为了计算给定离散时间信号 \( x(n) = 10\sin(0.2 \pi n + \frac{\pi}{3}) + \sin(0.5 \pi n + \frac{\pi}{4}) \) 的**自相关函数**，可以利用Python结合NumPy库完成。 以下是完整的代码示例以及解释： ```python import numpy as np # 定义采样点数 N 和 时间序列 n N = 1000 # 总样本点数 n = np.arange(N) # 给定信号表达式 x_n = 10 * np.sin(0.2 * np.pi * n + np.pi / 3) + \ np.sin(0.5 * np.pi * n + np.pi / 4) # 自定义求解自相关函数的公式 def autocorrelation(x): """ 计算输入序列 x 的自相关函数 Rxx(k) 参数: x (numpy.ndarray): 输入的时间序列 返回值: Rxx (list of float): 自相关结果列表 """ Rxx = [] for k in range(-len(x) + 1, len(x)): if k >= 0: result = np.sum(x[:len(x)-k] * x[k:]) else: result = np.sum(x[-k:] * x[:len(x)+k]) Rxx.append(result) return Rxx # 调用并获取自相关结果 Rxx_result = autocorrelation(x_n) # 打印部分结果检查 print("前几个自相关值:", Rxx_result[:10]) # 可视化自相关结果（选做） import matplotlib.pyplot as plt lags = np.arange(-N+1, N) plt.figure(figsize=(10,6)) plt.stem(lags, Rxx_result, use_line_collection=True) plt.title('Autocorrelation Function') plt.xlabel('Lag k') plt.ylabel('Rxx(k)') plt.grid(True) plt.show() ``` ### 解释： 1. **信号生成**: 使用了两个正弦波叠加形成信号 `x_n`。 - 第一项振幅较大 (\(A=10\))，频率较低；第二项振幅较小(\(A=1\))，频率较高。 2. **自相关原理**: 根据数学公式， $$ R_{xx}(k) = \sum_{m} [x(m)x^*(m+k)] $$ 其中 \( m \in [0,N-k-1]\), 并通过遍历所有可能的滞后量\(k\)来实现。 3. **可视化**: 结果可以用Matplotlib绘制出来，观察其周期性和峰值特性。 ---