通信工程 / 系统课时
复现未编码 BPSK 的误码曲线
复现未编码 BPSK 的误码曲线
以相干 BPSK 在加性高斯白噪声(AWGN)信道中的传输为基线,使用 Python 扫描 0~10 dB 的 ,同时计算理论误码率与随机仿真值,最终保存一张能直接检验模型和噪声参数是否正确的误码曲线。
学习目标
- 将 转换为仿真所需的噪声标准差。
- 用固定随机种子完成 BPSK 调制、AWGN 加噪、硬判决和逐比特误码统计。
- 在对数坐标上核对理论曲线,并解释高信噪比处的统计波动。
建立 AWGN 与理论基准
使用等概发送的比特 0 和 1,分别映射为实数符号 +1 和 −1,令每比特能量 。接收端观察 ,其中噪声 是均值为 0、方差为 的独立高斯变量;判决规则是 判为 1,否则判为 0。这里假设接收机知道载波相位,没有衰落、信道编码或同步误差。
把横轴的 dB 值记为 ,线性比特信噪比为 。由于实数 AWGN 的方差是 ,且 ,应设置 。对应的相干 BPSK 理论误码率为:
例如在 0 dB,、,理论 BER 约为 0.07865;在 8 dB,理论 BER 约为 。如果误把标准差设为 ,噪声功率会翻倍,曲线约向右偏移 3 dB。
扫描信噪比并生成曲线
使用 Python 3.10+、NumPy 和 Matplotlib。先执行 python -m pip install numpy matplotlib 安装依赖,将以下完整程序保存为 bpsk_ber.py,再运行 python bpsk_ber.py。每个信噪比点发送 200 万比特,避免不同点因样本数不一致而难以比较。
import math
import numpy as np
import matplotlib
matplotlib.use("Agg") # 无图形桌面的环境也能保存 PNG
import matplotlib.pyplot as plt
N_BITS = 2_000_000
EBN0_DB = np.arange(0, 11, 2)
rng = np.random.default_rng(2026)
ber_sim, ber_theory = [], []
print("Eb/N0 | errors | BER(sim) | BER(theory)")
for ebn0_db in EBN0_DB:
gamma_b = 10.0 ** (ebn0_db / 10.0)
sigma = math.sqrt(1.0 / (2.0 * gamma_b))
# 每个信噪比点独立生成比特、噪声,再进行零阈值硬判决
bits = rng.integers(0, 2, size=N_BITS, dtype=np.uint8)
symbols = 1.0 - 2.0 * bits
received = symbols + rng.normal(0.0, sigma, size=N_BITS)
decided = (received < 0).astype(np.uint8)
errors = int(np.count_nonzero(decided != bits))
p_sim = errors / N_BITS
p_theory = 0.5 * math.erfc(math.sqrt(gamma_b))
ber_sim.append(p_sim)
ber_theory.append(p_theory)
print(f"{ebn0_db:2d} dB | {errors:6d} | {p_sim:.6e} | {p_theory:.6e}")
# 误码率跨度大,纵轴必须采用对数刻度
plt.figure(figsize=(8, 4.5))
plt.semilogy(EBN0_DB, ber_theory, "-", label="Theory")
plt.semilogy(EBN0_DB, ber_sim, "o--", label="Monte Carlo")
plt.xlabel("Eb/N0 (dB)")
plt.ylabel("BER")
plt.ylim(1e-6, 1e-1)
plt.grid(True, which="both", alpha=0.35)
plt.legend()
plt.tight_layout()
plt.savefig("bpsk_ber.png", dpi=160)
plt.close()
print("Saved: bpsk_ber.png")预期输出(NumPy 2.3.5、随机种子 2026;其他版本的随机样本值可能略有不同):
Eb/N0 | errors | BER(sim) | BER(theory)
0 dB | 157271 | 7.863550e-02 | 7.864960e-02
2 dB | 74876 | 3.743800e-02 | 3.750613e-02
4 dB | 24932 | 1.246600e-02 | 1.250082e-02
6 dB | 4854 | 2.427000e-03 | 2.388291e-03
8 dB | 376 | 1.880000e-04 | 1.909078e-04
10 dB | 7 | 3.500000e-06 | 3.872108e-06
Saved: bpsk_ber.png判断仿真是否复现理论
打开工作目录中的 bpsk_ber.png:横轴必须是 (dB),纵轴是对数 BER;实线为理论结果,圆点虚线为仿真结果。两条曲线应随信噪比升高持续下降,0~8 dB 基本贴合;10 dB 的仿真点允许明显波动,不要求恰好落在理论线上。

可用 0 dB 的理论值 0.0786496 和 8 dB 的理论值 0.000190908 做两处数值锚点:如果代码打印的理论列与它们不符,应先检查 dB 转线性以及误码率公式,再排查随机仿真。对六个点分别生成 200 万个样本,运算量为 ,其中 、,内存用量为 。
识别高信噪比处的偏差
在 10 dB,理论 BER 约为 ,200 万比特平均只会出现约 7.7 次误码。误码计数近似服从二项分布,BER 估计的标准差约为 ;此处相对标准差约 36%,所以 7 次与 8 次误码产生的曲线差异不代表调制算法改变。
若希望 10 dB 时平均累计至少 100 次误码,样本量需增加到约 2580 万比特。若某点统计到 0 次误码,不能把 BER=0 当作无误码证明,也不能直接在对数纵轴上绘制 0;应增加比特数,或报告零错误样本下约 的 95% 单侧上界。
这个基线只适用于未编码、等概率、相干检测的 BPSK/AWGN。后续加入纠错码时,应在同一 定义和明确的码率约定下比较 BER,否则可能把噪声归一化差异误认为编码增益。