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 ,其中 是峰值幅度, 是正弦频率, 是采样率, 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 | 8000 Hz | 每秒 8000 点 |
| 信号频率 | 400 Hz | 每周期 20 点 |
| 幅度 | 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 | 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 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。
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):
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。

用信噪比解释波形变化
设干净信号的平均功率为 ,噪声的平均功率为 ,以分贝表示的信噪比为:
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 ,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。