通信工程 / 系统课时

误码率曲线验证

误码率曲线验证

本节以 AWGN 信道下的相干 BPSK 为基准,同时计算蒙特卡洛仿真 BER 和理论 BER,并绘制半对数曲线,用趋势、数值偏差和误码样本数判断模型是否可信。

学习目标

  • 能生成多个 Eb/N0E_b/N_0 点的仿真 BER 并绘制半对数曲线
  • 能计算 BPSK 在 AWGN 下的理论 BER 作为基准
  • 能根据曲线偏移、斜率和高信噪比样本数定位模型问题

先建立理论基准

对于相干 BPSK、理想同步和 AWGN 信道,理论比特误码率为 Pb=Q(2Eb/N0)=12erfc⁡(Eb/N0)P_b=Q(\sqrt{2E_b/N_0})=\frac{1}{2}\operatorname{erfc}(\sqrt{E_b/N_0})。这条曲线给出当前信道和检测假设下的参考结果。

验证的重点不是要求每个仿真点与理论值完全相同,而是确认两者在统计波动允许的范围内接近,并具有相同的下降趋势。如果整条仿真曲线稳定向左或向右偏移,通常意味着能量归一化或噪声方差换算有误。

生成仿真 BER 并画曲线

下面代码在 0、2、4、6、8 dB 五个点分别发送 500000 个随机比特,统计仿真 BER,计算理论值,并保存 ber_validation.png。固定随机种子便于复现实验。

python
import math

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(20260904)

n_bits = 500_000
ebn0_db_values = np.array([0, 2, 4, 6, 8], dtype=float)
sim_ber = []
theory_ber = []

for ebn0_db in ebn0_db_values:
    bits = rng.integers(0, 2, n_bits, dtype=np.int8)
    tx = 1.0 - 2.0 * bits

    ebn0 = 10 ** (ebn0_db / 10)
    sigma = math.sqrt(1 / (2 * ebn0))
    rx = tx + rng.normal(0.0, sigma, size=n_bits)

    detected = (rx < 0).astype(np.int8)
    ber = np.count_nonzero(detected != bits) / n_bits
    theory = 0.5 * math.erfc(math.sqrt(ebn0))

    sim_ber.append(ber)
    theory_ber.append(theory)

print("Eb/N0(dB)  sim_BER     theory_BER  rel_error")
for db, sim, theory in zip(ebn0_db_values, sim_ber, theory_ber):
    rel_error = abs(sim - theory) / theory
    print(f"{db:8.1f}  {sim:.6e}  {theory:.6e}  {rel_error:.2%}")

plt.semilogy(ebn0_db_values, sim_ber, "o-", label="Simulation")
plt.semilogy(ebn0_db_values, theory_ber, "s--", label="Theory")
plt.xlabel("Eb/N0 (dB)")
plt.ylabel("BER")
plt.grid(True, which="both")
plt.legend()
plt.tight_layout()
plt.savefig("ber_validation.png", dpi=160)
print("saved: ber_validation.png")

预期输出

text
Eb/N0(dB)  sim_BER     theory_BER  rel_error
     0.0  7.875600e-02  7.864960e-02  0.14%
     2.0  3.763800e-02  3.750613e-02  0.35%
     4.0  1.260800e-02  1.250082e-02  0.86%
     6.0  2.252000e-03  2.388291e-03  5.71%
     8.0  1.920000e-04  1.909078e-04  0.57%
saved: ber_validation.png

固定随机种子时应得到上述结果;若底层随机数实现不同,仿真 BER 会有小幅统计波动,理论 BER 不变。

BPSK 仿真 BER 与理论 BER 半对数对比曲线

判断曲线是否通过验证

先看趋势:BPSK 的 BER 应随 Eb/N0E_b/N_0 单调下降。再看相对位置:中低信噪比点通常有大量误码,统计更稳定,应与理论值较接近。最后看高信噪比点的误码数量,因为 BER 越低,同样的发送比特数能观察到的错误越少,相对波动会更明显。

例如 8 dB 点的仿真 BER 为 1.92×10−41.92\times10^{-4},500000 个比特只对应约 96 个错误。此时即使曲线外观很平滑,也不能仅凭视觉判断精度;需要同时检查误码计数和样本量。

偏差出现时按顺序排查

整条曲线近似平行地水平偏移时,优先检查 dB 到线性值的换算、BPSK 符号能量以及噪声方差中的 1/21/2。如果只在使用编码或高阶调制后偏移,还要检查码率和每符号比特数是否进入 Eb/N0E_b/N_0 换算。

如果曲线不随信噪比稳定下降,检查调制映射与判决符号是否一致,以及噪声是否真的随每个信噪比点重新计算。高信噪比处突然出现 0 BER 则通常不是“性能完美”,而是样本不足;0 个错误只能说明在当前样本数下没有观察到错误。

让高信噪比点更可信

固定每个点发送相同比特数实现简单,但不适合很低 BER。更稳妥的策略是为每个信噪比点设置“目标误码数”和“最大比特数”:持续分批发送,直到累计到足够错误或达到计算预算上限。

这样,低信噪比点会很快停止,高信噪比点会自动获得更多样本。最终报告 BER 时同时记录总比特数与误码数,才能区分“模型与理论一致”和“样本太少暂时看不出差异”这两种情况。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

误码率曲线验证

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通