通信工程 / 系统课时

校准采样率噪声功率与EbN0

校准采样率噪声功率与EbN0

把 BPSK 和 QPSK 链路设为同样的 6 dB Eb/N0,却得到相差数倍的误码率,通常是能量和噪声口径没有统一。这里用八倍采样的收发链路,逐项校准符号能量、实复噪声方差和匹配滤波器,并用可复现的误码统计验收。

学习目标

  • 从符号能量、每符号比特数与码率推算 AWGN 方差。
  • 在改变每符号采样数时保持离散符号能量不变。
  • 用噪声实测方差和 BPSK/QPSK 误码率发现 3 dB、9 dB 的标定错误。

从信息比特能量反推噪声

先明确比较的是信息比特能量。若调制阶数为 MM、每符号承载 k=log⁡2Mk=\log_2M 个编码比特、编码率为 RR,则 Eb=Es/(kR)E_b=E_s/(kR)。设 γb=10(Eb/N0)dB/10\gamma_b=10^{(E_b/N_0)_{\mathrm{dB}}/10},在平均符号能量 Es=1E_s=1 时,噪声谱密度参数为 N0=1/(kRγb)N_0=1/(kR\gamma_b)。本例均不编码,即 R=1R=1。

对于实数 AWGN,样本服从均值为零、方差 N0/2N_0/2 的高斯分布;对于复基带 AWGN,I、Q 两个实维各有方差 N0/2N_0/2,因此复噪声功率 E[∣n∣2]=N0E[|n|^2]=N_0。复噪声总方差不能误填到每个实维上;即使 BPSK 用复数数组承载,也遵循同一实维规则。

Eb/N0=6E_b/N_0=6 dB、Es=1E_s=1 kk N0N_0 每个实维的噪声方差
实数 BPSK 1 0.2512 0.1256
复数 QPSK 2 0.1256 0.0628

让八倍采样保持单位符号能量

取符号率 Rs=1000R_s=1000 symbol/s、采样率 Fs=8000F_s=8000 sample/s,每符号 L=Fs/Rs=8L=F_s/R_s=8 个样本。BPSK 的符号为 ±1\pm1;QPSK 的 I、Q 分量各为 ±1/2\pm1/\sqrt{2},两者都满足 Es=1E_s=1。

本例使用矩形脉冲:每个符号重复八次,但每个样本写成 x[n]=s/8x[n]=s/\sqrt{8}。于是单个符号的离散能量 ∑n=07∣x[n]∣2=1\sum_{n=0}^{7}|x[n]|^2=1。接收端再用八个系数都为 1/81/\sqrt{8} 的单位能量匹配滤波器求和抽样。白噪声经过这一投影后,每个实维的方差仍为 N0/2N_0/2,无需再人为乘八。

八倍采样链路中的能量归一化、噪声方差与匹配滤波

若直接把符号值重复八次、不除以 8\sqrt{8},单符号离散能量就变成八倍;仍按 Es=1E_s=1 生成噪声,会让实际链路的 Eb/N0E_b/N_0 虚高约 10log⁡108=9.0310\log_{10}8=9.03 dB。另一种按样本平均功率定义噪声的工具,必须同时代入采样数,不能只复制一个方差公式。

用同一脚本检查实数和复数链路

环境为 Python 3 与 NumPy。下面固定随机种子,发出各 200000 个符号,先按每符号八个单位能量样本加噪,再匹配滤波和硬判决;QPSK 每符号对应两个比特。

python
import numpy as np

rng = np.random.default_rng(2026)
ebn0_db = 6.0
gamma = 10 ** (ebn0_db / 10)
sps = 8
count = 200_000

for name, k in [("BPSK", 1), ("QPSK", 2)]:
    bits = rng.integers(0, 2, size=(count, k))
    if k == 1:
        symbols = (1 - 2 * bits[:, 0]).astype(float)
    else:
        symbols = ((1 - 2 * bits[:, 0]) +
                   1j * (1 - 2 * bits[:, 1])) / np.sqrt(2)

    # 矩形脉冲与接收求和滤波器均采用单位能量归一化。
    waveform = np.repeat(symbols, sps) / np.sqrt(sps)
    n0 = 1 / (k * gamma)  # 此例 Es=1、编码率 R=1。
    sigma = np.sqrt(n0 / 2)

    if k == 1:
        noise = rng.normal(0, sigma, waveform.size)
        variance = np.var(noise)
    else:
        noise = (rng.normal(0, sigma, waveform.size) +
                 1j * rng.normal(0, sigma, waveform.size))
        variance = np.var(noise.real)

    received = (waveform + noise).reshape(count, sps).sum(axis=1) / np.sqrt(sps)
    if k == 1:
        decided = (received < 0).astype(int)[:, None]
    else:
        decided = np.column_stack(
            (received.real < 0, received.imag < 0)
        ).astype(int)

    ber = np.mean(decided != bits)
    print(f"{name}: 实维方差={variance:.4f}, 目标={n0/2:.4f}, BER={ber:.4f}")

预期输出(固定种子;不同 NumPy 版本的末位可能略有差异):

text
BPSK: 实维方差=0.1257, 目标=0.1256, BER=0.0025
QPSK: 实维方差=0.0628, 目标=0.0628, BER=0.0024

用数值偏差判断错误位置

在相干硬判决、Gray 映射和理想 AWGN 条件下,两者的理论比特误码率均为 Pb=Q(2γb)≈0.00239P_b=Q(\sqrt{2\gamma_b})\approx0.00239。统计存在随机波动,不要求每次恰好得到理论值;先核对实维方差,再看误码率是否落在约 0.0020~0.0028 的范围。

  • 差约 3 dB:把复噪声的总功率 N0N_0 当成 I、Q 各自的方差,或在 QPSK 的 EbE_b 换算中漏掉 k=2k=2。
  • 差约 9 dB:把八倍采样的矩形脉冲直接重复但没有重算 EsE_s,却沿用单位能量的噪声设置。
  • 更换采样数后 BER 改变:逐段核对成形脉冲能量、接收滤波器系数平方和、抽样相位,以及加噪位于滤波器之前还是之后。

先关闭噪声,确保匹配滤波后的理想符号与发端一致;再开启噪声核对方差和误码率。这样能把标定错误与同步、信道畸变分开。

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

校准采样率噪声功率与EbN0

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