数字相关和数字卷积毕业论文

《生物医学信号处理》实验报告第18页共19页评分 大理大学实验报告课程名称生物医学信号处理实验名称数字相关和数字卷积专业班级姓名学号实验日期实验地点2015—2016学年度第3学期实验目的熟悉数字相关的运算，初步在信号处理中应用相关技术。实验环境1、硬件配置：处理器：AMDA10-5750MAPUwithRadeon(tm)Graphics2.50GHz安装内存：（RAM）4.00GB系统类型：64位操作系统，基于x64位处理器2、软件环境：MatlabR2012b实验原理相关可以从时域角度表现信号间的相似（关联）程度，是统计信号处理最基本的手段之一。设有离散信号x(n)和y(n)，线性相关函数定义为实际采集的信号总是有限长度，用有限的样本估计相关（自相关）函数求和项总数不是N而是N-|m|，因为当n=N-|m|-1时，n+|m|=N-1。此时xn+m已经到了数据边沿。这种估计是渐进无偏估计和一致估计。计算中，只要将其中一个序列反转，就可以用计算线性卷积的程序计算线性相关因此可以用FFT来加速相关运算，即对序列补零后，用循环相关计算线形相关，然后用循环卷积的快速算法计算循环相关，得到最终结果。实验内容已知发射波形，利用相关技术，在有强背景噪声的情况下检测回波的延时和强度。首先使用已知信号模版及其若干次衰减延迟生成仿真回波波形，然后与白噪声背景叠加，构造仿真信号。然后计算模版与仿真信号的相关函数，判断回波位置及相对强度。五、实验结果与分析实验程序：%作出八个模版的波形图clearall;clc;np=1:100;%p=sin(pi/5*np);%正弦%p=exp(-0.06*np);%指数衰减%p=sin(pi/5*np).*exp(-0.06*np);%指数衰减正弦%p=ones(size(np));%方波%loadecgdata;w=ecgdata(np);p=w';%产生100个心电信号的数据%loadeegdata;w=eegdata(np);p=w';%产生100个脑电信号的数据%loadicpdata;w=icpdata(np);p=w';%产生100个颅内压信号的数据%loadrespdata;w=respdata(np);p=w';%产生100个呼吸信号的数据figure;subplot(1,1,1);plot(np,p);n=1:1000;%定义1000点长的随机信号w=randn(size(n));%产生1000点长的随机信号噪声s=zeros(size(n));%产生1000点长的有用信号%通过改变衰减系数对已知信号模版进行若干次衰减，生成仿真回波A=3;%衰减系数s(100:199)=s(100:199)+A*p;s(500:599)=s(500:599)+(A/3)*p;s(800:899)=s(800:899)+(A/3/3)*p;x=s+w;%仿真回波与白噪声叠加构造仿真信号figure;subplot(3,1,1);plot(n,w);title('Noise');%作出噪声信号的图，并添加标题subplot(3,1,2);plot(n,s);title('Signal');%作出有用信号的图，并添加标题subplot(3,1,3);plot(n,x);title('SignalwithNoise');%作出观测信号的图，并添加标题p=[p,zeros(1,length(x)-length(p))];%如果要求归一化相关系数（相干系数），两个序列要同样长Rps=xcorr(s,p,'coeff');%对有用信号做互相干函数Rpw=xcorr(w,p,'coeff');%对噪声信号做互相干函数Rpx=xcorr(x,p,'coeff');%对观测信号做互相干函数n2=(n(1)-np(end)):(np(end)-n(1));%线性相关的范围figure;subplot(3,1,1);plot(Rps);title('Rpwofp(n)ands(n)');%作出有用信号线性相干后的图，并添加标题subplot(3,1,2);plot(Rpw);title('Rpsofp(n)andw(n)');%作出噪声信号线性相干后的图，并添加标题subplot(3,1,3);plot(Rpx);title('Rpxofp(n)andx(n)');%作出观测信号线性相干后的图，并添加标题实验结果：(a)(b)(c)图1模板为方波，A=3，均值为0，方差为1的结果图（a）(b)(c)图2模板为正弦波，A=3，均值为0，方差为1的结果图（a）(b)(c)图3模板为指数衰减信号，A=3，均值为0，方差为1的结果图(a)(b)(c)图4模板为指数衰减正弦信号，A=3，均值为0，方差为1的结果图(a)(b)(c)图5模板为100个心电信号数据，A=3，均值为0，方差为1的结果图(a)(b)(c)图6模板为100个脑电信号数据，A=3，均值为0，方差为1的结果图(a)(b)(c)图7模板为100个颅内压信号数据，A=3，均值为0，方差为1的结果图(a)(b)(c)图8模板为100个呼吸信号数据，A=3，均值为0，方差为1的结果图(a)(b)(c)图9模板为方波，A=-3，均值为0，方差为1的结果图(a)(b)(c)图10模板为正弦波，A=-3，均值为0，方差为1的结果图(a)(b)(c)图11模板为指数衰减信号，A=-3，均值为0，方差为1的结果图(a)(b)(c)图12模板为指数衰减正弦信号，A=-3，均值为0，方差为1的结果图(a)(b)(c)图13模板为100个心电信号数据，A=-3，均值为0，方差为1的结果图(a)(b)(c)图14模板为100个脑电信号数据，A=-3，均值为0，方差为1的结果图(a)(b)(c)图15模板为100个颅内压信号数据，A=-3，均值为0，方差为1的结果图(a)(b)(c)图16模板为100个呼吸信号数据，A=-3，均值为0，方差为1的结果图(a)(b)(c)图17模板为方波，A=3，均值为0，方差为3的结果图(a)(b)(c)图18模板为正弦波，A=3，均值为0，方差为3的结果图(a)(b)(c)图19模板为指数衰减信号，A=3，均值为0，方差为3的结果图(a)(b)(c)图20模板为指数衰减正弦信号，A=3，均值为0，方差为3的结果图(a)(b)(c)图21模板为100个心电信号，A=3，均值为0，方差为3的结果图(a)(b)(c)图22模板为100个脑电信号，A=3，均值为0，方差为3的结果图(a)(b)(c)图23模板为100个颅内压信号，A=3，均值为0，方差为3的结果图(a)(b)(c)图24模板为100个呼吸信号，A=3，均值为0，方差为3的结果图(a)(b)(c)图25模板为方波信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图26模板为正弦信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图27模板为指数衰减信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图28模板为指数衰减正弦信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图29模板为100个心电信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图30模板为100个脑电信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图31模板为100个颅内压信号，A=3，均值为0，方差为0.01的结果图(a)(b)(c)图32模板为100个呼吸信号，A=3，均值为0，方差为0.01的结果图（a)方波模板(b)均值滤波(c)中值滤波图３３模板为方波，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)正弦波模板(b)均值滤波(c)中值滤波图３4模板为正弦波，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)指数衰减波模板(b)均值滤波(c)中值滤波图３5模板为指数衰减波，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)指数衰减正弦波模板(b)均值滤波(c)中值滤波图３6模板为指数衰减正弦波，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)100个心电信号模板(b)均值滤波(c)中值滤波图３7模板为100个心电信号模板，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)100个心脑信号模板(b)均值滤波(c)中值滤波图３8模板为100个心电信号模板，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)100个颅内压信号模板(b)均值滤波(c)中值滤波图３9模板为100个颅内压信号模板，A=3，均值为0，方差为1均值滤波和中值滤波结果图（a)100个呼吸信号模板(b)均值滤波(c)中值滤波图40模板为100个呼吸信号模板，A=3，均值为0，方差为1均值滤波和中值滤波结果图%线性相关、线性相干、线性卷积以方波、正弦、指数衰减、指数正弦衰减信号为例%（a）线性想干函数（b）线性相关函数(c)线性卷积