好的！以下是关于如何设置信号 `x(n)` 并计算其自相关函数的解释及Python代码示例。 ### 背景知识 **自相关函数**是用来衡量一个信号与其自身延迟版本之间的相似度。对于离散时间信号 \( x(n) \)，它的自相关函数可以表示为： \[ R_{xx}(m) = \sum_{n=-\infty}^{\infty} x(n)x(n+m) \] 在实际应用中，我们通常对有限长度的信号进行处理，因此公式会有所调整。 --- ### Python 实现步骤 #### 1. 定义输入信号 给定信号表达式： \[ x(n) = 10 \cdot \sin(2\pi f_1 n + \frac{\pi}{3}) + \sin(2\pi f_2 n + \frac{\pi}{4}) \] 其中频率值已知：\( f_1 = 0.1 \), \( f_2 = 0.25 \) #### 2. 计算自相关函数 我们可以利用 numpy 的卷积操作来高效地完成这一任务。 ```python import numpy as np import matplotlib.pyplot as plt # 参数设定 fs = 1 # 假设采样率为1 Hz (单位时间为秒) N = 100 # 生成100个点的数据序列 f1, f2 = 0.1, 0.25 # 频率 n = np.arange(N) # 时间索引从0到99 # 构建信号 x(n) x_n = 10 * np.sin(2 * np.pi * f1 * n + np.pi / 3) \ + np.sin(2 * np.pi * f2 * n + np.pi / 4) # 自相关函数 R_xx(m) def autocorrelation(x): result = np.correlate(x, x, mode='full') return result[result.size // 2:] # 只取正半部分 # 计算结果 R_xx = autocorrelation(x_n) # 绘图展示原始信号及其自相关函数 plt.figure(figsize=(12, 6)) # 子图1 - 原始信号 plt.subplot(2, 1, 1) plt.plot(n, x_n, label="x(n)") plt.title("Original Signal") plt.xlabel("Sample Index") plt.ylabel("Amplitude") # 子图2 - 自相关函数 lags = np.arange(len(R_xx)) plt.subplot(2, 1, 2) plt.plot(lags, R_xx, color='red', label="Autocorrelation of x(n)") plt.title("Autocorrelation Function") plt.xlabel("Lag m") plt.ylabel("Correlation Value") plt.tight_layout() plt.show() ``` --- ### 解释说明 上述代码分为以下几个关键模块： 1. **构建信号**: 根据题目给出的数学模型构造信号 \( x(n) \). 2. **定义自相关函数**: 使用 NumPy 提供的快速傅里叶变换（FFT）相关的技术加速运算，并通过截断保留非负滞后区域的结果。 3. **绘图可视化**: 分别绘制了原信号以及对应的自相关曲线。 运行该程序即可得到信号波形与相应自相关图形。