冠军资讯
木木不是木最近在帮一位华东理工大学的学弟解决随机信号处理实验的相关问题，发现很多同学在实验过程中会遇到一些共性的难题。这里结合我过去的一些经验，整理了一份避坑指南，希望能帮助到大家。
问题一：随机信号生成及统计特性验证
场景重现： 很多同学在生成随机信号后，发现计算得到的均值、方差等统计特性与理论值存在较大偏差。这往往是因为采样点数不足，或者随机数生成器存在问题。
底层原理： 随机信号的统计特性是建立在大量样本的基础上的。采样点数越少，统计结果的偏差就越大。此外，不同的编程语言提供的随机数生成器质量也可能不同。例如，某些早期的C语言库可能使用线性同余法生成伪随机数，其周期较短，相关性较强，不适合用于精确的随机信号模拟。
代码/配置解决方案：
增加采样点数： 这是最直接有效的办法。例如，将采样点数从1000增加到10000甚至更多。
选择合适的随机数生成器： 现代编程语言通常提供了多种随机数生成器。例如，Python的
numpy.random模块提供了PCG64、MT19937等多种选择，建议使用PCG64，因为它具有更好的统计特性和更长的周期。
import numpy as np
# 使用PCG64随机数生成器
rng = np.random.default_rng(seed=42)
random_signal = rng.normal(loc=0, scale=1, size=10000) # 生成均值为0，方差为1的正态分布随机信号
# 计算均值和方差
mean = np.mean(random_signal)
variance = np.var(random_signal)
print(f"均值：{mean}")
print(f"方差：{variance}")
- 设置随机数种子： 为了保证实验的可重复性，建议每次运行程序前都设置随机数种子。
实战避坑：
- 不要盲目相信默认的随机数生成器，要了解其特性，选择合适的生成器。
- 采样点数要足够大，才能保证统计结果的准确性。
- 注意随机数种子的设置，保证实验的可重复性。
问题二：信号的时域分析与频域分析
场景重现： 在进行信号的频谱分析时，得到的频谱图噪声很大，难以辨认信号的频率成分。这可能是由于采样频率不足，或者使用了不合适的窗函数。
底层原理： 奈奎斯特采样定理指出，采样频率必须大于信号最高频率的两倍，才能保证信号不失真。如果采样频率不足，就会出现频谱混叠现象。此外，窗函数可以减少频谱泄露，提高频谱分辨率。
代码/配置解决方案：
提高采样频率： 根据奈奎斯特采样定理，选择合适的采样频率。
选择合适的窗函数： 常用的窗函数包括矩形窗、汉宁窗、汉明窗、布莱克曼窗等。不同的窗函数具有不同的频谱特性。一般来说，汉宁窗和汉明窗在频谱分辨率和频谱泄露之间取得了较好的平衡。
import numpy as np
import matplotlib.pyplot as plt
# 生成信号
fs = 1000 # 采样频率
t = np.arange(0, 1, 1/fs) # 时间向量
f1 = 50 # 信号频率
signal = np.sin(2 * np.pi * f1 * t)
# 加窗
window = np.hanning(len(signal))
windowed_signal = signal * window
# 傅里叶变换
fft_result = np.fft.fft(windowed_signal)
fft_result = np.fft.fftshift(fft_result) # 将零频率分量移到频谱中心
frequencies = np.fft.fftshift(np.fft.fftfreq(len(signal), 1/fs))
# 绘制频谱图
plt.plot(frequencies, np.abs(fft_result))
plt.xlabel("频率 (Hz)")
plt.ylabel("幅度")
plt.title("信号频谱图 (汉宁窗)")
plt.show()
实战避坑：
- 在进行频谱分析前，一定要检查采样频率是否满足奈奎斯特采样定理。
- 根据信号的特点，选择合适的窗函数。
- 可以使用功率谱密度(PSD)来分析信号的频率成分，尤其是在信号包含噪声的情况下。
scipy.signal.welch函数可以计算PSD。
问题三：随机过程的平稳性检验
场景重现： 在判断一个随机过程是否平稳时，仅仅通过观察时域波形很难做出准确的判断。需要借助一些统计方法。
底层原理： 严平稳是指随机过程的任何有限维分布都与时间无关。宽平稳是指随机过程的均值和自相关函数与时间无关。在实际应用中，宽平稳更为常见。检验平稳性的常用方法包括ADF检验、KPSS检验等。
代码/配置解决方案：
import numpy as np
from statsmodels.tsa.stattools import adfuller, kpss
# 生成随机过程
rng = np.random.default_rng(seed=42)
random_process = rng.normal(loc=0, scale=1, size=1000)
# ADF检验
adf_result = adfuller(random_process)
print("ADF检验结果：")
print(f" ADF统计量：{adf_result[0]}")
print(f" p值：{adf_result[1]}")
print(f" 临界值：{adf_result[4]}")
# KPSS检验
kpss_result = kpss(random_process, regression='c', nlags='auto')
print("\nKPSS检验结果：")
print(f" KPSS统计量：{kpss_result[0]}")
print(f" p值：{kpss_result[1]}")
print(f" 临界值：{kpss_result[3]}")
实战避坑：
- ADF检验的原假设是序列具有单位根（非平稳），KPSS检验的原假设是序列是平稳的。因此，需要结合两种检验的结果进行判断。
- 需要根据实际情况选择合适的检验方法和参数。
希望这些经验能帮助大家顺利完成华东理工大学的随机信号处理实验。如果还有其他问题，欢迎留言讨论。
