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 Eb/N0E_b/N_0,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 Eb/N0E_b/N_0 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 Eb=1E_b=1。接收端观察 r=s+nr=s+n,其中噪声 nn 是均值为 0、方差为 σ2\sigma^2 的独立高斯变量;判决规则是 r<0r<0 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 xx,线性比特信噪比为 γb=10x/10\gamma_b=10^{x/10}。由于实数 AWGN 的方差是 N0/2N_0/2,且 Eb=1E_b=1,应设置 σ=1/(2γb)\sigma=\sqrt{1/(2\gamma_b)}。对应的相干 BPSK 理论误码率为:

Pb=12erfc⁡(γb)P_b=\frac{1}{2}\operatorname{erfc}(\sqrt{\gamma_b})

例如在 0 dB,γb=1\gamma_b=1、σ≈0.7071\sigma\approx0.7071,理论 BER 约为 0.07865;在 8 dB,理论 BER 约为 1.909×10−41.909\times10^{-4}。如果误把标准差设为 1/γb1/\sqrt{\gamma_b},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。

python
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):

text
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 Eb/N0E_b/N_0(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。

未编码 BPSK 理论 BER 与仿真 BER 的对数曲线对照

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 O(KN)O(KN),其中 K=6K=6、N=2×106N=2\times10^6,内存用量为 O(N)O(N)。

识别高信噪比处的偏差

在 10 dB,理论 BER 约为 3.872×10−63.872\times10^{-6},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 p(1−p)/N\sqrt{p(1-p)/N};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 3/N3/N 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 Eb/N0E_b/N_0 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。

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

复现未编码 BPSK 的误码曲线

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