实验1 白噪声和M序列的产生
实验报告
哈尔滨工业大学
航天学院控制科学与工程系
专业：自动化
班级：0904103
姓名：邱国锐
学号：1090410321
日期：2012 年9 月27 日
1．实验题目：白噪声和M序列的产生
．实验对象或参数
、生成均匀分布随机序列
1）利用混合同余法生成[0, 1]区间上符合均匀分布的随机序列，并计算该序列的均值和方差，与理论值进行对比分析。要求序列长度为1200，推荐参数为a=65539
7．实验结果及分析
1、生成均匀分布随机序列 （1）生成的0-1均布随机序列如下所示：
200
400
600
800
1000
1200
00.10.2
0.30.40.50.60.70.80.91
计算序列的均值和方差 程序代码：
mean_R = mean(R) var_R = var(R)
均值和方差实际值： mean_R = 0.4969 var_R =
0.0837
均值和方差理论值： mean_R =0.5
var_R =1/12（ = 0.083333）
结论：容易看到，实际值与理论值较接近。
（2）该随机序列落在10个子区间的频率曲线图如下：
结论：从结果图可以容易看到，该序列的均匀性较好。 2、生成高斯白噪声
生成的白噪声如下图：
-2.5
-2-1.5-1-0.500.511.52
生成的白噪声的频率统计图如下：
05
10
15
20
25
结论：从结果图知，生成的白噪声基本服从N(0,1)分布。
3、生成M 序列
生成的M 序列如下（n = 63）
：
010203040506070
-1.5
-1
-0.5
0.5
1
1.5
验证M序列性质：
均衡特性：m序列每一周期中 1 的个数比0 的个数多1 个（-a和a的个数差1）
测试程序：
number_a = sum(M_XuLie == a);
number_a_c = sum(M_XuLie == -a);
number_a
number_a_c
结果：
number_a =
31
number_a_c =
32
结论：从测试结果看性质成立
游程特性：m序列的一个周期(p=2n-1)中，游程总数为2n-1。其中长度为k的游程个数占游程总数的1/2k=2-k，而且，在长度为k游程中，连1游程与连0 游程各占一半，其中1≤k≤(n-2)。长为(n-1)的游程是连0 游程，长为n 的游程是连 1 游程。
测试程序：
M_XuLie_Ext = [M_XuLie, -M_XuLie(end)];
run = int8(0);
test_number_a(6) = int8(0);
test_number_a_c(6) = int8(0);
for n = 1 : length(M_XuLie)
run = run + 1;
if(M_XuLie_Ext(n) ~= M_XuLie_Ext(n + 1))
if(M_XuLie_Ext(n) == a)
test_number_a(run) = test_number_a(run) + 1;
else
test_number_a_c(run) = test_number_a_c(run) + 1;
end
run = 0;
end
end
display(test_number_a);
display(test_number_a_c);
结果：
test_number_a =
8 4 2 1 1 0
test_number_a_c =
10 3 2 1 0 1
结论：从测试结果看性质成立
移位相加特性：m序列和它的位移序列模二相加后所得序列仍是该m序列的某个位移序列。
测试程序：
M_XuLie = M_XuLie';
M_XuLie = -0.5 * (M_XuLie - 1);
M_result = 1; % 验证成功则为1
for n = 1 : (length(M_XuLie) - 1)
M_XuLie_Shift = circshift(M_XuLie, n);
M_XuLie_Add = mod((M_XuLie + M_XuLie_Shift), 2);
is_shift_found = 0; % false
for k = 0 : (length(M_XuLie) - 1)
%if(isequal(circshift(M_XuLie, k), M_XuLie_Add))
if(circshift(M_XuLie, k) == M_XuLie_Add)
is_shift_found = 1;
end
end
if(is_shift_found == 0)
M_result = 0;
end
end
display(M_result);
结果：
M_result =
1
结论：从测试结果看性质成立
8．结论
本次试验主要实践了混合同余法，正态分布随机数产生方法，M序列生成原理，生成均匀分布随机序列，生成高斯白噪声，生成M序列。
使用混合同余法生成了服从N(0，1)分布的随机序列，同时根据独立同分布中心极限定理，得到了高斯白噪声。在实验1-3中使用6个移位寄存器和反馈通道生成了周期为63的M序列，同时验证了M序列的相关性质，从结果看，完全成立。
本次实验主要是对M序列和其相关性质有了更深入的了解，同时也进一步熟悉了MATLAB，收获颇多。
应用时间序列分析实验报告
单位根检验输出结果如下：序列x的单位根检验结果：
1967 58.8 53.4 1968 57.6 50.9 1969 59.8 47.2 1970 56.8 56.1 1971 68.5 52.4 1972 82.9 64.0 1973 116.9 103.6 1974 139.4 152.8 1975 143.0 147.4 1976 134.8 129.3 1977 139.7 132.8 1978 167.6 187.4 1979 211.7 242.9 1980 271.2 298.8 1981 367.6 367.7 1982 413.8 357.5 1983 438.3 421.8 1984 580.5 620.5 1985 808.9 1257.8 1986 1082.1 1498.3 1987 1470.0 1614.2 1988 1766.7 2055.1 1989 1956.0 2199.9 1990 2985.8 2574.3 1991 3827.1 3398.7 1992 4676.3 4443.3 1993 5284.8 5986.2 1994 10421.8 9960.1 1995 12451.8 11048.1 1996 12576.4 11557.4 1997 15160.7 11806.5 1998 15223.6 11626.1 1999 16159.8 13736.5 2000 20634.4 18638.8 2001 22024.4 20159.2 2002 26947.9 24430.3 2003 36287.9 34195.6 2004 49103.3 46435.8 2005 62648.1 54273.7 2006 77594.6 63376.9 2007 93455.6 73284.6 2008 100394.9 79526.5 run; proc gplot; plot x*t=1 y*t=2/overlay; symbol1c=black i=join v=none; symbol2c=red i=join v=none w=2l=2; run; proc arima data=example6_4; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run; proc arima; identify var=y crrosscorr=x; estimate methed=ml input=x plot; forecast lead=0id=t out=out; proc aima data=out; identify varresidual stationarity=(adf=2); run;
高斯噪声是一种随机噪声，在任选瞬时中任取n个，其值按n个变数的高斯概率定律分布。注： 1,高斯噪声完全由其时变平均值和两瞬时的协方差函数来确定，若噪声为平稳的，则平均值与时间无关，而协方差函数则变成仅和所考虑的两瞬时之差有关的相关函数，它在意义上等效于功率谱密度。 2,高斯噪声可以是大量独立的脉冲所产生的，从而在任何有限时间间隔内，这些脉冲中的每一个脉冲值与所有脉冲值的总和相比都可忽略不计。 3,实际上热噪声、散弹噪声及量子噪声都是高斯噪声。 白噪声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（功率谱密度随频率变化）。 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。 白噪声的功率谱密度是一个常数。这是因为：白噪声的时域信号中任意两个不同时刻是不相关的，因此，白噪声的自相关函数为冲击函数，因此，白噪声的功率谱密度为常数。（自相关函数和功率谱密度是傅立叶变换对）。 当随机的从高斯分布中获取采样值时，采样点所组成的随机过程就是“高斯白噪声”；同理，当随机的从均匀分布中获取采样值时，采样点所组成的随机过程就是“均匀白噪声”。 “非白的高斯”噪声——高斯色噪声。这种噪声其分布是高斯的，但是它的频谱不是一个常数，或者说，对高斯信号采样的时候不是随机采样的，而是按照某种规律来采样的。 仿真时经常采用高斯白噪声是因为实际系统（包括雷达和通信系统等大多数电子系统）中的主要噪声来源是热噪声，而热噪声是典型的高斯白噪声，高斯噪声下的理想系统都是线性系统。 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。这是考查一个信号的两个不同方面的问题。
湖南科技大学 移动通信实验报告 姓 名： 吴文建 学 号： 1208030104 专业班级： 应用电子技术教育一班 实验名称： m 序列产生及其特性实验 实验目的： 掌握m 序列的特性、产生方法及其应用 实验仪器：1、pc 机一台 2、 实验原理： 1、m 序列的产生 ：m 序列是由带线性反馈的移存器产生的。结构如图： a n-1 a n-r ... a n-3 a n-2 C 1 C r C 3C 2 ...C 0 输出 输出为反馈移位寄存器的结构，其中an-i 为移位寄存器中每位寄存器的状态，Ci 为第i 位寄存器的反馈系数。Ci ＝1表示有反馈，Ci ＝0表示无反馈。 一个线性反馈移位寄存器能否产生m 序列，取决于它的反馈系数Ci (例如上图的C3)。 对于m 序列，Ci 的取值必须按照一个本原多项式： ∑==n i i i x C x f 0 )(中的二进制系数来取值。 n 级移位寄存器可以产生的m 序列个数由下式决定： r N r ) 12(-Φ= 其中φ(x )为欧拉函数，表示小于等于x 并与x 互质的正整数个数（包括1在内）。 表1-1-1列出了部分m 序列的反馈系数C i ，按照下表中的系数来构造移位寄存器，就能产生相应的m 序列。
表1-1-1 m序列的反馈系数表 m序列的级数n m序列的周期P 反馈系数Ci(八机制) 3 7 13 4 1 5 23 5 31 45,67,75 6 63 103,147,155 7 127 203,211,217,235,277,313,325,345,367 8 255 435,453,537,543,545,551,703,747 9 511 1021,1055,1131,1157,1167,1175 10 1023 2011,2033,2157,2443,2745,3271 11 2047 4005,4445,5023,5263,6211,7363 12 4095 10123,11417,12515,13505,14127,15053 13 8192 20033,23261,24633,30741,32535,37505 14 16383 42103,51761,55753,60153,71147,67401 15 32765 100003,110013,120265,133663,142305 m序列的具有以下性质： （1）均衡性。m序列中0和1的数目基本相等 （2）游程分布 （3）移位相加性 （4）相关特性。自相关波形如图1-1-3所示 －1/p 1 P 图1-1-3 m序列的自相关波形（5）周期性 （6）伪随机性。分布无规律，具有与白噪声相似的伪随机特性 实验步骤： （1）预习m序列产生原理及其性质，独立设计m序列产生方法。 （2）画出m序列仿真流程图 （3）编写MATLAB程序并上机调试。 （4）验证m序列的相关性质。 （5）撰写实验报告。
《时间序列分析》课程实验报告
一、上机练习（P124） 1.拟合线性趋势 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 程序： data xiti1; input x@@; t=_n_; cards; 12.79 14.02 12.92 18.27 21.22 18.81 25.73 26.27 26.75 28.73 31.71 33.95 ; proc gplot data=xiti1; plot x*t; symbol c=red v=star i=join; run; proc autoreg data=xiti1; model x=t; output predicted=xhat out=out; run; proc gplot data=out; plot x*t=1 xhat*t=2/overlay; symbol2c=green v=star i=join; run; 运行结果：
分析：上图为该序列的时序图，可以看出其具有明显的线性递增趋势，故使用线性模型进行拟合：x t=a+bt+I t,t=1,2,3,…,12 分析：上图为拟合模型的参数估计值，其中a=9.7086,b=1.9829，它们的检验P值均小于0.0001，即小于显著性水平0.05，拒绝原假设，故其参数均显著。从而所拟合模型为：x t=9.7086+1.9829t.
分析：上图中绿色的线段为线性趋势拟合线，可以看出其与原数据基本吻合。 2.拟合非线性趋势 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 程序： data xiti2; input x@@; t=_n_; cards; 1.85 7.48 14.29 23.02 37.42 74.27 140.72 265.81 528.23 1040.27 2064.25 4113.73 8212.21 16405.95 ; proc gplot data=xiti2; plot x*t; symbol c=red v=star i=none; run; proc nlin method=gauss; model x=a*b**t; parameters a=0.1 b=1.1; der.a=b**t; der.b=a*t*b**(t-1); output predicted=xh out=out; run; proc gplot data=out; plot x*t=1 xh*t=2/overlay;
MATLAB中产生高斯白噪声，涉及到awgn和wgn函数 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(linear power)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, dB Watt)：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： 程序代码 y=randn(1,2500); y=y/std(y);
时间序列分析实验报告 P185#1、某股票连续若干天的收盘价如表5-4 （行数据）所示。 表5-4 304 303 307 299 296 293301 293 301 295 284286 286 287 284 282278 281 278 277279 278 270 268 272 273 279 279280 275 271 277 278279 283 284 282 283279 280 280 279278 283 278 270 275 273 273 272275 273 273 272 273272 273 271 272 271273 277 274 274272 280 282 292 295 295 294 290 291 288 288 290 293 288 289 291 293 293 290 288 287 289 292 288 288 285 282 286 286 287 284 283 286 282 287 286 287 292 292 294 291 288 289 选择适当模型拟合该序列的发展，并估计下一天的收盘价。 解： （1）通过SA漱件画出上述序列的时序图如下： 程序： data example5_1; in put x@@; time=_ n_; cards ; 304 303 307 299296 293 301 293 301 295 284286286 287 284 282 278 281 278277 279 278 270 268 272 273279279 280 275 271 277 278 279283 284 282 283 279 280 280279278 283 278 270 275 273 273272 275 273 273 272 273 272273271 272 271 273 277 274 274272 280 282 292 295 295 294290291 288 288 290 293 288 289291 293 293 290 288 287 289292288 288 285 282 286 286 287284 283 286 282 287 286 287292292 294 291 288 289 proc gplot data =example5_1; plot x*time= 1; symbol1 c=black v=star i =join; run ; 上述程序所得时序图如下： 上述时序图显示，该序列具有长期趋势又含有一定的周期性，为典型的非平稳序列。又因为该序列呈现曲线形式，所以选择2阶差分。
时间序列和白噪声 1.什么是白噪声答:白噪声是指功率谱密度在整个频域内均匀分布的噪声。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。高斯白噪声的概念--.白指功率谱恒定高斯指幅度取各种值时的概率px是高斯函数高斯噪声--n维分布都服从高斯分布的噪声高斯分布--也称正态分布又称常态分布。对于随机变量X记为Nμσ2分别为高斯分布的期望和方差。当有确定值时p x也就确定了特别当μ0σ21时X的分布为标准正态分布。2.matlab中白噪声和有色噪声怎么表示答:假设V和W是2个n维噪声序列其中V表示白噪声W表示有色噪声在MA TLAB中表示方法为: Vrandnmn Wfilterb1V b为滤波器系数。3.什么叫单边功率谱和双边功率谱他们如何计算答:单边功率谱密度N0主要用在复数信号中双边功率谱密度N0/2主要用在实信号中。单边功率谱适于基带分析在基带中是0中频。如果信号通过了调制将原中频搬移到了高频段原来的负频部分就成了正频利用双边功率谱进行分析。4.Matlab常用工具箱有哪些答:MATLAB包括拥有数百个内部函数的主包和三十几种工具包。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充MATLAB的符号计算可视化建模仿真文字处理及实时控制等功能。学科工具包是专业性比较强的工具包控制工具包信号处理工具包通信工具包等都属于此类。开放性使MA TLAB广受用户欢迎。除内部函数外所有MA TLAB主包文件和各种工具包都是可读可修改的文件用户通过对源程序的修改或加入自己编写程序构造新的专用工具包。MatlabMainToolbox--matlab主工具箱ControlSystemToolbox--控制系统工具箱CommunicationToolbox--通讯工具箱FinancialToolbox--财政金融工具箱SystemIdentificationToolbox--系统辨识工具箱FuzzyLogicToolbox--模糊逻辑工具箱Higher-OrderSpectralAnalysisToolbox--高阶谱分析工具箱ImageProcessingToolbox--图象处理工具箱LMIControlToolbox--线性矩阵不等式工具箱ModelpredictiveControlToolbox--模型预测控制工具箱μ-AnalysisandSynthesisToolbox--μ分析工具箱NeuralNetworkToolbox--神经网络工具箱OptimizationToolbox--优化工具箱PartialDifferentialToolbox--偏微分方程工具箱RobustControlToolbox--鲁棒控制工具箱SignalProcessingToolbox--信号处理工具箱SplineToolbox--样条工具箱StatisticsToolbox--统计工具箱SymbolicMathToolbox--符号数学工具箱SimulinkToolbox--动态仿真工具箱WaveleToolbox--小波工具箱5什么是加性噪声答: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。信道中加性噪声的来源一般可以分为三方面:1人为噪声:人为噪声来源于无关的其它信号源例如:外台信号、开关接触噪声、工业的点火辐射等2自然噪声:自然噪声是指自然界存在的各种电磁波源例如:闪电、雷击、大气中的电暴和各种宇宙噪声等3内部噪声:内部噪声是系统设备本身产生的各种噪声例如:电阻中自由电子的热运动和半导体中载流子的起伏变化等。某些类型的噪声是确知的。虽然消除这些噪声不一定很容易但至少在原理上可消除或基本消除。另一些噪声则往往不能准确预测其波形。这种不能预测的噪声统称为随机噪声。我们关心的只是随机噪声。随机噪声的分类常见的随机噪声可
现代通信原理作业一 姓名：张英伟学号：8036 班级：13级理工部3班 利用matlab完成： ●产生正弦波信号、均匀白噪声以及高斯白噪声并分别将两种噪声叠加到正弦 波信号上，绘出波形。 ●分别求取均匀白噪声序列和高斯白噪声序列的自相关及功率谱密度，绘出波 形。 一、白噪声区别及产生方法 1、定义： 均匀白噪声：噪声的幅度分布服从均匀分布，功率谱密度在整个频域内均匀分布的噪声。 高斯白噪声：噪声的幅度分布服从正态分布，功率谱密度在整个频域内均匀分布的噪声。 2、matlab仿真函数： rand函数默认产生是区间在[0,1]的随机数，这里需要利用公式： z2=a+(b-(a))*rand(m,n)............（公式1） randn函数默认产生均值是0、方差是1的随机序列，所以可以用其来产生均值为0、方差为1的正态分布白噪声，即N(0，12)。利用公式： z1=a+b*randn(1,n).................（公式2） 可以产生均值为a，方差为b2 高斯白噪声，即N(a，b2)。 二、自相关函数与功率谱密度之间的关系 1、功率谱密度：每单位频率波携带的功率，这被称为信号的功率谱密度。 2、自相关函数：描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度。 3、维纳-辛钦定理： 由于平均值不为零的信号不是平方可积的，所以在这种情况下就没有傅里叶变换。幸运的是维纳-辛钦定理提供了一个简单的替换方法，如果信号可以看作是平稳随机过程，那么功率谱密度就是信号自相关函数的傅里叶变换。 4、平稳随机过程：是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。（就是指得仅一个随机过程，中途没有变成另外一个统计特性的随机过程）
第一章设计内容及要求 基于MATLAB产生m序列 要求： 1．通过matlab编程产生m序列的产生原理及其产生方法。 2．对特定长度的m序列，分析其性质，及其用来构造其它序列的方法。
第二章m序列设计方案的选择 2.1 方案一 MATLAB编程非常简单，无需进行变量声明，可以很方便的实现m序列。 2.2 方案二 图2.1 Simulink实现m序列 Simulink是MATLAB最重要的组件之一，它提供了一个动态系统建模，仿真和综合分析的集成环境。在此环境中无需大量书写程序，而只需通过简单直观的鼠标操作，就可构造出复杂的系统。Simulink具有适应性广，结构及流程清晰及仿真精细等优点，基于以上优点，Simulink已被广泛的运用到控制理论和数字信号处理的复杂仿真和设计。 通过比较方案一和方案二，发现方案一的有点具有通用性而方案二利用MATLAB的Simulink直接搭建模块，在移位寄存器较少的情况下利用此方法比较简单，可是当移位寄存器的个数增多时，要搭建那么多的模块就显的很繁琐了，缺乏通用性，因此本次实验选择方案一。
第三章m序列的产生及性质 3.1 m序列的产生原理、结构及产生 m序列是最长线性反馈移位寄存器序列的简称，m序列是由带线性反馈的移位寄存器产生的。 由n级串联的移位寄存器和反馈逻辑线路可组成动态移位寄存器，如果反馈逻辑线路只由模2和构成，则称为线性反馈移位寄存器。 带线性反馈逻辑的移位寄存器设定初始状态后，在时钟触发下，每次移位后各级寄存器会发生变化，其中任何一级寄存器的输出，随着时钟节拍的推移都会产生一个序列，该序列称为移位寄存器序列。 n级线性移位寄存器的如图3.1所示： ◇A 图3.1 n级线性移位寄存器 图中C i表示反馈线的两种可能连接方式，C i=1表示连线接通，第n-i 级输出加入反馈中；C i=0表示连线断开，第n-i级输出未参加反馈。 因此，一般形式的线性反馈逻辑表达式为 ------表达式3.1将等式左边的a n移至右边，并将a n=C0a n(C0=1)带入上式，则上式可以 写成 -------表达式3.2 定义一个与上式相对应的多项式 --------表达式3.3 其中x的幂次表示元素的相应位置。该式为线性反馈移位寄存器的特征
《统计软件实验报告》SPSS软件的上机实践应用 时间序列分析
数学与统计学学院 一、实验内容： 时间序列是指一个依时间顺序做成的观察资料的集合。时间序列分析过程中最常用的方法是：指数平滑、自回归、综合移动平均及季节分解。 本次实验研究就业理论中的就业人口总量问题。但人口经济的理论和实践表明，就业总量往往受到许多因素的制约，这些因素之间有着错综复杂的联系，因此，运用结构性的因果模型分析和预测就业总量往往是比较困难的。时间序列分析中的自回归求积分移动平均法（ARIMA）则是一个较好的选择。对于时间序列的短期预测来说，随机时序ARIMA是一种精度较高的模型。 我们已辽宁省历年（1969-2005）从业人员人数为数据基础建立一个就业总量的预测时间序列模型,通过spss建立模型并用此模型来预测就业总量的未来发展趋势。 二、实验目的： 1.准确理解时间序列分析的方法原理 2.学会实用SPSS建立时间序列变量 3.学会使用SPSS绘制时间序列图以反应时间序列的直观特征。
4.掌握时间序列模型的平稳化方法。 5.掌握时间序列模型的定阶方法。 6.学会使用SPSS建立时间序列模型与短期预测。 7.培养运用时间序列分析方法解决身边实际问题的能力。 三、实验分析： 总体分析： 先对数据进行必要的预处理和观察，直到它变成稳态后再用SPSS对数据进行分析。 数据的预处理阶段，将它分为三个步骤：首先，对有缺失值的数据进行修补，其次将数据资料定义为相应的时间序列，最后对时间序列数据的平稳性进行计算观察。 数据分析和建模阶段：根据时间序列的特征和分析的要求，选择恰当的模型进行数据建模和分析。 四、实验步骤： SPSS的数据准备包括数据文件的建立、时间定义和数据期间的指定。 SPSS的时间定义功能用来将数据编辑窗口中的一个或多个变量指定为时间序列变量，并给它们赋予相应的时间标志，具体操作步骤是： 1.选择菜单：Date→Define Dates，出现窗口：
m序列产生实验 一、实验目的 1、m序列产生的基本方法； 2、m序列0状态消除的基本手段； 二、实验仪器 1、JH5001型通信原理实验箱一台； 2、MaxplusII开发环境一台； 3、JTAG下载电缆一根； 4、CPLD下载板一块； 5、微机一台； 6、示波器一台； 三、实验原理 m序列产生电路在通信电路设计中十分重要，它广泛使用在扩频通信、信号产生、仪器仪表等等电路中。 m序列有时也称伪噪声（PN）或伪随机序列，在一段周期内其自相关性类似于随机二进制序列。尽管伪噪声序列是确定的，但其具有很多类似随机二进制序列的性质，例如0和1的数目大致相同，将序列平移后和原序列的相关性很小。 PN序列通常由序列逻辑电路产生，一般是由一系列的两状态存储器和反馈逻辑电路构成。二进制序列在时钟脉冲的作用下在移位寄存器中移动，不同状态的输出逻辑组合起来并反馈回第一级寄存器作为输入。当反馈由独立的“异或”门组成（通常是这种情况），此时移位寄存器称为线性PN序列发生器。 如果线性移位寄存器在某些时刻到达零状态，它会永远保持零状态不变，因此输出相应地变为全零序列。因为n阶反馈移位寄存器只有2n-1个非零状态，所以由n阶线性寄存器生成的PN序列不会超过2n-1个。周期为2n-1的线性反馈寄存器产生的序列称为最大长度（ML）序列——m序列。
m 序列发生器的一般组成 m 序列发生器一般组成如上图所示，它用n 级移位寄存器作为主支路，用若干级模2加法器作为各级移位寄存器的抽头形成线性反馈支路。各抽头的系数hi 称为反馈系数，它必须按照某一个n 次本原多项式：∑==n i i i x h x h 0)(中的二进制 系数来取值。 在伪序列发生模块中，可以根据本原多项式的系数，…..h 8、h 7、h 6、h 5、h 4、h 3、h 2、h 1、h 0产生m 序列，这些系数可表示8进制数（1代表相连抽头进入反馈回路，0代表该抽头不进入反馈回路），如： 13、23、103、203 四、 课题设计要求 在输入时钟256KHz 的时钟作用下，可在外部跳线器的控制下改变产生不同的m 序列，在程序中定义的几个变量为： 输入： Main_CLK ：输入 256KHz 主时钟 M_Sel[1..0]：选择输出不同的m 序列 当 Mode[]=0：本原多项式为13（8进制表示）； 当 Mode[]=1：本原多项式为23（8进制表示）； 当 Mode[]=2：本原多项式为103（8进制表示）； 当 Mode[]=3：本原多项式为203（8进制表示）； 输出： M_Out ：m 序列输出 说明： 1、 M_Sel[1..0]与复接模块的m_sel0、m_sel1相连； M_Out 在测试点TPB01输出； 五、 实验步骤 1、将JH5001二次开发光盘内的基本程序m.tdf 及其它相关程序（在光盘的“2th\student_m ”子目录下）拷入机器内。注意：这里面有基本的程序框架(变量定义、主程序入口)，在m.acf 文件中所有定义不要改动，特别是
现代通信原理作业一 姓名：张英伟学号：133320085208036 班级：13级理工部3班 利用matlab完成： ●产生正弦波信号、均匀白噪声以及高斯白噪声并分别将两种噪声叠加到正弦 波信号上，绘出波形。 ●分别求取均匀白噪声序列和高斯白噪声序列的自相关及功率谱密度，绘出波 形。 一、白噪声区别及产生方法 1、定义： 均匀白噪声：噪声的幅度分布服从均匀分布，功率谱密度在整个频域内均匀分布的噪声。 高斯白噪声：噪声的幅度分布服从正态分布，功率谱密度在整个频域内均匀分布的噪声。 2、matlab仿真函数： rand函数默认产生是区间在[0,1]的随机数，这里需要利用公式： z2=a+(b-(a))*rand(m,n)............（公式1） randn函数默认产生均值是0、方差是1的随机序列，所以可以用其来产生均值为0、方差为1的正态分布白噪声，即N(0，12)。利用公式： z1=a+b*randn(1,n).................（公式2） 可以产生均值为a，方差为b2 高斯白噪声，即N(a，b2)。 二、自相关函数与功率谱密度之间的关系 1、功率谱密度：每单位频率波携带的功率，这被称为信号的功率谱密度。 2、自相关函数：描述随机信号X(t)在任意两个不同时刻t1，t2的取值之间的相关程度。 3、维纳-辛钦定理： 由于平均值不为零的信号不是平方可积的，所以在这种情况下就没有傅里叶变换。幸运的是维纳-辛钦定理提供了一个简单的替换方法，如果信号可以看作是平稳随机过程，那么功率谱密度就是信号自相关函数的傅里叶变换。 4、平稳随机过程：是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。（就是指得仅一个随机过程，中途没有变成另外一个统计特性的随机过程）
河南工程学院课程设计 《时间序列分析课程设计》学生姓名学号： 学院：理学院 专业班级： 专业课程：时间序列分析课程设计指导教师： 2017年 6 月 2 日
目录 1. 实验一澳大利亚常住人口变动分析..... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 2. 实验二我国铁路货运量分析........... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。 3. 实验三美国月度事故死亡数据分析...... 错误!未定义书签。 实验目的............................................... 错误!未定义书签。 实验原理............................................... 错误!未定义书签。 实验内容............................................... 错误!未定义书签。 实验过程............................................... 错误!未定义书签。课程设计体会 ............................ 错误!未定义书签。
M序列是工程中常用的输入信号，它的性质类似于白噪声，而白噪声是理论上最好的输入信号，可见M序列的价值。下面介绍M序列的matlab产生方法。 idinput函数 产生系统辨识常用的典型信号。 格式 u = idinput(N,type,band,levels) [u,freqs] = idinput(N,'sine',band,levels,sinedata) N 产生的序列的长度，如果N=[N nu]，则nu为输入的通道数，如果N=[P nu M]，则nu指定通道数，P为周期，M*P为信号长度。默认情况下，nu=1，M=1，即一个通道，一个周期。 Type 指定产生信号的类型，可选类型如下 Band 指定信号的频率成分。对于’rgs’、’rbs’、’sine’，band = [wlow, whigh]指定通带的范围，如果是白噪声信号，则band=[0, 1]，这也是默认值。指定非默认值时，相当于有色噪声。 对于’prbs’，band=[0, B]，B表示信号在一个间隔1/B（时钟周期）内为恒值，默认为[0, 1]。 Levels 指定输入的水平。Levels=[minu, maxu]，在type=’rbs’、’prbs’、’sine’时，表示信号u的值总是在minu和maxu之间。对于type=’rgs’，minu指定信号的均值减标准差，maxu指定信号的均值加标准差，对于0均值、标准差为1的高斯白噪声信号，则levels=[-1, 1]，这也是默认值。 说明 对于PRBS信号，如果M>1，则序列的长度和PRBS周期会做调整，使PRBS的周期为对应一定阶数的最大值（即2^n-1，n为阶数）；如果M=1，PRBS的周期是大于N的相应阶数的值。在多输入的情形时，信号被最大平移，即P/nu为此信号能被估计的模型阶次的上界。 上面的意思可如下理解：对于M=1时， ms = idinput(12, 'prbs', [0 1], [0 1]); figure stairs(ms) title('M序列')
第三章平稳时间序列分析 选择合适的模型拟合1950-2008年我国邮路及农村投递线路每年新增里程数序列，见表1： 表1 1950-2008年我国邮路及农村投递线路每年新增里程数序列 一、时间序列预处理 （一）时间序列平稳性检验 1.时序图检验 （1）工作文件的创建。打开EViews6.0软件，在主菜单中选择File/New/Workfile, 在弹出的对话框中，在Workfile structure type中选择Dated-regular frequency（时间序列数据），在Date specification下的Frequency中选择Annual(年度数)，在Start date中输入“1950”（表示起始年
份为1950年），在End date中输入“2008”（表示样本数据的结束年份为2008年），然后单击“OK”，完成工作文件的创建。 （2）样本数据的录入。选择菜单中的Quick/Empty group(Edit Series)命令，在弹出的Group对话框中，直接将数据录入，并分别命名为year（表示年份），X（表示新增里程数）。 （3）时序图。选择菜单中的Quick/graph…，在弹出的Series List中输入“year x”,然后单击“确定”，在Graph Options中的Specifi中选择“XYLine”,然后按“确定”，出现时序图，如图1所示： 图1 我国邮路及农村投递线路每年新增里程数序列时序图从图1中可以看出，该序列始终在一个常数值附近随机波动，而且波动的围有界，因而可以初步认定序列是平稳的。为了进一步确认序列的平稳性，还需要分析其自相关图。 2.自相关图检验 选择菜单中的Quick/Series Statistics/Correlogram...,在Series Name 中输入x（表示作x序列的自相关图），点击OK，在Correlogram Specification 中的Correlogram of 中选择Level，在Lags to include中输入24，点击OK，得到图2：
时间序列分析SAS软件实验报告： 以我国2002第一季度到2012年第一季度国内生产总值数据（季节效应模型）分析 班级：统计系统计0姓名： 学号： 指导老师： 20 年月日
时间序列分析报告 一、前言 【摘要】2012年3月5日温家宝代表国务院向大会作政府工作报告。温家宝在报告中提出，2012年国内生产总值增长7.5%。这是我国国内生产总值（GDP）预期增长目标八年来首次低于8%。 温家宝说，今年经济社会发展的主要预期目标是：国内生产总值增长7.5%；城镇新增就业900万人以上，城镇登记失业率控制在4.6%以内；居民消费价格涨幅控制在4%左右；进出口总额增长10%左右，国际收支状况继续改善。同时，要在产业结构调整、自主创新、节能减排等方面取得新进展，城乡居民收入实际增长和经济增长保持同步。 他指出，这里要着重说明，国内生产总值增长目标略微调低，主要是要与“十二五”规划目标逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。提出居民消费价格涨幅控制在4%左右，综合考虑了输入性通胀因素、要素成本上升影响以及居民承受能力，也为价格改革预留一定空间。 对于这一预期目标的调整，温家宝解释说，主要是要与“十二五”规划目标逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。 央行货币政策委员会委员李稻葵表示，未来若干年中国经济增长速度会有所放缓，这个放缓是必要的，是经济发展方式转变的一个必然要求。 【关键词】“十二五”规划目标国内生产总值增长率增速放缓提高发展质量附表：国内生产总值(2012年1季度) 绝对额（亿元）比去年同期增长（%） 国内生产总值107995.0 8.1 第一产业6922.0 3.8 第二产业51450.5 9.1 第三产业49622.5 7.5 注1：绝对额按现价计算，增长速度按不变价计算。注2：该表为初步核算数据。 GDP环比增长速度 环比增长速度（%） 2011年1季度 2.2 2季度 2.3 3季度 2.4 4季度 1.9 2012年1季度 1.8 注：环比增长速度为经季节调整与上一季度对比的增长速度。 此表是我国2012年第一季度国内生产总值及与2011年同期比较来源：前瞻网
姓名：朱奇峰 专业：电子与通信工程 方向：数字广播电视技术 学号：103320430109033 MATLAB 环境下的正弦信号及高斯白噪声仿真程序说明 一、信号的产生及时域观察 1、设定正选信号的频率为10HZ ，抽样频率为100HZ ； 2、设定N(0,0.25)高斯白噪声，及噪声功率为0.25W ； 3、最后将噪声叠加到正弦信号上，观察其三者时域波形。 二、信号频谱及白噪声功率谱的求解与观察 1、对原正弦信号直接进行FFT ，得出其频谱； 2、求白噪声的自相关函数，随机序列自相关函数的无偏估计公式为： 1 ^ 01()()()N m xx n r m x n x n m N m --==+-∑ 01m N ≤≤- ^^ ()()xx xx r m r m =- 01m N <<- 对所求自相关函数进行FFT 变换，求的白噪声的功率谱函数。 三、仿真结果：
附源程序代码： fs=100; fc=10; x=(0:1/fs:2); n=201; y1=sin(2*pi*fc*x); %原正弦信号，频率为10 a=0;b=0.5; %均值为a，方差为b^2 subplot(3,2,1); plot(x,y1,'r'); title('y=sin(20pi*x)'); ylabel('y'); xlabel('x/20pi'); grid; y2=a+b*randn(1,n); %高斯白噪声 subplot(3,2,2); plot(x,y2,'r'); title('N(0，0.25)的高斯白噪声'); ylabel('y'); xlabel('x/20pi'); grid; y=y1+y2; %加入噪声之后的信号 subplot(3,2,3); plot(x,y,'r'); title('叠加了高斯白噪声的sinx'); ylabel('y'); xlabel('x/20pi'); grid; FY=fft(y); %傅里叶变换得出频谱函数 FY1=fftshift(FY); %频谱校正 f=(0:200)*fs/n-fs/2; subplot(3,2,4); plot(f,abs(FY1),'r'); title('函数频谱图'); ylabel('F(jw)'); xlabel('w'); grid; %求高斯白噪声的自相关函数 m=50; i=-0.49:1/fs:0.49;