通信工程 / 系统课时

生成正弦信号并叠加随机噪声

生成正弦信号并叠加随机噪声

这一实验把固定频率的正弦波当作发送信号,再叠加零均值高斯随机噪声,得到受扰的接收波形。你将用同一时间轴比较两条曲线,保存双面板图片,并计算信噪比,判断噪声强度改变后会出现什么现象。

学习目标

  • 根据采样率、信号频率和时长计算采样点数。
  • 使用固定随机种子生成可复现的高斯噪声并叠加到正弦波。
  • 从波形和信噪比两方面检查噪声强度与信号质量。

先确定采样参数

采用离散采样模型 x[n]=Asin⁡(2πfn/fs)x[n]=A\sin(2\pi fn/f_s),其中 AA 是峰值幅度,ff 是正弦频率,fsf_s 是采样率,nn 是从 0 开始的样本索引。本例不考虑模拟前端和量化误差,仅比较理想采样与加性噪声。

参数 设定值 检查依据
采样率 fsf_s 8000 Hz 每秒 8000 点
信号频率 ff 400 Hz 每周期 20 点
幅度 AA 1.0 理想波形峰值约为 ±1
时长 0.025 s 共 200 点、10 个完整周期
噪声标准差 σ\sigma 0.30 噪声均值为 0,理论方差为 0.09

np.arange(200) / 8000 生成从 0 s 到 0.024875 s 的 200 个采样时刻,不会重复加入末端的时间点。为了避免混叠,信号频率必须低于奈奎斯特频率 fs/2=4000f_s/2=4000 Hz;本例的 400 Hz 留有充足余量。

生成两条波形并保存对照图

准备 Python 3.12,安装 NumPy 2.x 与 Matplotlib 3.x;尚未安装时,在所选 Python 环境执行 python -m pip install numpy matplotlib。把以下完整程序保存为 sine_noise.py,然后运行 python sine_noise.py。固定种子 2026 后,每次运行使用同一组噪声样本,便于排查参数变化。

python
from pathlib import Path

import matplotlib
matplotlib.use("Agg")  # 无图形桌面时也能输出 PNG
import matplotlib.pyplot as plt
import numpy as np

def main():
    fs, freq, duration = 8000, 400, 0.025
    amplitude, noise_sigma = 1.0, 0.30
    n = int(fs * duration)
    time_s = np.arange(n) / fs
    clean = amplitude * np.sin(2 * np.pi * freq * time_s)

    rng = np.random.default_rng(2026)
    noise = rng.normal(loc=0.0, scale=noise_sigma, size=n)
    received = clean + noise  # 同一时刻的样本逐点相加

    signal_power = np.mean(clean ** 2)
    noise_power = np.mean(noise ** 2)
    snr_db = 10 * np.log10(signal_power / noise_power)

    fig, axes = plt.subplots(2, 1, sharex=True, figsize=(9, 5),
                             constrained_layout=True)
    axes[0].plot(time_s * 1000, clean, color="tab:blue")
    axes[0].set_title("Clean sine: 400 Hz")
    axes[1].plot(time_s * 1000, received, color="tab:orange")
    axes[1].set_title("Sine + Gaussian noise")
    axes[1].set_xlabel("Time (ms)")
    for ax in axes:
        ax.set_ylabel("Amplitude")
        ax.set_ylim(-2, 2)  # 统一量程才便于直观比较
        ax.grid(True, alpha=0.3)

    output = Path("sine_noise.png")
    fig.savefig(output, dpi=150)
    plt.close(fig)
    print(f"samples={n}, points_per_period={fs // freq}")
    print(f"signal_power={signal_power:.3f}, noise_power={noise_power:.3f}")
    print(f"measured_snr_dB={snr_db:.2f}")
    print(f"png_exists={output.is_file()}")

if __name__ == "__main__":
    main()

预期输出(使用 NumPy 2.3.5):

text
samples=200, points_per_period=20
signal_power=0.500, noise_power=0.108
measured_snr_dB=6.67
png_exists=True

随机数生成器在其他 NumPy 版本中如有实现变化,噪声功率和实测信噪比可能略有差异;前两项采样关系与输出文件检查应保持不变。打开 sine_noise.png:上图应当平滑、重复;下图保留 400 Hz 的周期趋势,但局部点位偏离原曲线。两图必须使用相同的时间范围和纵轴量程,否则视觉对比会失真。

同一时间轴下的纯净正弦波与受噪声扰动波形对比

用信噪比解释波形变化

设干净信号的平均功率为 PsP_s,噪声的平均功率为 PnP_n,以分贝表示的信噪比为:

SNRdB=10log⁡10(PsPn)\mathrm{SNR}_{\mathrm{dB}}=10\log_{10}\left(\frac{P_s}{P_n}\right)

完整周期的单位幅度正弦波平均功率为 0.5;标准差为 0.30 的零均值高斯噪声理论平均功率为 0.302=0.090.30^2=0.09,所以理论信噪比约为 7.45 dB。代码计算的是这 200 个噪声样本的实际均方值,本次约为 0.108,因此实测信噪比约为 6.67 dB。理论值与单次有限样本测量不必完全一致。

这里的功率是把幅度平方后取平均得到的归一化离散信号功率,并未假定真实电阻负载。不能用峰值幅度直接代入功率比,也不能把 0.30 当成噪声功率。

改变噪声强度并验证

保持采样率、频率、时长与随机种子不变,仅把 noise_sigma 从 0.30 改为 0.60。由于噪声样本整体放大两倍,其平均功率变为四倍,实测信噪比应比原先低约 6.02 dB,曲线偏离也更明显。恢复 0.30 后重新运行,应该得到相同的噪声曲线和近似一致的数值结果。

如果每次运行的曲线不同,检查是否误删了 default_rng(2026) 的固定种子;如果下图完全没有噪声,检查 received = clean + noise 是否被误写成只绘制 clean。若将频率调到高于 4000 Hz,当前采样率会发生混叠,不能再凭波形推断原始频率。完成实验时应同时核对 200 点、20 点/周期、PNG 图片以及信噪比下降趋势。

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

生成正弦信号并叠加随机噪声

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