通信工程 / 系统课时
用 AWGN 模拟接收符号的噪声
用 AWGN 模拟接收符号的噪声
把发送比特映射成 BPSK 符号,再叠加可控的加性高斯白噪声(AWGN),通过接收端的符号判决统计误比特率。本篇以 6 dB 的 完成可复现仿真,并用理论误码率检查噪声尺度是否正确。
学习目标
- 解释 BPSK 符号被噪声推过判决门限后为何出现比特错误。
- 从 算出实基带 AWGN 的标准差并生成接收符号。
- 计算未编码 BER,并与理论结果核对。
符号、噪声与判决
采用最简单的 BPSK 映射:比特 0 发送符号 ,比特 1 发送 。每个符号对应一个比特,接收端观察到 ,其中 是均值为零的高斯随机噪声。这里假设理想同步、独立的符号观测,暂不加入衰落、码间干扰或纠错编码。
接收端用零阈值硬判决: 判成比特 0, 判成比特 1。例如发送 ,噪声恰为 时,接收值 ,就会把 0 误判为 1;噪声为 时则不会误判。

将信噪比换算成噪声标准差
为避免发射功率与采样率混淆,把 BPSK 符号幅度设为 ,使每比特能量在此离散模型中归一化为 。设线性比值 ,则实数符号观测上的噪声满足:
当 dB 时,,得到 ,方差约为 。注意 normal 函数需要传入标准差,不是方差;这里是实数 BPSK 模型,不要直接套用未经换算的复数 I/Q 噪声参数。
运行一次可复现的仿真
使用 Python 3.10+ 和 NumPy,固定随机种子,发送 200000 个随机比特;噪声独立叠加到每个实数符号,判决后逐位对比。以下代码可直接运行:
import math
import numpy as np
rng = np.random.default_rng(2026) # 固定随机种子,方便复核误码数
n_bits = 200_000
ebn0_db = 6.0
gamma_b = 10 ** (ebn0_db / 10)
sigma = math.sqrt(1 / (2 * gamma_b)) # 实数观测噪声的标准差
bits = rng.integers(0, 2, size=n_bits)
tx = 1 - 2 * bits # 0 映射为 +1,1 映射为 -1
rx = tx + rng.normal(0.0, sigma, size=n_bits)
bits_hat = (rx < 0).astype(np.int64) # 零阈值硬判决
errors = np.count_nonzero(bits != bits_hat)
ber = errors / n_bits
theory = 0.5 * math.erfc(math.sqrt(gamma_b))
print(f"sigma={sigma:.6f}")
print(f"errors={errors}/{n_bits}")
print(f"BER={ber:.6f}")
print(f"theory={theory:.6f}")预期输出(采用 NumPy 默认随机数生成器,固定上述种子):
sigma=0.354393
errors=494/200000
BER=0.002470
theory=0.002388误比特率 BER 的定义是错误比特数除以发送比特数。BPSK 每个符号只承载一个比特,因此本例的符号错误率也等于 BER;换成每符号多比特的调制方式,两者通常不能直接画等号。
用理论曲线检查仿真
相干 BPSK 在理想 AWGN 信道下的理论误码率为 。6 dB 时理论上约每 1000 比特错 2.388 个,200000 比特的平均错误数约为 478;本次得到 494 次错误,属于随机采样波动,不要求每次测量与理论值完全一致。
| 理论 BER | 200000 比特的平均错误数 | |
|---|---|---|
| 0 dB | 0.078650 | 15730 |
| 6 dB | 0.002388 | 478 |
| 10 dB | 0.00000387 | 约 0.77 |
可以把代码中的 ebn0_db 分别改为 0.0 和 10.0 验证趋势。10 dB 时理论上 20 万比特平均不到 1 个错误,单次统计可能为零;此时需要增加比特数,不能把测得的零误码当作真实 BER 为零。