1. 程式人生 > >高斯白噪聲及Matlab常用實現方法

高斯白噪聲及Matlab常用實現方法

http://blog.sina.com.cn/s/blog_4d7c97a00101cv5h.html

一、概念

英文名稱:white Gaussian noise; WGN
定義:均勻分佈於給定頻帶上的高斯噪聲;
所謂高斯白噪聲中的高斯是指概率分佈是正態函式,而白噪聲是指它的二階矩不相關,一階矩為常數,是指先後訊號在時間上的相關性。這是考察一個訊號的兩個不同方面的問題。
高斯白噪聲:如果一個噪聲,它的幅度服從高斯分佈,而它的功率譜密度又是均勻分佈的,則稱它為高斯白噪聲。
熱噪聲和散粒噪聲是高斯白噪聲。
二、matlab舉例
Matlab有兩個函式可以產生高斯白噪聲,wgn( )和awgn( )。

1. WGN:產生高斯白噪聲
y = wgn(m,n,p)
y = wgn(m,n,p) %產生一個m行n列的高斯白噪聲的矩陣,p以dBW為單位指定輸出噪聲的強度。
y = wgn(m,n,p,imp)
y = wgn(m,n,p,imp) %以歐姆(Ohm)為單位指定負載阻抗。
y = wgn(m,n,p,imp,state)
y = wgn(m,n,p,imp,state) %重置RANDN的狀態。

在數值變數後還可附加一些標誌性引數: 
y = wgn(…,POWERTYPE) 指定p的單位。POWERTYPE可以是'dBW', 'dBm'或'linear'。線性強度(linear power)以瓦特(Watt)為單位。
y = wgn(…,OUTPUTTYPE) 指定輸出型別。OUTPUTTYPE可以是'real'或'complex'



2. AWGN:在某一訊號中加入高斯白噪聲
y = awgn(x,SNR)
y = awgn(x,SNR) %在訊號x中加入高斯白噪聲。信噪比SNR以dB為單位。x的強度假定為0dBW。如果x是 複數,就加入復噪聲。

y = awgn(x,SNR,SIGPOWER) 如果SIGPOWER是數值,則其代表以dBW為單位的訊號強度;如果SIGPOWER為'measured',則函式將在加入噪聲之前測定訊號強度。 
y = awgn(x,SNR,SIGPOWER,STATE) 重置RANDN的狀態。
y = awgn(…,POWERTYPE) 指定SNR和SIGPOWER的單位。POWERTYPE可以是'dB'或'linear'。如果POWERTYPE是'dB',那麼SNR以dB為單位,而SIGPOWER以dBW為單位。如果POWERTYPE是'linear',那麼SNR作為比值來度量,而SIGPOWER以瓦特為單位


clear,clc;
N=0:1000;
fs=1024;
t=N./fs;
y=3*sin(2*pi*t);
x=wgn(1,1001,2);
i=y+x;
% i=awgn(y,2);
subplot(3,1,1),plot(x);
subplot(3,1,2),plot(y);
subplot(3,1,3),plot(i);


補充:

一階矩就是隨機變數的期望,二階矩就是隨機變數平方的期望,以此可以類推高階的矩。



相關推薦

噪聲Matlab常用實現方法

http://blog.sina.com.cn/s/blog_4d7c97a00101cv5h.html一、概念英文名稱:white Gaussian noise; WGN定義:均勻分佈於給定頻帶上的高斯噪聲; 所謂高斯白噪聲中的高斯是指概率分佈是正態函式,而白噪聲是指它的二

python 寫matlab中的加性噪聲AWGN

power 原始信號 code 高斯 mat class wid .cn ges 定義 原始信號:x 噪聲信號:n 信噪比:SNR 信號長度:N def wgn(x, snr): snr = 10**(snr/10.0) xpower = np

噪聲

一.什麼是高斯白噪聲呢?       定義:首先是隨機變數,概率分佈為高斯分佈,所謂“白”即指指/它的二階矩不相關,一階矩為常數,是指先後訊號在時間上的相關性所以它的特性是在所有頻率分量上具有恆定值,故功率譜密度是一個常數,通常記作(單邊功率譜)。  

Python對批量wav檔案加入噪聲

#coding=gbk import os import wave import librosa import numpy as np def add_noise(data): wn = np.random.normal(0,1,len(data)) data_noise =

C++生成噪聲的程式

高斯白噪聲本質上是均值為0的正態分佈。 #include <iostream> #include <iterator> #include <random> int main() { // Example dat

部落格園首頁新隨筆聯絡管理訂閱 隨筆- 4 文章- 0 評論- 17 噪聲 版權宣告:本文釋出於http://younghit.cnblogs.com/,版權由Young!所有。如需轉載,請

:本文釋出於http://younghit.cnblogs.com/,版權由Young!所有。如需轉載,請註明出處。若在未經作者同意下將本文內容用於商業用途,將追究其法律責任。如果有問題,請以短訊息方式聯絡作者。     本文科普一下高斯白噪聲(white Gaussian noise,WGN)。   

各態歷經平穩噪聲

高斯噪聲指 概率密度函式為正態分佈 白噪聲 指功率譜密度為均勻分佈 平穩 指概率密度函式與時間無關, 各態歷經指統計平均等於時間平均 ————《現代通訊原理》官方解釋 進一步解釋  高斯說的是噪聲幅度的分佈 滿足各態歷經性的隨機過程 ,一個樣本函式的數字特徵就可以

卡爾曼濾波學習基礎(無偏估計、噪聲

一、無偏估計 1、定義 定義一 無偏估計是引數的樣本估計值的期望值等於引數的真實值。估計量的數學期望等於被估計引數,則稱此為無偏估計。 設A’=g(X1,X2,…,Xn)是未知引數A的一個點估計量,若A’滿足 E(A’)= A

斯坦福機器學習筆記1:GDA判別分析演算法的原理matlab程式實現

ps:我本身沒有系統的學過matlab程式設計,所以有的方法,比如求均值用mean()函式之類的方法都是用很笨的方法實現的,所以有很多需要改進的地方,另外是自學實現的程式,可能有的地方我理解錯誤,如果有錯誤請提出來,大家一起學習,本人qq553566286 首先,本文用到的

GMM混合背景建模C++結合Opencv實現(內附Matlab實現

最近在做視訊流檢測方面的工作,一般情況下這種視訊流檢測是較複雜的場景,比如交通監控,或者各種監控攝像頭,場景比較複雜,因此需要構建背景影象,然後去檢測場景中每一幀動態變化的前景部分,GMM高斯模型是建模的一種方法,關於高斯建模的介紹有很多部落格了,大家可以去找一找,本篇部落格主要依賴於上

吉布取樣——原理matlab實現

MCMC(馬爾可夫鏈蒙特卡洛方法):the Gibbs Sampler(吉布斯取樣)         在之前的部落格中,我們對比了在一個多元概率分佈p(x)中,分別採用分組(block-wise)和分成分(component-wise)實現梅特羅波利斯哈斯廷斯演算法。對

openCV之濾波(程式碼實現

        高斯濾波是一種線性平滑濾波,適用於消除高斯噪聲,廣泛應用於影象處理的減噪過程。通俗的講,高斯濾波就是對整幅影象進行加權平均的過程,每一個畫素點的值,都由其本身和鄰域內的其他畫素值經過加

求積公式 matlab

  1. 分別用三點和四點Gauss-Chebyshev公式計算積分                    

順序消元法(Python實現

main python實現 ber seq rev div 順序 inf break # coding: utf8 import numpy as np # 設置矩陣 def getInput(): matrix_a = np.mat([[2, 3, 11,

熵值法的應用matlab程式碼實現

熵值法是指用來判斷某個指標的離散程度的數學方法。離散程度越大,對該指標對綜合評價的影響越大。可以用熵值判斷某個指標的離散程度。 用    途判斷某個指標的 離散程度 離散程度越大該指標對綜合評價的影響越大 熵&nbs

【原始碼】採用-索思韋爾準則實現比隨機選擇收斂更快的座標下降法

從Nesterov的工作開始,最近關於隨機座標下降演算法的理論和應用已經進行了大量工作,表明隨機座標選擇準則能達到與高斯-索思韋爾選擇準則相同的收斂速度。 There has been significant recent work on the theory

感知機的演算法Matlab實現

感知機演算法的原始形式為 以上內容摘自 統計學習方法.李航 以下為自己寫的matlab 的感知器演算法實現 clear all data=[3 3 1; 4 3 1; 1.5 0 1; 0.5 0.9 1;

卷積核濾波的實現

轉載地址  http://blog.csdn.net/dcrmg/article/details/52304446#reply http://blog.csdn.net/yangyangyang20092010/article/details/48576007  也對高斯權值

影象模糊演算法及其 C 實現

高斯模糊的基本思路是根據二維 正太分佈 正態分佈 (感謝 xhr 大牛指正錯別字) 公式生成一個高斯矩陣, 求新影象中的每一點時, 將高斯矩陣的中心對準舊影象的這一點, 並將所有點根據高斯矩陣上對應的點加權平均. 二維正態分佈公式如下: u, v 分別為水平、豎直距離. 觀察可得, 當 r>3σ

影象處理------一階二階導數計算

影象的一階與二階導數計算在影象特徵提取與邊緣提取中十分重要。一階與二階導數的作用,通常情況下:一階導數可以反應出影象灰度梯度的變化情況二階導數可以提取出影象的細節同時雙響應影象梯度變化情況常見的運算元有