通信工程 / 系统课时

在AWGN信道中对比输入输出波形

在AWGN信道中对比输入输出波形

把 400 Hz 正弦信号送入加性高斯白噪声(AWGN)信道,分别设置 20 dB 和 10 dB 的目标信噪比。本课使用固定随机种子生成可复现的数据,绘制输入与输出的时域波形和幅度频谱,并用实际噪声功率检验设定值。

学习目标

  • 由输入信号平均功率计算指定 SNR 对应的高斯噪声方差。
  • 使用 NumPy 和 Matplotlib 绘制对齐的波形与单边幅度谱。
  • 区分目标 SNR、有限样本实测 SNR,以及频谱噪声底的含义。

把目标 SNR 换成噪声方差

离散实数 AWGN 模型为 y[n]=x[n]+w[n]y[n]=x[n]+w[n],其中每个 w[n]w[n] 独立服从零均值高斯分布 N(0,σ2)\mathcal{N}(0,\sigma^2)。“白”表示各个采样时刻的噪声不相关;这里讨论的是采样带宽内的理想化模型,并非无限带宽的物理噪声。

先求输入的平均功率,再由目标 SNR 反推方差:

Ps=1N∑n=0N−1x[n]2,σ2=Ps10SNRdB/10P_s=\frac{1}{N}\sum_{n=0}^{N-1}x[n]^2,\qquad \sigma^2=\frac{P_s}{10^{\mathrm{SNR}_{\mathrm{dB}}/10}}

当正弦波幅度为 1、采样率为 8000 Hz、频率为 400 Hz、观测长度为 1 s 时,恰好包含整数个周期,Ps=0.5P_s=0.5。目标 20 dB 对应噪声方差 0.005;目标 10 dB 对应 0.05,即噪声功率增加 10 倍,而不是标准差增加 10 倍。

生成可复现的波形和频谱

使用 Python 3.10 或更新版本,并安装 NumPy 与 Matplotlib:python -m pip install numpy matplotlib。将以下完整程序保存为 awgn_compare.py,运行 python awgn_compare.py。程序先生成纯净输入,再依次叠加两种强度的噪声;固定随机种子便于重复实验。

python
import numpy as np
import matplotlib.pyplot as plt

fs = 8000
duration_s = 1.0
f_signal = 400
t = np.arange(int(fs * duration_s)) / fs
x = np.sin(2 * np.pi * f_signal * t)
signal_power = np.mean(x**2)
rng = np.random.default_rng(2026)

outputs = []
for target_snr_db in (20, 10):
    # 用信号平均功率确定噪声方差,而不是直接指定波形振幅。
    noise_variance = signal_power / 10 ** (target_snr_db / 10)
    noise = rng.normal(0, np.sqrt(noise_variance), size=x.size)
    y = x + noise
    measured_snr_db = 10 * np.log10(signal_power / np.mean((y - x) ** 2))
    outputs.append((f"Output: SNR {target_snr_db} dB", y))
    print(
        f"目标 {target_snr_db:>2} dB | 噪声方差 {noise_variance:.4f} "
        f"| 实测 {measured_snr_db:.2f} dB"
    )

def amplitude_spectrum(samples):
    # 单边幅度谱:直流与奈奎斯特频点不应翻倍。
    amp = 2 * np.abs(np.fft.rfft(samples)) / samples.size
    amp[0] /= 2
    if samples.size % 2 == 0:
        amp[-1] /= 2
    return 20 * np.log10(np.maximum(amp, 1e-12))

waves = [("Input: clean sine", x), *outputs]
frequencies = np.fft.rfftfreq(x.size, d=1 / fs)
fig, axes = plt.subplots(3, 2, figsize=(12, 9))

for row, (name, wave) in enumerate(waves):
    # 三行使用同样的 20 ms 时间窗和纵轴范围,方便直接比较。
    axes[row, 0].plot(t[:160] * 1000, wave[:160], linewidth=1)
    axes[row, 0].set(
        title=name, xlabel="Time (ms)", ylabel="Amplitude", ylim=(-1.6, 1.6)
    )
    axes[row, 1].plot(frequencies, amplitude_spectrum(wave), linewidth=0.8)
    axes[row, 1].set(
        title=f"{name} - one-sided spectrum", xlabel="Frequency (Hz)",
        ylabel="Amplitude (dB, ref=1)", xlim=(0, 2000), ylim=(-85, 5)
    )

for ax in axes.flat:
    ax.grid(alpha=0.2)
fig.tight_layout()
plt.show()

预期输出(固定随机种子、按示例采样设置):

text
目标 20 dB | 噪声方差 0.0050 | 实测 19.92 dB
目标 10 dB | 噪声方差 0.0500 | 实测 10.02 dB

程序还会显示三行两列图:左列为相同 20 ms 时间窗内的波形,右列为 0~2000 Hz 的单边幅度谱。不同 NumPy 版本若随机数实现发生变化,实测值末位可能不同,但应接近目标值。

从图中确认噪声改变了什么

三组波形的 400 Hz 周期位置一致。纯净输入平滑;20 dB 输出有轻微随机抖动;10 dB 输出起伏更明显,但期望正弦分量仍存在。频谱中三组都应保留 400 Hz 附近的主峰,10 dB 组的宽频随机噪声底高于 20 dB 组。

纯净正弦输入与两档AWGN输出的时域波形和频谱对照

图中的纵轴是每个 FFT 频点的幅度分贝值,并非噪声功率谱密度。这里频率分辨率为 8000/8000=18000/8000=1 Hz;换成其他观测长度时,每个频点的随机噪声幅度会变化,不能直接把两个不同 FFT 长度的谱线高度当作总噪声功率比较。

用功率检查实验是否成功

程序利用已知输入与输出之差 y−xy-x 提取本次注入的噪声,再按 10log⁡10[Ps/Pn]10\log_{10}[P_s/P_n] 计算实测 SNR。这比直接拿输出总功率当噪声功率准确,因为输出还包含 400 Hz 信号。

可以把目标值改为 0 dB 再运行:相同输入功率下,噪声方差将变为 0.5,波形会更加粗糙。有限样本的实测 SNR 不一定恰好等于目标值;检查时应关注是否接近,以及目标下降 10 dB 时噪声方差是否确实扩大 10 倍。

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

在AWGN信道中对比输入输出波形

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