通信工程 / 系统课时

从眼图识别最佳采样时刻

从眼图识别最佳采样时刻

接收波形即使看起来接近理想,也可能因噪声、码间干扰或定时误差而发生错误判决。眼图把大量符号波形叠加到同一个时间窗口,使最佳采样位置和判决余量变得直观。本课使用二进制升余弦基带信号,比较干净波形、加性噪声与延迟回波对眼图的影响。

学习目标

  • 理解眼图中时间轴、幅度轴、眼高、眼宽和交叉点的含义。
  • 根据眼口大小选择采样时刻,并区分固定定时偏差与随机定时抖动。
  • 用 Python 绘制眼图,识别噪声和码间干扰引起的眼口闭合。

眼图怎样叠加多个符号周期

眼图不是一条单独的接收波形,而是把连续波形按固定长度切成多个片段,再放到同一坐标轴上重叠显示。二进制基带系统常使用长度为 2T2T 的观察窗口,其中 TT 为符号周期。

以每秒 1000 个符号为例,T=1T=1 ms。若每符号采样 32 次,则采样率为 32000 Hz,一个 2T2T 的观察窗口包含 64 个采样间隔。

观察时可以按以下顺序读取:

  1. 横轴表示相对于符号时钟的时间,通常标注为 00 至 2T2T,不是数据发送后的绝对时间。
  2. 纵轴表示接收信号幅度。对于归一化双极性二进制信号,理想判决电平为 +1+1 和 −1-1,判决门限可以设为 0。
  3. 在符号定时对齐的理想情况下,窗口中心 t=Tt=T 对应一个符号判决时刻,通常具有较大的垂直开口。
  4. 左右两侧的交叉区域反映相邻符号之间的过渡;眼口的水平宽度反映采样定时可以偏移的余量。

垂直眼口越大,采样值距离判决门限通常越远,对幅度噪声越不敏感。水平眼口越宽,对采样定时偏移和时钟抖动通常越有容忍度。

理想眼图、加性噪声眼图与码间干扰眼图对比

怎样从眼口选择最佳采样位置

对于理想、正确同步的升余弦总体响应,符号中心是自然的采样候选位置。在该位置,相邻符号的理论贡献为零,而且双极性信号的正负判决电平分离较大。

实际链路需要通过定时恢复确定采样相位,而不能盲目认为示波器横轴的固定中点始终最佳。信道多径、滤波器群延迟补偿错误或时钟不同步都可能使最佳位置发生移动。

可以使用以下方法检查:

  1. 以恢复的符号时钟对齐眼图,先选择眼口内部、远离交叉区域的位置。
  2. 沿时间轴左右移动采样位置,例如每次移动 T/32T/32,观察正负符号样本的分布是否进一步分离。
  3. 在候选位置比较眼高,同时保留足够的左右定时余量,避免只在一个非常狭窄的位置获得较大开口。
  4. 将判决门限放在正负电平之间,若噪声分布明显不对称,应根据实际误判概率调整门限。

为了得到可复现的量化指标,可以使用正符号样本的第 5 百分位数减去负符号样本的第 95 百分位数,作为稳健眼高估计:

E=Q0.05(r∣a=+1)−Q0.95(r∣a=−1)E=Q_{0.05}(r\mid a=+1)-Q_{0.95}(r\mid a=-1)

其中 QpQ_p 表示分位数。这个估计可以降低极少数异常样本对测量的影响,但它不是误码率的直接表达式,也不等于所有可能码型下的最坏眼高。

对于归一化的理想 +1/−1+1/-1 信号,中心眼高为 2。噪声会增大电平散布,使估计眼高下降;采样位置向符号边沿偏移,则容易受到相邻符号过渡的影响。

还应区分两类现象:固定定时偏差意味着采样位置整体偏移,例如始终晚 0.25T0.25T;随机定时抖动意味着采样时刻逐次变化,通常会在眼图上表现为交叉区域沿时间轴扩散。

用 Python 绘制眼图并比较干扰

下面使用 Python 3.10 或更新版本、NumPy 和 Matplotlib,构造 300 个随机双极性符号。信号经过滚降系数为 0.35、跨度为 10 个符号周期的截断升余弦总体响应,然后依次加入幅度标准差为 0.12 的高斯噪声,以及延迟一个符号周期、幅度系数为 0.35 的回波。

每个符号采用 32 个采样点,程序会绘制三组眼图,并比较中心采样与偏移 0.25T0.25T 后的眼高。

python
import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(7)
sps, span, count = 32, 10, 300
alpha = 0.35

# 生成归一化升余弦总体脉冲,处理可去奇点
x = np.arange(-span * sps // 2, span * sps // 2 + 1) / sps
d = 1 - (2 * alpha * x) ** 2
pulse = np.empty_like(x)
ok = ~np.isclose(d, 0, atol=1e-12)
pulse[ok] = np.sinc(x[ok]) * np.cos(np.pi * alpha * x[ok]) / d[ok]
pulse[~ok] = (np.pi / 4) * np.sinc(1 / (2 * alpha))

symbols = rng.choice([-1., 1.], size=count)
impulses = np.zeros(count * sps)
impulses[::sps] = symbols
full = np.convolve(impulses, pulse, mode='full')

# 补偿总体脉冲的群延迟,再分别加入噪声和回波
clean = full[len(pulse) // 2:len(pulse) // 2 + len(impulses)]
noisy = clean + 0.12 * rng.standard_normal(len(clean))
echo = np.zeros_like(clean)
echo[sps:] = clean[:-sps]
impaired = noisy + 0.35 * echo

indices = np.arange(15, 285) * sps
truth = symbols[15:285]


def eye_height(wave, phase=0):
    # 用正负符号的分位数间隔估计采样位置的眼高
    values = wave[indices + phase]
    high = values[truth > 0]
    low = values[truth < 0]
    return np.percentile(high, 5) - np.percentile(low, 95)


print(f'clean@T: {eye_height(clean):.2f}')
print(f'noise@T: {eye_height(noisy):.2f}')
print(f'noise+echo@T: {eye_height(impaired):.2f}')
print(f'noise@1.25T: {eye_height(noisy, sps // 4):.2f}')

# 在参考中心前后各0.25T内扫描最佳噪声采样相位
phases = np.arange(-8, 9)
best = max(phases, key=lambda p: eye_height(noisy, p))
print(f'noise best phase: {best / sps:+.3f}T')

fig, axes = plt.subplots(1, 3, figsize=(12, 3.5), sharex=True, sharey=True)
series = [('Clean', clean), ('Noise', noisy), ('Noise + echo', impaired)]

for ax, (title, wave) in zip(axes, series):
    # 每条轨迹覆盖2个符号周期,中心对应当前符号采样点
    for k in range(15, 285, 3):
        section = wave[(k - 1) * sps:(k + 1) * sps + 1]
        ax.plot(np.arange(len(section)) / sps, section, alpha=0.13, linewidth=0.8)
    ax.axvline(1, linestyle='--', linewidth=1)
    ax.set(title=title, xlabel='Time / T', xlim=(0, 2), ylim=(-1.8, 1.8))
    ax.grid(alpha=0.2)

axes[0].set_ylabel('Amplitude')
axes[1].axvline(1.25, linestyle=':', linewidth=1)
plt.tight_layout()
plt.show()

预期输出:

text
clean@T: 2.00
noise@T: 1.66
noise+echo@T: 0.99
noise@1.25T: 0.67
noise best phase: +0.000T

第一组信号的中心眼高接近理想值 2.00。加入噪声后,正负电平出现随机散布,眼高下降到约 1.66。叠加延迟一个符号周期的回波后,当前样本受到前一个符号影响,中心眼高进一步下降到约 0.99。

对于只有噪声而没有回波的第二组信号,若把采样位置从 TT 改到 1.25T1.25T,眼高从约 1.66 下降到 0.67。相位扫描得到的最佳位置仍为参考中心附近,说明正确的采样时刻能够显著改善判决裕量。

这些数值来自固定随机种子的有限样本仿真。程序使用的是等效升余弦总体响应,并未实现实际硬件中的时钟恢复、模拟前端或完整接收机,因此不能直接由这几个眼高数值推断真实设备的误码率。

眼口闭合时应检查什么

不同损伤机制在眼图中的表现并不完全相同,可以按现象选择定位方向。

眼图现象 可能原因 建议检查
上下轨迹出现明显垂直散布 加性噪声、幅度噪声 测量噪声RMS和采样点信噪比
交叉区域沿时间方向扩散 时钟抖动、定时恢复误差 检查符号时钟、定时环路和相位误差
轨迹出现多级分叉、眼口收窄 码间干扰、信道多径 检查RRC匹配、群延迟补偿及均衡器
眼口仍较大但判决线偏向边沿 固定采样相位偏差 扫描采样相位并重新设置判决位置
正负电平整体偏移或不对称 直流偏置、增益失配或基线漂移 检查直流偏置、增益和判决门限

需要注意,眼图的垂直闭合可能由噪声和 ISI 共同造成,不能单凭眼高下降判断是哪一种故障。可以先测量采样点噪声,再发送已知训练序列,估计当前符号与前后符号的响应关系。

如果训练序列显示前一符号在当前采样点仍有明显贡献,应优先检查信道回波、收发滤波器以及均衡处理;如果主要问题是时间交叉点散布,则应检查定时恢复环路和采样时钟。

在完成眼图观察后,应使用已知比特序列进行误码率测试,并在不同采样相位和信噪比条件下重复验证。眼图负责暴露波形裕量与失真特征,误码率测试负责确认这些特征是否已经影响实际数据判决。

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

从眼图识别最佳采样时刻

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