matlab加随机噪音

最新推荐文章于 2024-09-19 18:44:45 发布

小豪学长啊

最新推荐文章于 2024-09-19 18:44:45 发布

阅读量1w

点赞数 6

matlab 专栏收录该内容

0 篇文章 2 订阅

订阅专栏

噪声中有两种性质的噪声，加性噪声和乘性噪声。白噪声(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，是功率谱密度在整个频域内均匀分布的噪声。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(功率谱密度不均匀分布)被称为有色噪声。
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。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。

加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在。而乘性噪声一般由信道不理想引起，它们与信号的关系是相乘，信号在它在，信号不在他也就不在。一般通信中把加性随机性看成是系统的背景噪声；而乘性随机性看成系统的时变性（如衰落或者多普勒）或者非线性所造成的。

MATLAB中产生高斯白噪声非常方便，可以直接应用两个函数，一个是WGN，另一个是AWGN。WGN用于产生高斯白噪声，AWGN则用于在某一信号中加入高斯白噪声。
1. WGN：产生高斯白噪声
y = wgn(m,n,p)产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。
y = wgn(m,n,p,imp) 以欧姆(Ohm)为单位指定负载阻抗。
y = wgn(m,n,p,imp,state) 重置RANDN的状态。
在数值变量后还可附加一些标志性参数：
y = wgn(…,POWERTYPE) 指定p的单位。POWERTYPE可以是'dBW','dBm'或'linear'。线性强度(linearpower)以瓦特(Watt)为单位。
y = wgn(…,OUTPUTTYPE)指定输出类型。OUTPUTTYPE可以是'real'或'complex'。
2. AWGN：在某一信号中加入高斯白噪声
y = awgn(x,SNR)在信号x中加入高斯白噪声。信噪比SNR以dB为单位。x的强度假定为0dBW。如果x是复数，就加入复噪声。
y = awgn(x,SNR,SIGPOWER)如果SIGPOWER是数值，则其代表以dBW为单位的信号强度；如果SIGPOWER为'measured'，则函数将在加入噪声之前测定信号强度。
y = awgn(x,SNR,SIGPOWER,STATE)重置RANDN的状态。
y = awgn(…,POWERTYPE)指定SNR和SIGPOWER的单位。POWERTYPE可以是'dB'或'linear'。如果POWERTYPE是'dB'，那么SNR以dB为单位，而SIGPOWER以dBW为单位。如果POWERTYPE是'linear'，那么SNR作为比值来度量，而SIGPOWER以瓦特为单位。
注释
1. 分贝(decibel,dB)：分贝（dB）是表示相对功率或幅度电平的标准单位，换句话说，就是我们用来表示两个能量之间的差别的一种表示单位，它不是一个绝对单位。例如，电子系统中将电压、电流、功率等物理量的强弱通称为电平，电平的单位通常就以分贝表示，即事先取一个电压或电流作为参考值（0dB），用待表示的量与参考值之比取对数，再乘以20作为电平的分贝数（功率的电平值改乘10）。
2. 分贝瓦(dBW, dBWatt)：指以1W的输出功率为基准时，用分贝来测量的功率放大器的功率值。
3. dBm(dB-milliWatt)：即与1milliWatt（毫瓦）作比较得出的数字。
0 dBm = 1 mW
10 dBm = 10 mW
20 dBm = 100 mW
也可直接用randn函数产生高斯分布序列，例如：
y=randn(1,2500);
y=y/std(y);
y=y-mean(y);
a=0.0128;
b=sqrt(0.9596);
y=a+b*y;
就得到了 N ( 0.0128, 0.9596 ) 的高斯分布序列
产生指定方差和均值的随机数
设某个随机变量x均值为mu，方差为var^2，若要产生同样分布的随机变量y，但使新的随
机变量参数改变，均值为mu_1，方差为var_1^2，可以用如下公式进行变换：
y=var_1/var*(x-mu)+mu_1，其中x为随机变量，其余为常数（原分布参数）。
具体到正态分布，若要产生均值为u，方差为o^2的M*N的随机数矩阵，可以用
y=o*randn(M,N)+u得到。
对于均匀分布，若要产生[a,b]区间的均匀分布的M*N的随机数矩阵，则可以用
y=rand(M,N)*(b-a)+a得到。
%=========================================%
上述资料基本上完整地描述了原始问题，不过有几点内容附带说明一下：
1. 上面资料最后部分隐含了一个出自zhyuer 版友的结论：
%=========================================%
1) rand产生的是[0，1]上的均匀分布的随机序列
2) randn产生均值为0，方差为1的高斯随机序列，也就是白噪声序列；
%=========================================%
也就是说，可以直接使用上面两个函数对原始信号添加噪声（例如y=x+rand(length(x),1)或者y=x+randn(length(x),1)）
2.事实上，无论是wgn还是awgn函数，实质都是由randn函数产生的噪声。即，wgn函数中调用了randn函数，而awgn函数中调用了wgn函数。下面就我熟悉的“向已知信号添加某个信噪比（SNR）的高斯白噪声”来说明一下，不过如果大家阅读过awgn的实现代码就不用看下去了，呵呵。从上述可知，这个任务可以使用awgn函数实现，具体命令是：awgn(x,snr,’measured’,'linear’)，命令的作用是对原信号f(x)添加信噪比（比值）为SNR的噪声，在添加之前先估计信号f的强度。这里涉及三个问题：在awgn这个函数中，SNR是如何计算的？什么是信号的强度？awgn函数具体是如何添加噪声的？事实上，前两个问题是相关的，因为根据定义，SNR就是信号的强度除以噪声的强度，所以，首先来讲讲信号的强度。其实信号的强度指的就是信号的能量，在连续的情形就是对f(x)平方后求积分，而在离散的情形自然是求和代替积分了。在matlab中也是这样实现的，只不过多了一个规范化步骤罢了：
sigPower = sum(abs(sig(:)).^2)/length(sig(:))
这就是信号的强度。至此，SNR的具体实现也不用多说了（注：由于采用的是比值而非db，所以与下面“计算信噪比”所使用的方式不同，即没有求对数步骤）。
最后说说awgn函数具体是如何添加噪声的。事实上也很简单，在求出f的强度后，结合指定的信噪比，就可以求出需要添加的噪声的强度noisePower=sigPower/SNR。由于使用的是高斯白噪声即randn函数，而randn的结果是一个强度为1的随机序列（自己试试sum(randn(1000,1).^2)/1000就知道了，注意信号的长度不能太小）。于是，所要添加的噪声信号显然就是：sqrt(noisePower)*randn(n,1)，其中n为信号长度。
3. 上面所说的都是具有分布特性（相关的）随机序列，如果需要添加不相关的随机序列，则可以使用jimin版友的方法：
%=========================================%
for i=1:100
x(i)=randn(1);
end
%=========================================%
即先产生噪声信号，后再与原信号叠加。
最后是另外的一些常见问题，整理如下：
1. Matlab中如何产生值为0，1的随机序列？【转bainhome版友】：round(rand(5))
2. Matlab中如何计算信噪比？下面的代码转自Happy教授：
%=========================================%
function snr=SNR(I,In)
% 计算信号噪声比函数
% by Qulei
% I :original signal
% In:noisy signal(ie. Original signal + noise signal)
% snr=10*log10(sigma2(I2)/sigma2(I2-I1))
[row,col,nchannel]=size(I);
snr=0;
if nchannel==1%gray image
Ps=sum(sum((I-mean(mean(I))).^2));%signal power
Pn=sum(sum((I-In).^2));%noise power
snr=10*log10(Ps/Pn);
elseif nchannel==3%color image
for i=1:3
Ps=sum(sum((I(:,:,i)-mean(mean(I(:,:,i)))).^2));%signalpower
Pn=sum(sum((I(:,:,i)-In(:,:,i)).^2));%noise power
snr=snr+10*log10(Ps/Pn);
end
snr=snr/3;
end
%=========================================%
3. 随机产生1-n的索引排列：randperm函数
4. 随机产生1-60的正整数一个（三种方法）：