从调制星座图到误码率：手把手用Python仿真ASK/FSK/PSK，直观理解SNR与BER的关系

从调制星座图到误码率：手把手用Python仿真ASK/FSK/PSK，直观理解SNR与BER的关系

通信工程师的日常工作中，最令人着迷的莫过于亲眼见证抽象理论转化为可视化的数据曲线。还记得第一次在示波器上看到QPSK星座图时，那些离散的点阵突然让教科书上的相位调制概念变得触手可及。本文将带您用Python重现这种"顿悟时刻"，通过代码构建完整的数字通信仿真链路，从比特流生成到误码率统计，让SNR与BER的数学关系通过Matplotlib曲线鲜活呈现。

1. 环境配置与基础概念

在开始编码前，我们需要明确几个核心概念。**比特(bit)是信息的最小单位，而码元(symbol)是承载比特的物理波形。当使用BPSK调制时，每个码元携带1个比特；采用QPSK则每个码元承载2个比特——这种差异直接影响了比特率(bit rate)与波特率(baud rate)**的关系：

# 计算比特率与波特率的关系 def calculate_rates(bit_rate, bits_per_symbol): symbol_rate = bit_rate / bits_per_symbol print(f"比特率: {bit_rate}bps, 波特率: {symbol_rate}baud") calculate_rates(1000, 1) # BPSK示例 calculate_rates(1000, 2) # QPSK示例

**信噪比(SNR)衡量信号功率与噪声功率的比值，通常以dB表示。而误码率(BER)**则是系统可靠性的关键指标：

注意：实际仿真结果会因随机噪声影响与理论值存在偏差，这正是我们需要通过大量样本统计的原因

2. 调制信号生成与可视化

2.1 ASK调制实现

幅移键控(ASK)通过改变载波幅度传递信息。我们首先生成随机的比特序列，然后映射为不同幅度的码元：

import numpy as np import matplotlib.pyplot as plt def generate_bits(n): return np.random.randint(0, 2, n) def ask_modulate(bits, amplitude=[0.5, 1.0]): return np.array([amplitude[bit] for bit in bits]) bits = generate_bits(1000) symbols = ask_modulate(bits) plt.figure(figsize=(10,4)) plt.stem(symbols[:20], use_line_collection=True) plt.title('ASK调制符号序列示例') plt.xlabel('符号索引'); plt.ylabel('幅度') plt.show()

2.2 FSK与PSK星座图

相比ASK，频移键控(FSK)和相移键控(PSK)能提供更好的抗噪声性能。下面展示BPSK和QPSK的星座图绘制：

def bpsk_modulate(bits): return np.array([-1 if bit==0 else 1 for bit in bits]) def qpsk_modulate(bits): assert len(bits)%2 == 0, "比特数需为偶数" symbols = [] for i in range(0, len(bits), 2): dibit = bits[i:i+2] if dibit == [0,0]: symbols.append(1+1j) elif dibit == [0,1]: symbols.append(-1+1j) elif dibit == [1,0]: symbols.append(1-1j) else: symbols.append(-1-1j) return np.array(symbols) qpsk_symbols = qpsk_modulate(generate_bits(1000)) plt.scatter(np.real(qpsk_symbols), np.imag(qpsk_symbols), alpha=0.3) plt.title('QPSK星座图'); plt.grid() plt.xlabel('同相分量'); plt.ylabel('正交分量') plt.show()

3. 噪声信道建模与解调

3.1 添加高斯白噪声

AWGN信道是分析数字通信系统的基础模型。下面的函数实现了给定SNR的噪声添加：

def add_noise(signal, snr_db): signal_power = np.mean(np.abs(signal)**2) noise_power = signal_power / (10 ** (snr_db / 10)) noise = np.sqrt(noise_power/2) * (np.random.randn(len(signal)) + 1j*np.random.randn(len(signal))) return signal + noise snr = 10 # dB noisy_symbols = add_noise(qpsk_symbols, snr)

3.2 解调与误码计算

QPSK解调需要根据接收符号的象限判断原始比特：

def qpsk_demodulate(symbols): bits = [] for s in symbols: if s.real > 0 and s.imag > 0: bits.extend([0,0]) elif s.real < 0 and s.imag > 0: bits.extend([0,1]) elif s.real > 0 and s.imag < 0: bits.extend([1,0]) else: bits.extend([1,1]) return np.array(bits) original_bits = generate_bits(1000) rx_bits = qpsk_demodulate(noisy_symbols) ber = np.sum(original_bits != rx_bits[:len(original_bits)]) / len(original_bits) print(f"实测BER: {ber:.4f} (SNR={snr}dB)")

4. SNR-BER关系曲线绘制

4.1 多SNR点测试

通过遍历不同SNR值，我们可以建立完整的性能曲线：

snr_range = np.arange(0, 15, 1) bers = [] for snr in snr_range: noisy = add_noise(qpsk_symbols, snr) rx_bits = qpsk_demodulate(noisy) ber = np.sum(original_bits != rx_bits[:len(original_bits)]) / len(original_bits) bers.append(ber) plt.semilogy(snr_range, bers, 'o-', label='仿真结果') plt.xlabel('SNR(dB)'); plt.ylabel('BER') plt.title('QPSK系统SNR-BER性能曲线') plt.grid(which='both'); plt.legend() plt.show()

4.2 理论曲线对比

通信理论给出了QPSK的误码率理论公式：

$$ P_b \approx Q\left(\sqrt{\frac{2E_b}{N_0}}\right) $$

将其转化为Python实现并与仿真结果对比：

from scipy.special import erfc def qpsk_ber_theory(snr_db): return 0.5 * erfc(np.sqrt(10**(snr_db/10))) theory_bers = [qpsk_ber_theory(snr) for snr in snr_range] plt.semilogy(snr_range, bers, 'o-', label='仿真') plt.semilogy(snr_range, theory_bers, 'r-', label='理论') plt.legend(); plt.grid(True) plt.xlabel('SNR(dB)'); plt.ylabel('BER') plt.title('QPSK性能曲线对比')

5. 调制方式性能对比

不同调制技术在频谱效率和功率效率上各有优劣。我们扩展仿真框架，比较ASK、BPSK和QPSK：

def compare_modulations(snr_db, n_bits=10000): bits = generate_bits(n_bits) # ASK ask_syms = ask_modulate(bits) noisy_ask = add_noise(ask_syms, snr_db) ask_ber = np.sum(bits != (noisy_ask > 0.75).astype(int)) / n_bits # BPSK bpsk_syms = bpsk_modulate(bits) noisy_bpsk = add_noise(bpsk_syms, snr_db) bpsk_ber = np.sum(bits != (noisy_bpsk > 0).astype(int)) / n_bits # QPSK qpsk_syms = qpsk_modulate(bits[:2*(n_bits//2)]) noisy_qpsk = add_noise(qpsk_syms, snr_db) rx_bits = qpsk_demodulate(noisy_qpsk) qpsk_ber = np.sum(bits[:len(rx_bits)] != rx_bits) / len(rx_bits) return ask_ber, bpsk_ber, qpsk_ber results = [compare_modulations(snr) for snr in snr_range] ask_bers, bpsk_bers, qpsk_bers = zip(*results) plt.semilogy(snr_range, ask_bers, label='ASK') plt.semilogy(snr_range, bpsk_bers, label='BPSK') plt.semilogy(snr_range, qpsk_bers, label='QPSK') plt.legend(); plt.grid(True) plt.xlabel('SNR(dB)'); plt.ylabel('BER') plt.title('不同调制方式性能对比')

在项目实践中发现，当信道SNR低于5dB时，QPSK的误码性能会急剧恶化，此时切换为BPSK往往能显著改善通信质量。这种自适应调制技术在现代通信系统中有着广泛应用。