目前在电力传输中广泛使用自动化设备，可以实现电力调度的无人控制，并且能避免以往检查人员眼看耳听的局限性

及人工操作的高危险性。在这些自动控制设备以及设备的各个环节中经常根据需要设置相应的“监视器”，本例讨论一个针对设备异动拘实时检测环节。

现需要对某变电器中自动控制设备设置一个异动的实时检测环节，它能监视该变电自动控制设备的工作状况，其简化模型如图2-25所示。

已知临近的变电器产生的啾啾噪声对这一实时检测环节产生加性干扰，有可能影响控制中心作出正确判决。已知控制中心接收到10s已经受到噪声污染的信号x_n(t)，记录的波形，如图2-26所示。为了有效分离噪声，需要单独检测加性噪声源特性，于是在附近的变电器处记录得20s噪声m(t)其时域波形，如图2-27所示。试判断噪声对原信号的污染程度并从x_n(t)中恢复出原始信息。

产生以上两个信号波形的源代码如下：

T=0.035；tb=0:T:20；F=1/(T)；%x+n补零滤波

f0=2；t1=1；f1=6；%连续时间噪声信号m(t)波形演示

y1=20*chirp(tb，f0，t1，f1)；%啾啾噪声m(t)

figure(1)；

plot(tb，y1)；%记录的20秒噪声波形

title('噪声波形')；xlabel('Time(s)')；ylabel('Amplitude')；

n=0: 0.005: 10；Ts=0.005；Fs1/(Ts)；%采样参数设置

x1=cos(2*pi*65*n). *[cos(2*pi*20*n)+1]；%原始信号x(n)模型：由x1和x2的乘积构成

v=zeros(1，2000)：

v(100)=0.5；v(1)=2.5；v(150)=-1.2；v(250)=1；v(700)=3.5；

v(550)=1.5；v(950)=1.5；v(1550)=-2.5；v(1850)=1.5；

u=sinc(3*n)+1：

w=conv(u, v)；

x2(1: 2001)=w(1: 2001)；

x=x1. *x2;

f0=2；t1=1；f1=6；%啾啾噪声m(n)用y1表示

y1=20*chirp(n，f0，t1，f1)；

xn=y1+x；%加性干扰下的受污染信号xn(t)=x(n)+m(n)

figure(2)；

plot(n，xn)；%记录的10秒受污染信号波形

title('受污染信号波形'); xlabel('Time(s)')；ylabel('Amplirude')；