一篇文章搞定非高斯噪声

科研Beatles

已于 2024-05-08 15:03:43 修改

阅读量1k

点赞数 7

文章标签：信号处理信息与通信

于 2023-08-24 12:51:17 首次发布

本文链接：https://blog.csdn.net/weixin_43702241/article/details/132469098

版权

备注:所有内容均原创，如需要代码可以联系Q286820790或者邮箱286820790@qq.com

1.序言

2.高斯白噪声（Gaussian White Noise Model）

2.1高斯白噪声（Gaussian White Noise）：噪声幅度服从高斯分布即正态分布，功率谱密度是一个常数值也就是（是功率谱密度,也是方差的2倍）。

3.2.3 MiddletonClass A模型

1.序言

通俗来说，非高斯噪声（Non-Gaussian Noise），也叫脉冲噪声（Impulsive Noise）就是其概率密度函数（PDF）不满足高斯分布（正态分布）的随机过程。

例如机器学习中常用到的高斯混合模型（GMM），水声领域中经常用的α稳定分布模型（α-stable）以及电力线（PLC）以及大气噪声（Atmosphere Noise）中经常使用的Middleton Class A（MCA）模型以及Middleton Class B（MCB）模型。

2.高斯白噪声（Gaussian White Noise Model）

2.1高斯白噪声（Gaussian White Noise）：噪声幅度服从高斯分布即正态分布，功率谱密度是一个常数值也就是 $N_{0}/2$ （ $N_{0}=2\sigma ^2$ 是功率谱密度,也是方差的2倍）。

2.2高斯噪声一维概率密度函数（PDF）

$P(x)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{(x-\mu)^2}{2 \sigma^2}\right)$
其中， $\mu$ 为均值， $\sigma$ 为方差。

MATLAB代码如下

clc;clear all;close all
%% 高斯白噪声PDF
%% 方法一：MATLAB自带的norpdf函数
x=-5:.2:5;
mu=0 ;%均值
sigma=1;   %方差
PDF_G=normpdf(x,mu,sigma);
plot(x,PDF_G,"r-*")
legend("高斯PDF 均值0 方差1")
xlabel('x');
ylabel("Amplitude")
axis([-5 5 0 0.5])
set(gca,'FontSize',16);

2.3高斯噪声随机数

%% 方法一：MATLAB自带的randn函数
N=1000;  %1000个噪声点
mu=0 ;%均值
sigma=1;   %方差
Rand_G=mu+sigma*randn(1,N);
plot(Rand_G)
legend("高斯随机数 均值0 方差1")
xlabel('N');
ylabel("Amplitude")
set(gca,'FontSize',16);

3.非高斯噪声

3.1非高斯噪声特点

（说白了就是相比了高斯噪声，它的特点如下）

随机性:（与高斯噪声相同特性，这个就不解释了，没有随机性的还能叫噪声？）
脉冲性：具有大的脉冲幅值，且持续时间短，振幅大
重尾（拖尾）特性（heavy tailed）：与高斯PDF相比，脉冲噪声具有严重的拖尾效应。

3.2常用的非高斯噪声模型

3.2.1GMM模型

高斯混合模型又叫GMM模型，经常在机器学习中应用其概率密度函数PDF为

$P(x)=\frac{\varepsilon _{1}}{\sqrt{2 \pi} \sigma_{1}} \exp \left(-\frac{(x-\mu_{1})^2}{2 \sigma_{1}^2}\right)+\frac{\varepsilon _{2}}{\sqrt{2 \pi} \sigma_{2}} \exp \left(-\frac{(x-\mu_{2})^2}{2 \sigma_{2}^2}\right)$

他表示为两个具有不同加权系数 $\varepsilon _{1}$ 以及 $\varepsilon _{2}$ 的加权和（这里我们只考虑两项），第一项表示为高斯项， $\mu_{1}$ 为均值， $\sigma_{1}$ 为方差；第二项表示为脉冲项， $\mu_{2}$ 为均值， $\sigma_{2}$ 为方差。

可以看出，GMM模型的PDF相比于高斯PDF具有拖尾的性质。

3.2.2 α稳定分布模型

α-稳定分布模型又称为Levy噪声模型，是Levy根据广义中心极限定理（The Generalized Central Limit Theorem）得到的，该分布模型不像GMM模型以及高斯模型，具有封闭的概率密度解析式，因此一般采用特征函数

$\varphi(t)=\exp \left\{j a t-\gamma|t|^\alpha[1+j \beta \operatorname{sgn} w(t, \alpha)]\right\}$

其中

$w(t, \alpha)= \begin{cases}\frac{2}{\pi} \log |t|, & \alpha=1 \\ \tan \frac{\alpha \pi}{2}, & \alpha \neq 1\end{cases} \\ \operatorname{sgn}(u)= \begin{cases}1, & u>0 \\ 0, & u=0 \\ -1, & u<0\end{cases}$

α稳定分布由4个参数决定。 $\alpha$ 表示脉冲指数， $\beta$ 为对称参数， $\gamma$ 为散度相当于高斯噪声中的方差， $\delta$ 为位置参数

可以看出α稳定分布的PDF具有严重的拖尾性质，且脉冲指数α越小，拖尾性质越严重。

3.2.3 MiddletonClass A模型

Middle Class A模型是由学者Dr. Middleton 提出的具有明确物理意义的三大模型之一（区别于α稳定分布，它属于经验模型）。包括Middleton Class A,B,C模型。

Middleton Class A噪声的PDF如下，他表示具有无穷项不同加权系数的高斯加权和，一共有 $m$ 项，整体 $m$ 项又服从泊松分布，因此它并不是简单的高斯项加权和。

$f_{A, \Gamma}(z)=\sum_{m=0}^{\infty} \frac{\alpha_{m}}{\sqrt{2 \pi \sigma_{m}^{2}}} \exp \left(-\frac{z^{2}}{2 \sigma_{m}^{2}}\right)$

$\alpha_{m}=\frac{e^{-A} A^{m}}{m !}$

$\Gamma=\frac{\sigma_{G}^{2}}{\sigma_{I}^{2}}$

它由三个参数决定，其中 $A$ 代表脉冲指数， $\Gamma$ 表示高斯系数比，高斯噪声平均功率比上脉冲噪声平均功率， $\sigma_{m}^2$ 为每项的方差， $\sigma_{m}^{2}=\sigma^{2} \frac{m / A+\Gamma}{1+\Gamma}$ ， $m$ 表示阶数。

可以看出，Middleton Class A的PDF也具有拖尾性质，且脉冲指数A越小拖尾越严重，随着脉冲指数A的增加，Class A的PDF越来越接近高斯的PDF，这也体现了Class A的优越性：可以从非高斯平滑的过渡到高斯模型。

科研Beatles

关注

7
点赞
踩
14

收藏

觉得还不错? 一键收藏
打赏
3
评论
一篇文章搞定非高斯噪声

通俗来说，非高斯噪声（Non-Gaussian Noise），也叫脉冲噪声（Impulsive Noise）就是其概率密度函数（不满足的随机过程。例如机器学习中常用到的，水声领域中经常用的以及电力线（PLC）以及大气噪声（Atmosphere Noise）中经常使用的。
复制链接

扫一扫