通信工程 / 系统课时
仿真与计算环境准备
仿真与计算环境准备
本课将搭建一个可复现的通信仿真环境。完成后,你可以运行 Python 脚本生成时域波形、计算频谱并统计误码率,也能根据需要换用 MATLAB 或 GNU Octave。
学习目标
- 根据许可、工具链和实验需求选择仿真环境
- 使用虚拟环境安装通信实验所需的 Python 依赖
- 运行最小验证脚本并检查波形、频谱和误码率结果
选择合适的工具
Python、MATLAB 和 GNU Octave 都能完成基础通信实验。课程示例以 Python 为主,因为它免费、依赖可锁定且便于复现实验;已有 MATLAB 许可的读者也可以使用其脚本和工具箱完成同类任务。
| 工具 | 适合场景 | 准备重点 |
|---|---|---|
| Python | 免费学习、自动化实验、代码复现 | Python、NumPy、Matplotlib |
| MATLAB | 工程课程、工具箱建模、交互分析 | 有效许可与所需工具箱 |
| GNU Octave | MATLAB 风格的免费替代 | 注意部分函数和工具箱差异 |
无论选择哪一种工具,都应固定版本、保存脚本和记录随机种子。这样才能区分“算法变化”与“环境变化”,避免同一实验在不同机器上得到难以解释的差异。
创建 Python 隔离环境
建议使用 Python 3.10 或更高版本,并为课程单独创建虚拟环境。Windows PowerShell 可执行:
py -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install numpy matplotlib
python -c "import numpy, matplotlib; print('environment ready')"预期输出:
environment readymacOS 或 Linux 终端可执行:
python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install numpy matplotlib
python -c "import numpy, matplotlib; print('environment ready')"预期输出:
environment ready安装日志中的版本号和下载路径会因平台不同而变化。只要最后输出 environment ready,就说明解释器、虚拟环境和核心依赖能够正常协作。
运行最小通信实验
新建 communication_check.py,写入下面的完整程序。它生成带噪正弦信号,利用 FFT 找到主频,并用固定随机种子完成一次 BPSK 判决和 BER 统计。
import numpy as np
import matplotlib
# 使用非交互后端,桌面和无界面环境都能保存图片
matplotlib.use("Agg")
import matplotlib.pyplot as plt
sample_rate = 1000
duration = 1.0
signal_frequency = 50
rng = np.random.default_rng(2026)
t = np.arange(int(sample_rate * duration)) / sample_rate
signal = np.sin(2 * np.pi * signal_frequency * t)
received = signal + 0.3 * rng.normal(size=t.size)
spectrum = np.abs(np.fft.rfft(received))
frequencies = np.fft.rfftfreq(received.size, d=1 / sample_rate)
# 用带噪 BPSK 符号验证误码率统计链路
bits = rng.integers(0, 2, 10000)
symbols = 2 * bits - 1
noisy_symbols = symbols + 0.8 * rng.normal(size=bits.size)
detected_bits = (noisy_symbols >= 0).astype(int)
ber = np.mean(detected_bits != bits)
figure, axes = plt.subplots(2, 1, figsize=(8, 6))
axes[0].plot(t[:200], received[:200])
axes[0].set_title("Received waveform")
axes[0].set_xlabel("Time (s)")
axes[1].plot(frequencies, spectrum)
axes[1].set_title("Magnitude spectrum")
axes[1].set_xlabel("Frequency (Hz)")
figure.tight_layout()
figure.savefig("communication_check.png", dpi=150)
print(f"Peak frequency: {frequencies[np.argmax(spectrum)]:.1f} Hz")
print(f"BER: {ber:.4f}")
print("Plot saved: communication_check.png")执行程序:
python communication_check.py预期输出:
Peak frequency: 50.0 Hz
BER: 0.1059
Plot saved: communication_check.png同时,当前目录应生成 communication_check.png。图片上半部分是带噪时域波形,下半部分的频谱峰值位于 50 Hz 附近,这说明采样、FFT、绘图和文件保存链路均已生效。
典型失败处理
如果终端提示找不到 python 或 py,应先确认 Python 已安装并加入 PATH,再重新打开终端。若 PowerShell 阻止激活脚本,可仅对当前进程临时放宽执行策略,结束窗口后设置会自动失效。
如果出现 ModuleNotFoundError,通常是安装依赖和运行脚本使用了不同解释器。先激活 .venv,再用 python -m pip 安装依赖,并用同一个 python 执行脚本。
若图片未生成,检查当前目录是否可写,并确认程序正常执行到 figure.savefig。在服务器或容器中无需图形桌面,因为示例已使用 Agg 非交互后端。
本课总结
- Python、MATLAB 和 GNU Octave 都可用于基础通信仿真,关键是固定环境并保证实验可复现
- 虚拟环境可以隔离依赖,
python -m pip能减少解释器与安装位置不一致的问题 - 最小验证应同时覆盖数值计算、频谱分析、误码率统计和结果输出
下一课预告
下一课将基于已验证的环境构造基本信号,并观察幅度、频率、相位变化在时域波形中的表现。