学依据。
二、实验设计1.实验内容本实验分为两组，分别是噪声组和无噪声组。
每组的被试人员都需要进行一系列认知任务，如记忆测试、注意力测试和思维能力测试等。
2.实验对象实验对象为年龄在20-30岁的大学生，共计60人。
实验对象的脑电图（EEG）和行为数据将在实验过程中被记录和分析。
3.实验环境噪声组实验环境设定为80分贝的连续白噪声；无噪声组实验环境设定为基本无噪声的环境。
4.实验过程实验开始前，被试人员需要填写一份基本信息问卷，包括年龄、性别和音乐习惯等。
然后，被试人员被随机分配到噪声组或无噪声组。
被试人员在实验过程中需要完成一系列认知任务，并按照要求记录相关数据和感受。
三、实验结果1.注意力测试结果通过对被试人员在不同条件下的注意力测试结果进行统计分析，我们发现噪声组的被试人员平均反应时间更长，错误率更高，说明噪声环境对注意力的干扰程度较大。
2.记忆能力测试结果在记忆能力测试中，我们发现噪声组的被试人员在记忆任务中的正确率较低，提示噪声对记忆能力有一定影响。
3.思维能力测试结果在思维能力测试中，噪声组的被试人员在解决问题的速度上明显较慢，出现了更多的错误。
这表明噪声环境会降低人们的思维能力。
四、实验讨论通过实验结果的分析，我们可以得出以下结论：1.噪声会对人类的注意力、记忆和思维能力产生负面影响，降低认知能力的水平。
2.噪声对不同认知过程的干扰程度不同，对注意力干扰最大，对记忆和思维的干扰次之。
3.对于需要大量集中注意力和记忆能力的任务，提供一个无噪声或较低噪声的环境，可以提高人们的工作效率和准确性。
综上所述，本次噪声实验调研结果表明，噪声对人类认知能力产生明显的负面影响。
对于需要高度集中注意力和记忆能力的任务，创造一个低噪声的环境非常重要，可以提高人们的工作效率和准确性。
白噪声序列检验结果
白噪声序列检验结果主要用于判断一个时间序列是否为白噪声序列。
白噪声序列是一种特殊的随机序列，其均值为0，方差为常数，且任意两个不同时间点的随机变量都是不相关的。
如果一个时间序列经过检验被判定为白噪声序列，那么该序列就是一个纯随机序列，即该序列中的各个观测值之间没有任何相关性，过去的行为对未来没有任何影响。
白噪声序列检验通常可以通过观察自相关图和偏自相关图来进行初步判断。
如果自相关图和偏自相关图中的所有点都几乎在蓝色的虚线以内，即序列的自相关系数和偏自相关系数都在置信区间内，那么可以初步认为该序列是白噪声序列。
这种初步判断可能并不准确，因此需要进行更严格的统计检验。
常用的白噪声检验方法包括Box-Pierce检验、Ljung-Box检验等。
这些方法的基本思想是利用序列的自相关系数来构造统计量，并判断该统计量是否显著异于0。
如果统计量不显著异于0，则可以认为该序列是白噪声序列；否则，可以认为该序列不是白噪声序列。
需要注意的是，白噪声序列检验的结果可能受到样本量、序列长度等因素的影响。
在进行白噪声序列检验时，应该根据具体情况选择合适的检验方法，并结合其他统计分析和实际情况进行综合判断。
白噪声序列检验结果可以用于判断一个时间序列是否为纯随机
序列，从而帮助我们更好地理解和分析该序列的性质和特点。
如果序列被判定为白噪声序列，那么我们可以认为该序列中的各个观测值之间没有任何相关性，过去的行为对未来没有任何影响。
环境监测噪声实验报告一、实验目的本次环境监测噪声实验的主要目的是了解和掌握环境噪声的测量方法和评价标准，分析所测区域的噪声水平及其对周边环境和居民的影响，为环境噪声的控制和管理提供科学依据。
二、实验原理环境噪声的测量通常采用声级计，其工作原理是将声音信号转换为电信号，并通过一定的计算和处理得到噪声的声压级。
声压级的单位为分贝（dB），常用的计权网络有 A 计权、B 计权和 C 计权，其中 A计权网络模拟人耳对低频声不敏感而对高频声敏感的特性，常用于环境噪声的测量。
三、实验仪器与设备本次实验使用的仪器为精密声级计，型号为_____，测量范围为_____dB 至_____dB，精度为_____dB。
此外，还配备了风速仪、温度计、湿度计等辅助设备，用于测量环境参数。
四、实验地点与时间实验地点选择在_____，该区域包括居民区、商业区、交通干道等不同功能区，具有一定的代表性。
实验时间为_____年_____月_____日，天气状况为_____，风速为_____m/s，温度为_____℃，相对湿度为_____%。
五、实验步骤1、仪器校准在实验开始前，使用标准声源对声级计进行校准，确保测量结果的准确性。
2、测点布置根据实验地点的功能分区和地形地貌，合理布置测点。
在居民区，选择距离建筑物外墙1 米处，高度为12 米至15 米的位置；在商业区，选择人员活动密集的区域；在交通干道，选择距离道路边缘 20 米处，避开路口和障碍物。
每个测点测量时间不少于 10 分钟，记录不同时间段的噪声值。
3、数据测量在每个测点，按照规定的时间间隔读取声级计的示数，并记录下来。
同时，使用风速仪、温度计和湿度计测量环境参数。
4、数据处理将测量得到的数据进行整理和分析，计算每个测点的等效连续 A 声级（Leq）、昼间和夜间的平均声级、最大声级和最小声级等参数。
六、实验结果与分析1、居民区噪声监测结果在居民区的测点，昼间等效连续 A 声级为_____dB，夜间等效连续A 声级为_____dB。
白噪声序列的检验过程嘿，朋友们！今天咱来聊聊白噪声序列的检验过程，这可有意思啦！你想想看，白噪声序列就好像是一群调皮的小精灵，在数据的世界里蹦蹦跳跳。
那怎么知道它们是不是真的在乖乖地当白噪声呢？这就得有一套检验的办法啦。
首先呢，咱得看看这些小精灵们是不是真的没啥规律。
就好比你去看一群小朋友玩耍，如果他们一会儿往东跑，一会儿往西跑，完全没个准儿，那可能就是没什么特定的模式。
对于白噪声序列也是这样，咱得瞅瞅它的数据是不是乱七八糟，没有啥明显的趋势或者周期性。
然后呢，咱要检查一下它们的均值和方差是不是稳定的呀。
这就好像是一辆车开在路上，速度得稳，不能一会儿快一会儿慢的，不然多吓人呀！如果白噪声序列的均值和方差老是变来变去，那可就不对劲啦。
还有哦，自相关函数也是个很重要的指标呢！这就像是看小朋友们之间的关系，如果他们之间没啥特别的关联，都是自顾自地玩，那才像是白噪声呀。
要是自相关函数出现了一些奇怪的峰值或者低谷，那不就跟小朋友们拉帮结派一样，肯定不正常嘛。
咱还可以通过一些统计检验的方法，就像给这些小精灵们做个全面的“体检”。
比如说，看看它们是不是符合某些特定的分布呀。
你说这是不是挺神奇的？就通过这么一些观察和检验，就能判断出这些数据是不是白噪声序列啦。
这就像是一个侦探在破案一样，到处找线索，找证据，最后得出结论。
你可别小看了这个白噪声序列的检验过程哦，它在很多领域都有着重要的作用呢！比如说在金融领域，能帮助我们判断市场的波动是不是真的是随机的；在信号处理中，能让我们更好地理解和处理各种信号。
所以啊，朋友们，一定要好好掌握这个检验过程哦！这样我们才能在数据的海洋中畅游，找到那些真正有价值的信息，而不会被那些看似混乱的数据给迷惑啦！总之，白噪声序列的检验过程可是个非常实用且有趣的事儿，大家可别小瞧了它呀！原创不易，请尊重原创，谢谢!。
高斯白噪声特性仿真实验报告心得实验介绍本次实验是对高斯白噪声特性进行仿真实验。
通过计算机模拟，我们对高斯白噪声的频谱特性、均值和方差进行了研究，并对实验结果进行了分析和讨论。
实验步骤1. 首先，我们通过随机数发生器生成高斯白噪声信号。
为了得到较好的仿真结果，我们根据指定的均值和方差参数，以及采样频率和信号长度，生成了相应的高斯白噪声信号。
2. 接下来，我们对生成的噪声信号进行了分析。
首先，我们绘制了噪声信号的时域波形图，以观察信号的分布情况。
然后，我们计算了噪声信号的均值和方差，并进行了统计学的分析。
3. 在频域分析方面，我们使用傅里叶变换对噪声信号进行了频谱分析。
通过绘制频谱图，我们观察到了噪声信号在不同频率处的能量分布情况。
同时，我们计算了频谱的均值和方差，以进一步了解信号的特性。
4. 最后，我们对实验结果进行了总结和讨论。
我们从理论和实验结果进行了对比分析，发现实验结果与理论相符合，并且实验结果的统计学特征与理论模型一致。
实验结果与分析通过实验，我们得到了以下主要结果：1. 高斯白噪声的时域波形呈现出类似随机分布的特点。
在均值为0的情况下，噪声信号的波形基本上在0附近波动，并且没有明显的规律。
这表明高斯白噪声在时域上呈现出随机性的特点。
2. 高斯白噪声的均值接近于0。
根据理论计算和实验结果，我们发现随着信号长度的增加，均值的值越来越接近于0，并且方差也逐渐接近于预设的参数值。
3. 高斯白噪声的频谱特性呈现出均匀分布的特点。
通过频谱分析，我们观察到噪声信号在不同频率处的能量分布比较均匀，没有明显的频率偏移。
这与高斯白噪声的定义相符合。
4. 高斯白噪声的频谱均值和方差与理论一致。
通过对频谱的统计分析，我们计算出了频谱的均值和方差，并与理论模型进行了对比。
实验结果与理论模型相符合，验证了高斯白噪声的频谱特性。
总结与展望通过本次高斯白噪声特性仿真实验，我们对高斯白噪声的频谱特性、均值和方差进行了研究，并获得了一系列实验结果。
第1篇一、实验目的1. 了解工厂噪声的来源和危害。
2. 掌握工厂噪声监测的方法和步骤。
3. 通过实验，对工厂噪声进行实地监测，为工厂噪声治理提供数据支持。
二、实验仪器1. 声级计：用于测量噪声的强度，量程为30～130dB，频率范围20Hz～20kHz。
2. 风速仪：用于测量风速，量程为0～30m/s。
3. 温度计：用于测量温度，量程为-30℃～50℃。
4. 大气压力计：用于测量大气压力，量程为100～110kPa。
三、实验地点某工业园区内一家制造企业。
四、实验时间2023年4月25日五、实验步骤1. 实验前准备（1）检查实验仪器，确保其性能正常。
（2）根据实验要求，对声级计进行校准。
（3）记录实验时间、地点、天气等信息。
2. 噪声监测（1）选择监测点：根据工厂布局，选取具有代表性的监测点，如车间门口、生产线、机器设备附近等。
（2）设置监测高度：手持声级计，将传声器距离地面1.2m，保持垂直。
（3）监测时间：每处监测点至少测量5分钟，连续测量3次，取平均值。
（4）记录数据：包括噪声等级（dB）、风速（m/s）、温度（℃）、大气压力（kPa）等。
3. 数据分析（1）根据监测数据，绘制噪声分布图，分析工厂噪声的主要来源和分布情况。
（2）对比不同时间段的噪声等级，分析工厂噪声变化规律。
（3）根据噪声等级，评价工厂噪声对周围环境和员工健康的影响。
六、实验结果与分析1. 噪声分布图根据实验数据，绘制工厂噪声分布图，发现噪声主要集中在车间门口、生产线和机器设备附近。
其中，车间门口噪声等级最高，达到90dB；生产线和机器设备附近噪声等级在70～80dB之间。
2. 噪声变化规律通过对比不同时间段的噪声等级，发现工厂噪声在上午8：00～10：00和下午14：00～16：00两个时间段达到峰值，其余时间段噪声等级相对较低。
3. 噪声影响评价根据《工业企业厂界环境噪声排放标准》（GB 12348-2008）的规定，该工厂厂界噪声排放标准为昼间60dB、夜间55dB。
白噪声白噪声是指功率谱密度在整个频域内均匀分布的噪声。
所有频率具有相同能量密度的随机噪声称为白噪声。
从我们耳朵的频率响应听起来它是非常明亮的“咝”声（每高一个八度，频率就升高一倍。
因此高频率区的能量也显著增强）。
1概述白噪声是指在较宽的频率范围内，各等带宽的频带所含的噪声能量相等的噪声。
一般在物理上把它翻译成白噪声（white noise）。
白噪声或白杂讯，是一种功率频谱密度为常数的随机信号或随机过程。
换句话说，此信号在各个频段上的功率是一样的，由于白光是由各种频率（颜色）的单色光混合而成，因而此信号的这种具有平坦功率谱的性质被称作是“白色的”，此信号也因此被称作白噪声。
相对的，其他不具有这一性质的噪声信号被称为有色噪声。
理想的白噪声具有无限带宽，因而其能量是无限大，这在现实世界是不可能存在的。
实际上，我们常常将有限带宽的平整讯号视为白噪音，因为这让我们在数学分析上更加方便。
然而，白噪声在数学处理上比较方便，因此它是系统分析的有力工具。
一般，只要一个噪声过程所具有的频谱宽度远远大于它所作用系统的带宽，并且在该带宽中其频谱密度基本上可以作为常数来考虑，就可以把它作为白噪声来处理。
例如，热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度，通常可以认为它们是白噪声。
当你需要专心工作，而周遭总是有繁杂的声音时，就可以选用这两种声音来加以遮蔽。
一般来说，通常的情况下你可以选用白色噪音，而粉红色噪音则是特别针对说话声的遮蔽材料。
粉红色噪音又被称做频率反比(1/f) 噪音，因为它的能量分布与频率成反比，或者说是每一个八度音程(Octave) 能量就衰退3 dB。
高斯白噪声高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。
热噪声和散粒噪声是高斯白噪声。
所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。
白噪声测试一、 实验目的⑴ 了解白噪声信号的特性，包括均值（数学期望）、均方值、方差、相关函数、概率密度、频谱及功率谱密度等。
⑵ 掌握白噪声信号的分析方法。
二、 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，所以它在通信及电子工程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为：)(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，因为它的带宽是无限宽的。
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：k M 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 Matlab 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。
正态分布（高斯分布）随机信号的产生：高斯分布的密度函数为： )2exp(21)(2x x f -=π 采用变换法产生正态分布随机数，若1R 、2R 示[0，1]均匀分布随机数，则有正态分布随机数： 212cos ln 2R R πξ-= 212sin ln 2R R πη-=指数分布随机信号的产生：指数分布的密度函数为：x e x f αα-=*)( 当x>0时，当x ≤0时 f(x)=0，其中α>0它的反函数（指数分布随机数）为： )1ln(1)(1r r F x --==-α 其中r 为[0，1]区间均匀分布的随机数。
三、 实验内容与结果1.产生五种概率分布的信号Matlab 程序：%生成各种分布的随机数x1=unifrnd(-1,1,1,1024);%生成长度为1024的均匀分布x2=normrnd(0,1,1,1024);%生成长度为1024的正态分布x3=exprnd(1,1,1024);%生成长度为1024的指数分布均值为零x4=raylrnd(1,1,1024);%生成长度为1024的瑞利分布x5=chi2rnd(1,1,1024);%生成长度为1024的卡方分布%时域特性曲线：figure;subplot(3,2,1),plot(1:1024,x1);grid on;title('均匀分布');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2 ]);subplot(3,2,2),plot(1:1024,x2);grid on;title('正态分布');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2 ]);subplot(3,2,3),plot(1:1024,x3);grid on;title('指数分布');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -1 5 ]);subplot(3,2,4),plot(1:1024,x4);grid on;title('瑞利分布');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -1 4 ]);subplot(3,2,5),plot(1:1024,x5);grid on;title('卡方分布');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -1 5 ]);2.均值：均值E[x(t)]表示集合平均值或数学期望值。
基于随机过程的各态历经性，可用时间间隔t内的幅值平均值表示：均值表达了信号变化的中心趋势，或称之为直流分量。
在MATLAB中，可以用mean()函数来计算。
%求各种分布的均值figure;m1=mean(x1);m2=mean(x2);m3=mean(x3);m4=mean(x4);m5=mean(x5);subplot(3,2,1),plot(1:1024,m1);title('均匀分布均值');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2]);subplot(3,2,2),plot(1:1024,m2);title('高斯分布均值');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2]);subplot(3,2,3),plot(1:1024,m3);title('指数分布均值');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2]);subplot(3,2,4),plot(1:1024,m4);title('瑞利分布均值');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2]);subplot(3,2,5),plot(1:1024,m5);title('卡方分布均值');xlabel('时间（t）');ylabel('幅度');axis([0 1024 -2 2]);3.方差：随机过程的方差函数描述了随机过程所有样本函数在t时刻的函数值相对于其数学期望的偏离程度。
定义：其中σ(t)是随机过程的标准差。
当随即过程表征的是接收机输出端的噪声电压时，σ2(t)表示小号在单位电阻上的瞬时交流功率统计平均值，而σ(t)表示噪声电压相对于电压统计平均值的交流分量。
在MATLAB中，可以用std()函数计算出标准差σ(t)，再平方就可以得到方差。
%求各种分布的方差figure;v1=var(x1);v2=var(x2);v3=var(x3);v4=var(x4);v5=var(x5);subplot(3,2,1),plot(1:1024,v1);grid on;title('均匀分布方差');xlabel('时间（t）');ylabel('幅度');subplot(3,2,2),plot(1:1024,v2);grid on;title('高斯分布方差');xlabel('时间（t）');ylabel('幅度');subplot(3,2,3),plot(1:1024,v3);grid on;title('指数分布方差');xlabel('时间（t）');ylabel('幅度');subplot(3,2,4),plot(1:1024,v4);grid on;title('瑞利分布方差');xlabel('时间（t）');ylabel('幅度');subplot(3,2,5),plot(1:1024,v5);grid on;title('卡方分布方差');xlabel('时间（t）');ylabel('幅度');4.自相关：信号的相关性是指客观事物变化量之间的相依关系。
对于平稳随机过程x(t)和y(t)在两个不同时刻t和t+τ的起伏值的关联程度，可以用相关函数表示。
在离散情况下，信号x(n)和y(n)的相关函数定义为：随机信号的自相关函数表示波形自身不同时刻的相似程度。
与波形分析、频谱分析相比，它具有能够在强噪声干扰情况下准确地识别信号周期的特点。
%求各种分布的自相关函数figure;title('自相关函数图');[x_c1,lags]=xcorr(x1,200,'unbiased');[x_c2,lags]=xcorr(x2,200,'unbias ed');[x_c3,lags]=xcorr(x3,200,'unbiased');[x_c4,lags]=xcorr(x4,200,'unbiased');[x_c5,lags]=xcorr(x5,200,'unbias ed');subplot(3,2,1),plot(lags,x_c1);grid on;title('均匀分布自相关'); subplot(3,2,2),plot(lags,x_c2);grid on;title('正态分布自相关'); subplot(3,2,3),plot(lags,x_c3);grid on;title('指数分布自相关'); subplot(3,2,4),plot(lags,x_c4);grid on;title('瑞利分布自相关'); subplot(3,2,5),plot(lags,x_c5);grid on;title('卡方分布自相关');5.概率密度函数：一维分布函数为：若F x(x1;t1)对x1的一阶偏导存在，则一维概率密度为：在MATLAB中，可以用ksdensity()函数来计算一维概率密度。
