白噪声(white noise)是指功率谱密度在整个频域内均匀分布的噪声。 所有频率具有相同功率密度的随机噪声称为白噪声。
按幅度分布方式又可以分为均匀分布和高斯分布。
1.均匀分布的白噪声
1.1均匀分布
均匀分布百度百科
在概率论和统计学中,均匀分布也叫矩形分布,它是对称概率分布,在相同长度间隔的分布概率是等可能的。 均匀分布由两个参数a和b定义,它们是数轴上的最小值和最大值,通常缩写为U(a,b);
属性:
1.2 rand函数及单位均匀分布
rand函数用来产生(0, 1)之间均匀分布的随机数组成的数组,即单位均匀分布。
Y = rand(n) 返回一个n x n的随机矩阵。如果n不是数量,则返回错误信息。
Y = rand(m,n) 或 Y = rand([m n]) 返回一个m x n的随机矩阵。
Y = rand(m,n,p,…) 或 Y = rand([m n p…]) 产生随机数组。
Y = rand(size(A)) 返回一个和A有相同尺寸的随机矩阵。
根据1.1章节可知,rand函数生成的数据均值为(0+1)/2=0.5;方差(功率)为1/12。
n=10000;
x=rand(1,n); %产生(0-1)单位均匀信号,1行,n列
subplot(211)
plot(x); %输出信号图
set(gca,'FontSize',20);
title('0-1服从均匀分布的随机序列信号');
subplot(212)
hist(x,50)
set(gca,'FontSize',20);
title('0-1服从均匀分布的随机序列直方图');
验证其均值为0.5,方差(功率)为1/12,即0.08333。
mean_x = mean(x) %验证均值为0.5
power_x = var(x) %验证功率为1/12
运行结果:
mean_x =
0.4987
power_x =
0.0831
符合要求。
1.3 rand函数生成广义均匀分布信号
实现均值为1,功率为8.3333的均匀分布噪声
方法1:
p = 8.3333;
N = 10000;
average = 1;
temp1 = rand(1, N); %产生(0-1)单位均匀信号,1行,n列
temp2 = temp1 - mean(temp1);%减去均值,得到均值为0
temp3 = temp2 * sqrt(p*12);%调整幅度,改变功率,默认功率为1/12
x = temp3 + average; %调整均值
figure
plot(x);
set(gca,'FontSize',20);
title('服从均匀分布的随机序列信号');
验证其均值为1,方差(功率)为8.3333。
power_x = var(x)
mean_x = mean(x)
运行结果:
power_x =
8.4519
mean_x =
1.0000
符合要求。
方法2:
rand函数默认均值为0.5,功率为0.083333,分析目标信号,获取上下限a、b即可:目标信号均值为1,即(a+b)/2=1;功率为8.3333,相比于单位均匀分布的功率增大100倍,即对应幅度增大10倍,因此b-a=10*(1-0),计算得b=6,a=-4
a=-4; %(a-b)均匀分布下限
b=6; %(a-b)均匀分布上限
fs=1e6; %采样率,单位:Hz
t=1e-2; %随机序列长度,单位:s
n=t*fs;
rand('state',0); %把均匀分布伪随机发生器置为0状态
u=rand(1,n); %产生(0-1)单位均匀信号,1行,n列
x=(b-a)*u+a; %广义均匀分布与单位均匀分布之间的关系
subplot(211);
plot(x); %输出信号图
set(gca,'FontSize',20);
title('服从均匀分布的随机序列信号');
subplot(212)
hist(x,50)
set(gca,'FontSize',20);
title('服从均匀分布的随机序列直方图');
验证其均值为1,方差(功率)为8.3333。
power_x = var(x) %验证功率
mean_x = mean(x) %验证均值
运行结果:
mean_x =
1.0515
power_x =
8.4122
符合要求。
2.高斯分布的白噪声
2.1均匀分布
高斯分布百度百科
正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussian distribution),正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线。
若随机变量X服从一个数学期望为μ、方差为σ2的正态分布,记为N(μ,σ2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
2.2 randn生成标准正态分布伪随机数
matlab语法与rand函数基本一致,所不同的是,randn产生的数值服从正态分布,即均值为0,方差为1。
y=randn(1,10000);
subplot(2,1,1);plot(y);
set(gca,'FontSize',20);
title('服从高斯分布的随机序列信号');
subplot (2,1,2);hist(y,50);
set(gca,'FontSize',20);
title('服从高斯分布的随机序列直方图');
验证其均值为0,方差为1。
power_y = var(y) %验证功率
mean_y = mean(y) %验证均值
运行结果:
power_y =
0.9823
mean_y =
0.0088
符合要求。
2.3 randn生成正态分布伪随机数
产生一个随机分布的指定均值和方差的伪随机数:将randn产生的结果乘以标准差,然后加上期望均值即可。例如,产生均值为2,方差为0.01的一个1×10000随机数,方式如下:
temp = randn(1,10000);
var_value= 0.01;
average = 2;
y=temp*sqrt(var_value) + average;
subplot(2,1,1);plot(y);
set(gca,'FontSize',20);
title('服从高斯分布的随机序列信号');
subplot (2,1,2);hist(y,50);
set(gca,'FontSize',20);
title('服从高斯分布的随机序列直方图');
验证其均值为2,方差为0.01。
power_y = var(y) %验证功率
mean_y = mean(y) %验证均值
运行结果:
power_y =
0.0099
mean_y =
2.0004
符合要求。
2.4 normrnd生成正态分布伪随机数
语法:
R=normrnd(MU,SIGMA)
R=normrnd(MU,SIGMA,m)
R=normrnd(MU,SIGMA,m,n)
说 明:
R=normrnd(MU,SIGMA):生成服从正态分布(MU参数代表均值,SIGMA参数代表标准差)的随机数。输入的向量或矩阵MU和SIGMA必须形式相同,输出R也和它们形式相同。标量输入将被扩展成和其它输入具有 相同维数的矩阵。
R=norrmrnd(MU,SIGMA,m):生成服从正态分布(MU参数代表均值,SIGMA参数代表标准差)的 随机数矩阵,矩阵的形式由m定义。m是一个1×2向量,其中的两个元素分别代表返回值R中行与列的维数。
R=normrnd(MU,SIGMA,m,n): 生成m×n形式的正态分布的随机数矩阵。
clear
clc
close all
y=normrnd(2,0.1,1,10000); %第一个参数均值,第二个参数标准差,第三、四参数行数和列数
%目标信号方差为0.01,即标准差0.1
subplot(2,1,1);plot(y)
set(gca,'FontSize',20);
title('均值为2,方差为0.01服从高斯分布的随机序列信号');
subplot (2,1,2);hist(y,50);
set(gca,'FontSize',20);
title('均值为2,方差为0.01服从高斯分布的随机序列直方图');
power_y = var(y) %验证功率
mean_y = mean(y) %验证均值
power_y =
0.0100
mean_y =
2.0019
符合要求。