高斯白噪声生成与统计模拟系统

资 源 简 介

本项目旨在开发一个标准化的MATLAB脚本或函数模块，用于生成具有指定统计特性的高斯白噪声（Gaussian White Noise）序列。项目核心功能围绕随机信号处理展开，通过数学建模在计算机中模拟自然界广泛存在的随机噪声干扰。具体实现上，利用MATLAB内置的高性能数值计算引擎和随机数生成器（如randn函数），产生服从标准正态分布的原始随机序列，随后根据用户输入的期望（均值，Mean）和方差（Variance）参数，应用线性变换原理（$X = mu + sigma imes N(0,1)$）对原始序列进行幅度和偏置调整，从而获得符合目标统计特征的高斯白噪声。该项目不仅支持生成一维时间序列数据，也可扩展至二维矩阵以模拟图像噪声。生成的噪声数据具有两个关键特性：一是其幅度概率密度函数（PDF）严格服从高斯分布；二是其功率谱密度（PSD）在整个频域内保持均匀分布（即“白”特性）。该工具是数字信号处理、通信系统信道建模、控制系统鲁棒性测试、卡尔曼滤波算法验证以及机器学习数据增强等领域的基础组件，能够帮助工程师和研究人员快速构建接近真实的噪声环境，以评估系统在随机干扰下的性能表现。

详 情 说 明

基于MATLAB的高斯白噪声数据生成与模拟系统

项目简介

本项目是一个标准化的MATLAB数值计算工具，旨在生成具有用户指定统计特性（期望均值与方差）的高斯白噪声（Gaussian White Noise）序列。该系统利用MATLAB强大的数值计算引擎，不仅能够生成一维时间序列信号，还支持生成用于图像处理模拟的二维噪声矩阵。项目包含完整的验证模块，通过时域波形对比、概率密度函数（PDF）拟合以及频域功率谱密度（PSD）分析，全方位检验生成信号的“高斯性”与“白噪声”特性。

该工具适用于数字信号处理、通信信道建模、控制系统鲁棒性分析以及机器学习数据增强等场景。

功能特性

• 数据可复现性：内置随机数种子设定功能，确保每次运行代码生成的噪声序列完全一致，便于实验对比与调试。
• 参数化生成：支持通过变量灵活配置目标均值（Mean）、目标方差（Variance）以及数据长度/维度。
• 一维与二维支持：

* 一维模式：用于模拟时间序列信号（如传感器读数、音频噪声）。 * 二维模式：用于模拟图像噪声或空间分布的随机场。

• 精确的统计变换：基于标准正态分布，利用线性变换算法精确调整生成数据的幅度分布。
• 多维度可视化验证：

* 时域分析：展示噪声随时间变化的波形。 * 统计分布分析：对比实际数据的直方图与理论高斯分布曲线，验证概率密度。 * 频域分析：通过快速傅里叶变换（FFT）计算单边幅值谱，验证频谱在带宽内的均匀分布特性（白噪声特性）。 * 空间分布可视化：通过灰度热力图直观展示二维噪声矩阵。

• 控制台实时反馈：实时计算并输出生成数据的实际均值与方差，与设定目标进行对比。

系统与环境要求

• MATLAB R2016a 或更高版本（代码使用基础MATLAB函数，无特殊工具箱强依赖，但绘图与FFT功能为基础组件）。
• 标准PC计算环境即可满足本项目10,000点一维数据及256x256二维矩阵的生成与分析需求。

使用方法

1. 打开MATLAB软件，将当前工作路径切换至脚本所在目录。
2. 直接运行主脚本函数。
3. 观察“命令行窗口”输出的统计结果（期望值 vs 实际值）。
4. 分析弹出的三个可视化窗口：

* 图1：查看一维噪声的时域波形及PDF分布拟合情况。 * 图2：观察频域单边幅值谱，确认为平坦谱线。 * 图3：查看二维高斯噪声的灰度图像。

---

核心算法与代码实现逻辑

本系统的实现严格遵循统计信号处理原理，具体逻辑流程分析如下：

1. 初始化与环境配置

程序启动时首先执行环境清理操作，清除工作区变量、关闭所有图表并清空命令行。 为了保证实验结果的一致性，代码显式设置了随机数发生器的种子（Seed = 42）。这确保了在不同时间运行程序时，生成的“随机”序列也是完全相同的，这对于算法验证至关重要。

2. 参数定义

脚本中预设了关键的物理与统计参数：

• 统计目标：设定了期望均值（target_mean = 5.0）和方差（target_variance = 2.0），并自动计算对应的标准差。
• 数据维度：定义了一维序列长度为10,000点，二维矩阵尺寸为256x256像素。
• 采样率：设定采样频率 fs = 1000 Hz，用于后续的时间轴和频率轴计算。

3. 噪声生成原理（线性变换法）

这是系统的核心算法部分。MATLAB内置的 randn 函数仅能生成服从标准正态分布 $N(0, 1)$ 的随机数。为了得到服从 $N(mu, sigma^2)$ 的目标噪声，代码应用了以下线性变换公式： $$ Initial sim N(0, 1) rightarrow Final = mu + sigma times Initial $$

• 一维实现：先生成1x10000的标准正态分布向量，再乘以目标标准差并加上目标均值。
• 二维实现：直接生成256x256的标准正态分布矩阵，应用相同的变换逻辑。

4. 统计特性数值验证

在生成一维数据后，代码立即调用 mean() 和 var() 函数计算生成序列的实际统计值，并通过 fprintf 在控制台打印出来。这允许用户直观地看到实际生成的噪声参数与设定目标（5.0/2.0）之间极小的误差。

5. 可视化分析验证模块

系统通过三个独立的图表窗口对数据进行全方位验证：

#### 图表 A：时域与概率密度分析

• 时域子图：绘制前1秒（根据采样率计算）的噪声波形，展示其随机波动的直观形态。
• PDF子图：

* 利用 histogram 函数绘制数据的归一化直方图（50个柱状区间）。 * 理论对比：根据设定的均值和方差，手动编写高斯分布的概率密度函数公式，计算出一条红色的理论曲线。 * 结论：将直方图与红色理论曲线叠加，如果两者高度重合，证明数据严格服从高斯分布。

#### 图表 B：频域特性分析（验证“白”特性）

• FFT处理：对一维噪声数据进行快速傅里叶变换。
• 频谱归一化：计算双边谱，截取一半转换为单边谱，并进行幅度归一化处理。
• 频率轴构建：根据采样率 fs 和数据长度 N 构建真实的频率坐标（Hz）。
• 趋势线：代码计算了除去直流分量外的平均幅值，并绘制了一条红色虚线。
• 结论：观察黑色频谱线是否在红色平均线附近随机波动且无明显下降或上升趋势。如果频谱大致平坦，即验证了其功率谱密度均匀分布的“白噪声”特性。

#### 图表 C：二维数据可视化

• 使用 imagesc 函数将256x256的数值矩阵渲染为图像。
• 应用灰度颜色映射（Colormap Gray）和颜色条（Colorbar），直观展示噪声在二维空间上的强度分布。这种形式常用于模拟图像传感器暗电流噪声或散粒噪声。