AnyMath 文档
Notebook

随机过程和噪音

从DSP严格的数学装置的角度来看,噪声是随机的**(随机)**一个与确定性信号根本不同的过程,因为它的瞬时值无法预先预测。

rand.gif

让我们来看看在AnyMath脚本中对随机过程进行建模和分析的方法。:

*生成随机数的基本功能
*可视化分布密度的功能
*噪声信号的频率组成
*加性白高斯噪声信号平均

In [ ]:
# Pkg.add("WAV")

生成、可视化和分析的基本功能

考虑用于生成具有不同分布的随机数数组的函数。

让我们使用函数创建一个范围从1到100的整数矩阵,具有均匀分布 rand:

In [ ]:
rand(1:100,(3,4))
Out[0]:
3×4 Matrix{Int64}:
 55  38  68  18
 91   6  90  26
 50  54  37   8

让我们创建一个从0到1范围内的10,000个浮点数的向量,并使用该函数可视化其分布 histogram. 对于此函数,您可以选择设置"bins"的数量,即随机向量值边界的"gates"。 让我们确保函数的输出 rand 给我们一个随机变量的均匀分布:

In [ ]:
uniform = rand(10000);
histogram(uniform, nbins=20)
Out[0]:

现在我们将使用函数定义一个具有正态(高斯)分布(单位方差,零均值)的10,000个数字的向量 randn. 我们还使用函数可视化其分布 histogram 但是这次我们将以这样一种方式对其进行归一化,即所有"垃圾箱"的总和等于一。 因此,我们得到向量中某个数字落在一定边界内的概率。:

In [ ]:
gaussian = randn(10000);
histogram(gaussian, nbins=50, normalize=:probability, color=:cyan4)
Out[0]:

让我们计算具有均匀和高斯分布的随机向量的基本统计量:

In [ ]:
duni, muni = EngeeDSP.Functions.var(uniform);
dgauss, mgauss = EngeeDSP.Functions.var(gaussian);
println("均匀分布:平均 - ", muni, " 方差 - ", duni)
println("正态分布:平均值 - ", mgauss, " 方差 - ", dgauss)
Равномерное распределение: среднее - 0.49967003217802675 дисперсия - 0.0834509615643607
Нормальное распределение: среднее - -0.005309704120389261 дисперсия - 1.0058092035592265

均匀总和的正态分布

中心极限定理(CPT)是概率论的基本规则。 它说,大量独立随机变量的总和具有非常接近正常的分布(类似于钟形),而不管术语的原始分布是什么。 主要条件是没有一个术语应该占主导地位。

In [ ]:
Слагаемых = 8 # @param {type:"slider",min:1,max:8,step:1}
N = Слагаемых;

noisemat = rand(10000,N);
sumsignal = sum(noisemat,dims=2);
histogram(sumsignal, nbins=100, 
                    normalize=:probability, 
                    color=:olive, 
                    leg=false,
                    size=(800,250))
Out[0]:

白高斯噪声

让我们使用该功能 awgn 来自AnyMathComms库,用于向正弦信号添加类似的噪声。 我们将指定一个附加参数作为函数的输入参数,该参数确定信噪比值为8dB。:

In [ ]:
t = 0:1/1000:1;
sine_wave = cos.(10*2pi.*t);
plot(t,sine_wave, grid=true, leg=false,
        xlim=(0,0.2),
        ylim=(-2,2),
        lw=3)
sine_noise, variance = EngeeComms.Functions.awgn(sine_wave,8);
plot!(t,sine_noise, title = "加性白高斯噪声信号")
Out[0]:

让我们将噪声分量分离成一个单独的变量 noise,我们会及时显示它的计数:

In [ ]:
noise = sine_noise .- sine_wave;
plot(t,noise,l=:stem, leg=false,
            xlim = (0,0.1),
            ylim = (-1.5,1.5),
            lw=2,
            m=:c,
            ms=2,
            grid=true,
            title="加性白高斯噪声")
Out[0]:

让我们使用内置函数绘制此噪声的频谱 pspectrum. 确保噪音真的是"白色":

In [ ]:
EngeeDSP.Functions.pspectrum(noise; out=:plot)
Out[0]:
([6.769341406980952e-9; 4.1379065778417257e-7; … ; 9.60852708997955e-6; 4.978659968030431e-6;;], [0.0; 0.0007671776931843207; … ; 3.1408254758966088; 3.141592653589793;;], Any[], Plot{Plots.PlotlyJSBackend() n=1})

我们还要确保它是高斯的,即它具有正态分布。:

In [ ]:
histogram(noise, nbins=100, grid=true)
Out[0]:

让我们听一个使用函数的正态分布的白噪声示例 audioplayer:

In [ ]:
include("audioplayer.jl") 
beatuiful_sound_to_relax = randn(Int(1e5));
audioplayer(beatuiful_sound_to_relax,44100) 

用白高斯噪声对信号进行平均

让我们创建一个"长"信号-一个带有ABSH的正弦曲线。 然后我们将其分成每个200个样本的相干(具有相同的初始和最终相位)段。 让我们确保它们成功地相互重叠。:

In [ ]:
tt = 0:1/1000:4-1/1000;
long_clean = cos.(10*2pi.*tt);
long_noisy,_ = EngeeComms.Functions.awgn(long_clean,10);
noisy_matrix = reshape(long_noisy,(200,20));
plot(tt[1:200],noisy_matrix[:,1])
plot!(tt[1:200],noisy_matrix[:,11])
Out[0]:
In [ ]:
Осреднение = 1 # @param {type:"slider",min:1,max:20,step:1}
M = Осреднение;

avg = sum(noisy_matrix[:,1:M], dims=2) ./ M;

plot(tt[1:200],avg, leg=false,
            xlim=(0,0.2),
            grid=true,
            lw=3,
            title = "Осреднение в  $M  раз")
Out[0]: