什么是高斯白噪声

问题一：高斯白噪声是什么 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。

高斯随机过程是指它的任意 n维（n=1，2，…）概率密度函数，可以表示为：

f (x , x t t )

= (3-3)

式中， = 为相关系数矩阵的行列式，

=

是行列式中元素 所对应的代数余因子。

式子（3-1）就是高斯白噪声所对应的数学函数模型

问题二：什么是标准高斯白噪声 高斯噪声是指噪声的概率密度函数服从高斯分布，白噪声是指噪声的任意两个采样样本之间不相关，两者描述的角度不同。

严格地说，白噪声只是一种理想化模型，因为实际噪声的功率谱密度不可能具有无限宽的带宽，否则它的平均功率将是无限大，是物理上不可实现的。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d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。

用matlab怎么做出来标准白噪音：

生成高斯分布的随机数就用randn()；y=randn(1,2500)y=y/std(y)y=y-mean(y)a=0.0128b=sqrt(0.9596)y=a+b*y%a为期望，b为标准差

2. 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。

3. 要给指定信号加噪就用awgn()。

问题三：高斯白噪声的介绍 所谓高斯白噪声(White Gaussian Noise)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。

问题四：通信原理中为什么选用高斯白噪声 高斯白噪声，是指噪声的概率密度函数满足正态分布统计特性，同时它的功率谱密度函数是常数的一类噪声。

在通信系统的理论分析中，特别是在分析、计算系统抗噪声性能时，经常假定系统中信道噪声（即前述的起伏噪声）为高斯型白噪声。其原因在于

1. 高斯型白噪声可用具体数学表达式表述，便于推导分析和运算；

2. 高斯型白噪声确实反映了实际信道中的加性噪声情况，比较真实地代表

了信道噪声的特性。

问题五：高斯白噪声通常是指噪声的什么量服从高斯分布 高斯白噪声：如果一个噪声，它的瞬时值服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。瞬时值指的是概率密度函数，高斯分布指的是正态分布。

问题六：白噪声的方差等于什么 标准正态白噪声，其均值为0、方差为1；

假设标准正态白噪声的功率谱为常数C；那么

功率谱曲线下的面积等于白噪声的方差，其值为1。

对于有限频带(0，fc)的标准正态白噪声，Cfc = 1 C = 1/fc .(此处指单边谱)

问题七：高斯白噪声有哪两种表示形式 热噪声和散粒噪声是高斯白噪声 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. 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. 短波信道存在多径时延、多普勒频移和扩散、高斯白噪声干扰等复杂现象.为了测试短波通信设备的性能,通常需要进行大量的外场实验.相比之下,信道模拟器能够在实验室环境下进行类似的性能测试,而且测试费用少、可重复性强,可以缩短设备的研制周期.所以自行研制信道模拟器十分必要. 信道模拟器可选用比较有代表性的 Watterson 信道模型 ( 即高斯散射增益抽头延迟线模型 ) ,其中一个重要环节就是快速产生高斯白噪声序列,便于在添加多普勒扩展和高斯白噪声影响时使用.传统的高斯白噪声发生器是在微处理器和 DSP 软件系统上实现的,其仿真速度比硬件仿真器慢的多.因此,选取 FPGA 硬件平台设计高斯白噪声发生器可以实现全数字化处理,同时测试费用少、可重复性强、实时性好、速度快,能较好地满足实验需求. 本文提出了一种基于 FPGA 的高斯白噪声序列的快速产生方案.该方案根据均匀分布和高斯分布之间的映射关系,采用适合在 FPGA 中实现的折线逼近法.该方法实现简单,快速且占用的硬件资源少,而且采用 VHDL 语言编写,可移植性强,并可灵活地嵌入调制解调器中使用. 1 均匀分布随机数发生 1.1 m 序列发生器 伪随机噪声具有类似随机噪声的一些统计特性,且便于重复产生和处理,因此获得了广泛的应用. m 序列就是一种常用的伪随机序列,该序列又被称作最长线性反馈移存序列. m 序列是由线性反馈移位寄存器产生的周期最长的一种序列.如果选用 n 级线性反馈移位寄存器,则 m 序列的周期为 (2n-1) .对于 m 序列来说,将 n 级线性反馈移位寄存器状态看成无符号整数,则状态的取值范围为 1 ～ (2n-1) ,并且在 m 序列的一个周期内,移位寄存器的每种状态都会出现且只出现一次,但要注意线性反馈移位寄存器的初始状态设定为非零值,并且在给定任意非零初始状态时, m 序列的周期都不变.显然,移位寄存器的状态值是服从均匀分布随机数.制作 m 序列发生器时,线性反馈移位寄存器的反馈线连接情况可通过查找本原多项式来得到 ( 系数为 1 表示对应位有反馈线连接,为 0 表示对应位无反馈线连接 ) .所以,线性反馈移位寄存器反馈线的数目以及模 2 加法器的数目直接决定于本原多项式的项数.为降低硬件资源的消耗,设计时可选取项数少的本原多项式.为了使伪随机序列的周期足够长以满足设计要求,采用的本原多项式为： x18+x7+1 ,即用一个 18 级线性反馈移位寄存器就可产生周期为 (218-1) 的 m 序列.其连线如图 1 所示. 1.2 降低相关性模块 高斯白噪声信号是一个随机过程,每个样值点都是一个高斯变量,其双边功率谱密度为常数 N0 ／ 2 ,即： 由 (2) 式可见,高斯白噪声在任意两个不同时刻的采样信号是统计独立的.但是,从 m 序列的产生过程可见,每个时钟周期中,线性反馈移位寄存器只移出一个最高位,并反馈一个值给最低位,所以,相邻的几个状态之间不是完全独立的.这必然影响高斯白噪声任意两个不同时刻采样信号之间的独立性.所以要进行非相关性 *** 作.为了减小相关性,通常的方法是产生高斯序列后再接一个交织器,把高斯序列出现的前后顺序打乱.但建交织器要占......>>

问题八：高斯白噪声e=0是什么意思 假设用x(t)表示白噪声,0均值是指：E（x(t)）=0,也就是随机变量的数学期望为0.从你的问题可以看出,这里的高斯白噪声应该一个多维的随机变量.对于任何一个白噪声,都可以进行0均值化处理.

问题九：高斯噪声和白噪声的区别 高斯噪声是一种具有正态分布（也称作高斯分布）概率密度函数的噪声。换句话说，高斯噪声的值遵循高斯分布或者它在各个频率分量上的能量具有高斯分布。

白噪储是指功率谱密度在整个频域内均匀分布的噪声。 所有频率具有相同能量的随机噪声称为白噪声。

h=imread('C:\Users\CRD\Desktop\robot\Images\lena.tif')

c=mat2gray(h)

figure,imshow(c),title('原始图象')%显示原始图象

g=imnoise(c,'gaussian',0,0.01) %加入高斯噪声

figure,imshow(g),title('加入高斯噪声之后的图象') %显示加入高斯噪声之后的图象n3=input('请输入高斯滤波器的均值\n')

k=input('请输入高斯滤波器的方差\n')

A2=fspecial('gaussian',k,n3) %生成高斯序列

Y5=filter2(A2,g)/255 %用生成的高斯序列进行滤波

figure,imshow(Y5),title('用Matlab函数进行高斯滤波之后的结果') %显示滤波后的图象

不用加分,我做过,用来产生图像的高斯噪声,也就是你要的正态分布.

1.首先你的样本应该是有一定范围的吧,我假设它是从1-255

2.根据你的方差和期望,把样本代进去,算出该样本出现的概率

3.然后根据概率知识,你做一个累积概率

4.接着你用随机数产生一个0-1之间的均匀分布

5.看这个数落在哪个累积概率区间

6.按你要的样本数重复4-5

代码这里我给个matlab程序你参考一下,很好懂的

function [dest] = GeneGauss(expectation,deviation,width,height)

dest=zeros(width,height)

pz=zeros(256)

tempConst1=1/(sqrt(2*pi)*deviation)

tempConst2=2*deviation*deviation

for i=1:256

pz(i)=tempConst1*exp(-(i-1-expectation)^2/tempConst2)

end

f=zeros(256)

f(1)=pz(1)

for i=2:256

f(i) = f(i-1)+pz(i)

end

for i=1:width

for j=1:height

n=rand

for k=1:256

if(n<f(k))

dest(i,j)=k-1

break

end

end

end

end

end

---