PULSE INTEGRATIE

[plc]

Ik probeer een signaal uit extract van geluidsoverlast door de integratie van terugkeer echo pulsen in MATLAB.Ik gebruik 'functie awgn' in te voeren lawaai.maar het geluid macht toeneemt naarmate i integreren.shouldnt de som van willekeurige nos.benadering nul?

 

[bulx]

Denk dat je integreren door toevoeging.
Misschien heb je vergeten te delen door het aantal monsters na het toevoegen van het lawaai signaal monsters?
-b

 

[plc]

thnx 4 het antwoord.while the sinosoid of interest shud add up.

Mijn punt is dat het signaal van belang is deterministisch, terwijl geluid is willekeurig. steekproeven moeten toevoegen tot ongeveer nul te geven,
terwijl de sinosoid van belang shud optellen.delen door nee.van monsters zou ook vermindering van het signaal macht. [/ b]

 

[bulx]

eigenlijk is het een goede vraag.Om nauwkeurig te beantwoorden, moet u te vinden wat de waarde is van een gecumuleerd Gaussian Randon variabele, gezien het gemiddelde en variantie van de verdeling.Ik denk dat het antwoord is dat de gecumuleerde bedrag is ook Gauss.
wil be nearly zero.

In de context van uw probleem, kunt u niet van uitgaan dat het lawaai accumuleert tot nul, alleen de gemiddelde
wil worden bijna nul.De som is nog steeds een Gaussian willekeurige variabele.

Natuurlijk, als je signaal is ook nul gemiddelde en periodiek (als een sinus is) het ook zal ophopen tot nul, determinstically.In het kort, gemiddeld is geen goed idee in dit verband.correlatie zou veel beter zijn.
-b

 

[plc]

wat voor soort correlatie zal het zijn?auto of cross-correlatie?
MATLAB functie shud die ik gebruik.er zijn nogal wat.

 

[armin]

Hoi
veronderstellen dat uw deterministische signaal zeggen X (t) heeft een periode van T.
en aannemen dat iedere keer dat u herhalen X (t), een additief geluid is toegevoegd aan X (t), zeggen Ni (t) en u Yi (t zal hebben), waarbij i is de index van de overeenkomstige interval en

Yi (t) = X (t) Ni (t); X: deterministische; Yi & Ni willekeurig.

geluid Gaussian met variantie = var (N)

als je X herhalen voor M tijden en GEMIDDELDE het resultaat, youwill hebben:

Y (t) = X (t) N (t)
waar
Y (t) = gem (Yi (t))
N (t) = gem (Ni (t))
((gemiddeld meer dan # van experimenten of herhalingen))

het is gemakkelijk aangetoond dat:
var (Y (t)) = (var N (t)) = (N) var / M

zo intuïtief, voor voldoende grote M: Y (t) -> X (t)

Arminvar gem ((Y))