Signal

本文档由 src/stdlib/signal.mcrs 自动生成，请勿手动编辑。

API 列表

• uniform_int
• uniform_frac
• normal_approx12
• exp_dist_approx
• bernoulli
• weighted2
• weighted3
• gamma_sample
• poisson_sample
• geometric_sample
• negative_binomial_sample
• dft_real
• dft_imag
• dft_magnitude

---

uniform_int v2.0.0

返回 [lo, hi] 内的均匀随机整数（使用 LCG 随机数生成器）

fn uniform_int(seed: int, lo: int, hi: int): int

参数

参数	说明
seed	任意整数种子
lo	下界（含）
hi	上界（含）

返回： [lo, hi] 内的伪随机整数

示例

let dmg: int = uniform_int(seed, 5, 15)

---

uniform_frac v2.0.0

返回 [0, 10000] 内的均匀随机分数（×10000 精度）

fn uniform_frac(seed: int): int

参数

参数	说明
seed	任意整数种子

返回： [0, 10000] 内的伪随机整数

示例

let frac: int = uniform_frac(seed)

---

normal_approx12 v2.0.0

使用 Irwin-Hall 方法（12 个均匀采样之和）近似 N(0,1) 变量

fn normal_approx12(seed: int): int

参数

参数	说明
seed	任意整数种子

返回： 近似 N(0,1) 采样值 ×10000，范围约 [-60000, 60000]

示例

let z: int = normal_approx12(seed)

---

exp_dist_approx v2.0.0

从速率为 lambda_fx 的指数分布中采样（结果上限为 100000）

fn exp_dist_approx(seed: int, lambda_fx: int): int

参数

参数	说明
seed	任意整数种子
lambda_fx	速率参数 ×10000（如 10000 = 速率 1.0）

返回： 指数分布变量 ×10000，上限 100000

示例

let wait: int = exp_dist_approx(seed, 10000)

---

bernoulli v2.0.0

以 p_fx/10000 的概率返回 1，否则返回 0

fn bernoulli(seed: int, p_fx: int): int

参数

参数	说明
seed	任意整数种子
p_fx	概率 ×10000（如 5000 = 50%，1000 = 10%）

返回： 以给定概率返回 1，否则返回 0

示例

if (bernoulli(seed, 3000) == 1) { /* 30% chance */ }

---

weighted2 v2.0.0

按权重 w0、w1 随机选择 0 或 1

fn weighted2(seed: int, w0: int, w1: int): int

参数

参数	说明
seed	任意整数种子
w0	结果 0 的权重
w1	结果 1 的权重

返回： 按权重比例采样的 0 或 1

示例

let side: int = weighted2(seed, 3, 7)

---

weighted3 v2.0.0

按权重 w0、w1、w2 随机选择 0、1 或 2

fn weighted3(seed: int, w0: int, w1: int, w2: int): int

参数

参数	说明
seed	任意整数种子
w0	结果 0 的权重
w1	结果 1 的权重
w2	结果 2 的权重

返回： 按权重比例采样的 0、1 或 2

示例

let tier: int = weighted3(seed, 50, 30, 20)

---

gamma_sample v2.0.0

从 Gamma(k, θ) 分布中采样（支持整数 k = 1..5）

fn gamma_sample(shape_k: int, scale_theta: int, seed: int): int

参数

参数	说明
shape_k	形状参数 k ×10000（如 20000 = k=2）
scale_theta	尺度参数 θ ×10000（如 10000 = θ=1.0）
seed	任意整数种子

返回： Gamma 分布变量 ×10000

示例

let g: int = gamma_sample(20000, 10000, seed)

---

poisson_sample v2.0.0

使用 Knuth 算法从 Poisson(λ) 分布中采样（λ ≤ 20 时效果最佳）

fn poisson_sample(lambda: int, seed: int): int

参数

参数	说明
lambda	速率参数 ×10000（如 30000 = λ=3.0）
seed	任意整数种子

返回： Poisson 计数（普通整数，非 ×10000）

示例

let n: int = poisson_sample(30000, seed)

---

geometric_sample v2.0.0

从几何分布 Geometric(p) 中采样（首次成功前失败次数）

fn geometric_sample(p_success: int, seed: int): int

参数

参数	说明
p_success	成功概率 ×10000（如 5000 = p=0.5）
seed	任意整数种子

返回： 非负整数失败次数

示例

let fails: int = geometric_sample(5000, seed)

---

negative_binomial_sample v2.0.0

从负二项分布 NegBin(r, p) 中采样（r 次成功前的总失败次数）

fn negative_binomial_sample(r: int, p_success: int, seed: int): int

参数

参数	说明
r	成功次数（普通整数，如 1, 2, 3）
p_success	成功概率 ×10000
seed	任意整数种子

返回： 总失败次数

示例

let n: int = negative_binomial_sample(3, 5000, seed)

---

dft_real v2.0.0

计算最多 8 个样本的实值信号第 k 个 DFT 频段实部

fn dft_real(s0: int, s1: int, s2: int, s3: int, s4: int, s5: int, s6: int, s7: int, n: int, k: int): int

参数

参数	说明
s0	样本 0 ×10000 … s7: 样本 7 ×10000
n	样本数（1–8）
k	频段索引（0 到 n−1）

返回： DFT 第 k 频段实部，×10000

示例

let re0: int = dft_real(10000, 0, -10000, 0, 0, 0, 0, 0, 4, 0)

---

dft_imag v2.0.0

计算最多 8 个样本的实值信号第 k 个 DFT 频段虚部

fn dft_imag(s0: int, s1: int, s2: int, s3: int, s4: int, s5: int, s6: int, s7: int, n: int, k: int): int

参数

参数	说明
s0	样本 0 ×10000 … s7: 样本 7 ×10000
n	样本数（1–8）
k	频段索引

返回： DFT 第 k 频段虚部，×10000（使用负正弦约定）

---

dft_magnitude v2.0.0

计算 DFT 第 k 频段的幅度 sqrt(re² + im²)，×10000

fn dft_magnitude(s0: int, s1: int, s2: int, s3: int, s4: int, s5: int, s6: int, s7: int, n: int, k: int): int

参数

参数	说明
s0	样本 0 ×10000 … s7: 样本 7 ×10000
n	样本数
k	频段索引

返回： 第 k 频段幅度，×10000

示例

let mag: int = dft_magnitude(10000, 0, -10000, 0, 0, 0, 0, 0, 4, 1)

---