// 1、请写出代码交换以下两个变量的值（至少两种方式） // var n1 = 10 // var n2 = 5

以下是两种交换两个变量值的方式：

**方法一：借助中间变量**

var n1 = 10;
var n2 = 5;

// 创建一个中间变量存储n1的值
var temp = n1;

// 更新n1为n2的值
n1 = n2;

// 更新n2为temp（原n1的值）
n2 = temp;

console.log(n1);  // 输出：5
console.log(n2);  // 输出：10

**方法二：使用算术运算**

var n1 = 10;
var n2 = 5;

// 直接通过算术运算交换
n1 = n1 + n2;  // n1 = 15
n2 = n1 - n2;  // n2 = 10 (此时n1=15)
n1 = n1 - n2;  // n1 = 5   (恢复原始值)

console.log(n1);  // 输出：5
console.log(n2);  // 输出：10

这两种方法都能成功地交换n1和n2的值，但请注意，在实际编程中，如果不需要保存原始值，可能会选择更简洁的方法，如直接赋值，因为这减少了对额外变量的依赖。

相关问题

设n1和n2,是彼此独立且均值为 0、方差为c的高斯随机变量，X1 =a+n1cos(Π/100) X2=-a+n2sin(Π/100)，试求Y=X1-X2的概率密度函数;

为了求解Y的概率密度函数，我们可以先计算Y的累积分布函数 (CDF)，然后对其求导得到概率密度函数 (PDF)。

首先，我们需要找到Y的分布函数。根据给定的定义，有Y = X1 - X2。将X1和X2代入，我们得到：

Y = (a + n1*cos(Π/100)) - (-a + n2*sin(Π/100))
= 2a + n1*cos(Π/100) + n2*sin(Π/100)

由于n1和n2是独立的高斯随机变量，它们的和仍然是高斯分布。因此，Y也是高斯分布。

接下来，我们需要计算Y的均值和方差。根据高斯分布的性质，如果X和Y是独立的高斯随机变量，且a、b和c是常数，则有：

E(aX + bY + c) = aE(X) + bE(Y) + c
Var(aX + bY + c) = a^2Var(X) + b^2Var(Y)

在我们的情况下，a = 2，b = 1，c = 0，X = n1*cos(Π/100)，Y = n2*sin(Π/100)。由于n1和n2的均值为0且方差为c，我们可以得到：

E(

优化代码function X=Narrowbandsignal(N,f0,deltf,fs,M) N1=N-M; xt=random('norm',0,1,[1,N1]); fl=f0*2/fs; dfl=deltf/fs; ht = fir1(M,[fl-dfl fl+dfl]); X=conv(xt,ht); return function [At,Ph,A2]=EnvelopPhase(X,f0,fs) HX=imag(hilbert(X)); [M,N]=size(X); t=0:1/fs:((N-1)/fs); Ac=X.cos(2*pi*f0*t)+HX.sin(2*pi*f0*t); As=HX.cos(2*pi*f0*t)-X.sin(2*pi*f0*t); Ph=atan(As./Ac); A2=Ac.*Ac+As.*As; At=sqrt(A2); N=20000;f0=10000; deltf=500; fs=22000; M=50; X=Narrowbandsignal(N,f0,deltf,fs, M) ; X=X/sqrt(var(X) ) ; [At,Ph ,A2]=EnvelopPhase(X, f0, fs) ; LA=0:0.05:4.5; hist(At, LA) ; title('包络A(t)样本值的分布直方图'); LP=-pi/2:0.05:pi/2; figure; hist(Ph, LP) ; title('相位Φ(t)样本值的分布直方图'); LA2=0:0.2:16; figure; hist(A2, LA2) ; title('包络平方A2(t)样本值的分布直方图');

这段代码可以进行一些优化，例如：

1. 函数 Narrowbandsignal 中可以直接使用 randn 代替 random('norm',0,1)，使得代码更加简洁。

2. 函数 EnvelopPhase 中可以使用 abs 函数代替 sqrt(Ac.^2 + As.^2)，使得代码更加简洁。

3. 函数 EnvelopPhase 中可以使用 linspace 代替手动计算 t，使得代码更加简洁。

4. 可以添加注释来解释代码的功能和变量的含义，使得代码更加易读易懂。

经过优化后的代码如下：

% 生成窄带信号并计算包络、相位和包络平方的样本值分布直方图

function [At,Ph,A2] = EnvelopPhaseDemo(N,f0,deltf,fs,M)

% 生成窄带信号
N1 = N - M;
xt = randn(1,N1);
fl = f0*2/fs;
dfl = deltf/fs;
ht = fir1(M,[fl-dfl fl+dfl]);
X = conv(xt,ht);

% 归一化
X = X/sqrt(var(X));

% 计算包络和相位
HX = imag(hilbert(X));
t = linspace(0,(N-1)/fs,N);
Ac = X.*cos(2*pi*f0*t) + HX.*sin(2*pi*f0*t);
As = HX.*cos(2*pi*f0*t) - X.*sin(2*pi*f0*t);
Ph = atan2(As, Ac);
At = abs(Ac + 1i*As);

% 计算包络平方
A2 = Ac.^2 + As.^2;

% 绘制样本值分布直方图
figure;
LA = 0:0.05:4.5;
histogram(At, LA);
title('包络A(t)样本值的分布直方图');

figure;
LP = -pi/2:0.05:pi/2;
histogram(Ph, LP);
title('相位Φ(t)样本值的分布直方图');

figure;
LA2 = 0:0.2:16;
histogram(A2, LA2);
title('包络平方A2(t)样本值的分布直方图');

end

这样优化后的代码更加简洁易读，同时也有更好的可读性和可维护性。