用Python仿真理解调制解调：从AM、FM到BPSK误码率

通信技术发展至今已经超过一百年。从最早的有线电报，到后来的无线电广播，再到今天的 5G 移动通信和卫星互联网，设备形态和协议栈换了无数代，但通信系统要解决的核心问题始终只有一个：让信息可靠、高效地穿越信道，从发送端到达接收端。理解这条技术主线，是通信工程师区别于只会调用接口的开发者的关键能力。通信工程这门学科积累下来的技术遗产，也正是通过一代代工程师的教学、实验和文档传承下来的。

本文围绕“调制与解调”这个通信系统的核心环节展开。你会先看到通信系统的基本模型，理解模拟通信和数字通信的分界；然后我会用 Python 和 NumPy 搭建一个可复现的仿真环境，分别实现 AM、FM 和 BPSK 三种典型调制方式；最后通过在 AWGN 信道下的误码率实验，把“信噪比”和“误码率”这两个抽象概念变成看得见的曲线。文章还会整理仿真中常见的坑和排查路径，以及从仿真走向工程实践时需要注意的差异。

这套内容适合两类读者：一类是刚接触通信原理、想通过代码加深理解的在校学生，另一类是长期做上层应用开发、想补一补信号与通信基础的后端或嵌入式工程师。文中的仿真代码可以直接复制运行，关键参数和背后的公式都会逐一说明。

1. 通信系统的本质：信息如何穿越距离

1.1 先从最基础的通信模型说起

任何一套通信系统，无论简单还是复杂，都可以抽象成五个模块：信源、发送端、信道、接收端、信宿。

• 信源产生原始信息，可能是语音、文字、图片，也可以是传感器采集到的数据。
• 发送端负责把原始信息转换成适合在信道上传输的形式，这个过程的核心就是编码和调制。
• 信道是信息传输的物理媒介，可以是双绞线、同轴电缆、光纤，也可以是空气。
• 接收端从受干扰的信号中恢复出原始信息，完成解调和解码。
• 信宿是信息的最终消费方，比如人的耳朵，或者应用服务器上的处理程序。

实际工程里，前一块和后一块之间还会叠加编码、交织、加扰、组帧等大量处理，但主线始终是这条链路。把问题简化为这五个模块之后，通信系统面临的核心挑战就很清楚了：信道会带来衰减、噪声、失真和干扰，接收端看到的信息往往已经和发送端面目全非。通信工程师的日常工作，本质上就是在对抗信道的不完美。

信道的不完美主要体现在三个方面：

• 噪声：热噪声、器件噪声、环境干扰叠加在信号上，导致接收波形抖动。
• 衰减：信号在介质中传播会损失能量，距离越远衰减越大。
• 失真：信道带宽有限、频率响应不平坦，导致不同频率成分被不同程度地削弱或延迟。

所以通信系统设计本质上是一个工程权衡：在有限的带宽、有限的发射功率和给定的信道质量约束下，尽量提高传输速率并降低错误概率。

1.2 模拟通信与数字通信的分界

按照信号在信道上的表现形式，通信系统分为模拟通信和数字通信两大类。

模拟通信直接让电参量模仿原始消息的变化，例如声音的强弱驱动电流大小变化。数字通信则先把原始信息离散化成比特，再用有限个离散状态去表示比特。两者对比可以看下表：

数字通信能够成为今天的主流，并不是因为它天生更优秀，而是因为在噪声环境中，它可以通过“判决”和“纠错”把信号拉回有限状态集合，从而避免噪声的持续累积。模拟通信在信号质量足够好、设备成本敏感的短距离场景中仍然有应用，例如部分广播和模拟音频链路。

1.3 为什么今天还要理解这些基础原理

一个常年写 HTTP 接口的开发者可能觉得调制解调离自己很远。但一旦工作内容涉及这些方面，基础是否扎实会立刻体现出来：

• 排查射频信号质量问题，需要理解采样率、带宽、信噪比之间的关系。
• 优化无线模块的功耗与速率，需要理解调制阶数和误码率之间的取舍。
• 阅读蓝牙、Wi-Fi、4G/5G 协议中的物理层参数，本质还是在看调制、编码和信道。

我见过不少工程师能熟练配置无线模块的寄存器，但遇到“为什么同一批设备在某个位置误码率特别高”的问题时毫无头绪。原因往往不在寄存器，而在信号电平、带宽匹配和噪声基底这些基础概念上。所以这篇博客选择用仿真把这些概念落地，让知识不是停留在公式推导，而是变成可以运行、可以观察的代码。

2. 环境准备：搭建可复现的通信仿真环境

2.1 Python 环境与依赖

本文所有仿真只依赖三个库：NumPy 负责数值计算，SciPy 负责滤波和特殊函数，Matplotlib 负责画图。建议先创建独立虚拟环境，避免污染其他项目。

python -m venv comm_env # macOS / Linux source comm_env/bin/activate # Windows comm_env\Scripts\activate pip install numpy matplotlib scipy

安装完成后，可以用下面的代码确认版本和基本可用性：

import numpy as np import scipy import matplotlib import scipy.signal as signal from scipy.special import erfc print("numpy:", np.__version__) print("scipy:", scipy.__version__) print("matplotlib:", matplotlib.__version__)

如果本机 Python 版本较旧，建议先在 Python 3.10 以上环境中测试。不同版本的 SciPy 对butter、filtfilt的函数签名保持一致，本文代码在较新的 NumPy 2.x 和 SciPy 1.x 下都能运行。

2.2 仿真的总体设计

为了不把概念混在一起，实验分成四步：

1. 生成一个已知消息信号，作为所有调制的输入。
2. 分别做 AM、FM 调制，再用对应方法解调，观察信号在时域上的变化。
3. 做 BPSK 数字调制，先在无噪声条件下解调，确保流程正确。
4. 加入 AWGN 噪声，扫不同的 Eb/N0，统计误码率并与理论曲线对比。

代码组织上，建议把公共参数放在文件顶部，把调制、解调、加噪、误码统计拆成独立函数。这样后续调整参数、扩展新调制方式时，不需要改动主流程。

comm_sim/ ├─ comm_sim.py # 全部实验代码 ├─ requirements.txt # numpy matplotlib scipy └─ figures/ # 保存输出图片

在单一文件里组织实验可以加快上手速度；如果是多人协作或长期维护，则建议按模块拆分。本文为突出可读性，采用单文件示例。

2.3 仿真参数速查表

后续所有实验共用一套参数，先列出来，后面不再重复解释：

采样率的选择要满足奈奎斯特条件，同时保证一个载波周期内有足够采样点。这里 fs 是 fc 的 10 倍，一个载波周期采 10 个点，画图和后续滤波都足够。

注意：仿真参数在实验室环境可以随意调整，但一旦要对比真实系统或现场测试数据，必须以实际硬件的采样率、带宽和发射功率为准，不能照搬仿真默认值。

3. 用代码理解三种调制方式：AM、FM 与 BPSK

3.1 先准备一个已知的消息信号

为了让后续解调结果可以和原始信号对比，我们使用一个幅度为 0.6、频率为 1 kHz 的正弦波作为消息信号。这样解调失败时，波形差异一眼就能看出来。

import numpy as np import matplotlib.pyplot as plt import scipy.signal as signal # 公共参数 fs = 200_000 # 采样率 fc = 20_000 # 载波频率 fm = 1_000 # 消息频率 T = 0.01 # 信号时长 t = np.arange(0, T, 1 / fs) # 消息信号：幅度 0.6 的 1 kHz 正弦波 m = 0.6 * np.sin(2 * np.pi * fm * t)

直接打印m.shape，结果是(2000,)，也就是 10 ms 内采了 2000 个点。这个数组就是后面所有调制电路的“输入音频”。

3.2 AM 调制与包络检波

AM 调制的基本表达式是：

s_am(t) = (1 + ma * m(t)) * cos(2 * pi * fc * t)

也就是让消息信号改变载波幅度。调制指数 ma 控制幅度变化的深度，ma 越大，消息信号对载波幅度的影响越明显。代码实现非常直接：

# AM 调制：ma 为调制指数 ma = 0.6 s_am = (1 + m) * np.cos(2 * np.pi * fc * t) # 包络检波：取绝对值后低通滤波 env = np.abs(s_am) b, a = signal.butter(4, 2 * fm / (fs / 2), btype='low') m_hat = signal.filtfilt(b, a, env)

AM 解调最常见的方式是包络检波：先对已调信号取绝对值，让负半周翻到正半周，再通过低通滤波器把载波频率成分滤掉，剩下的就是消息信号的包络。这里的低通截止频率取 2 kHz，因为消息信号最高 1 kHz，截止频率必须高于 1 kHz 但远低于载波 20 kHz。

画出s_am和m_hat后，可以看到 AM 信号的外包络正好随m变化，解调后的波形与原始m基本重合。

这里有一个典型坑：如果用普通scipy.signal.lfilter代替filtfilt，滤波输出会在开头出现明显的瞬态时延。filtfilt做双向滤波，没有相位偏移，更适合观察波形；但代价是实时系统没法用它，因为它是非因果的。学习仿真的用户，不建议在离线数据分析时用lfilter去对比波形。

3.3 FM 调制与鉴频解调

FM 调制不再改变载波幅度，而是让载波瞬时频率随消息信号变化。数学上写作：

s_fm(t) = cos(2 * pi * fc * t + 2 * pi * kf * integral(m(t) dt))

代码里用np.cumsum(m) / fs对消息信号做数值积分：

# FM 调制 kf = 2_000 phase = 2 * np.pi * fc * t + 2 * np.pi * kf * np.cumsum(m) / fs s_fm = np.cos(phase) # 简易正交鉴频解调 baseband = s_fm * np.exp(-1j * 2 * np.pi * fc * t) inst_phase = np.unwrap(np.angle(baseband)) inst_freq = np.diff(inst_phase) * fs / (2 * np.pi) m_hat_fm = inst_freq / kf

解调的核心思想是：把 FM 信号搬移到基带后，信号的相位就是瞬时相位，它对时间求导就是瞬时频率。瞬时频率减去中心频率再除以频偏系数 kf，就能恢复出消息信号。这里的np.diff会少一个点，画图时注意对齐t[1:]。

FM 比 AM 抗幅度噪声能力强，因为幅度方向的干扰不会改变频率，但 FM 占用带宽通常更大。这个特性决定了 FM 在广播音质和抗干扰要求高的场景中仍在使用。

3.4 BPSK 调制与相干解调

数字调制与外层数字通信直接对应。这里选择 BPSK，因为它的原理最直观：比特 0 映射为幅度 -1，比特 1 映射为幅度 +1，然后乘以载波。载波相位 0 表示 1，相位 π 表示 0。

# BPSK 参数 Rb = 10_000 # 比特率 spb = int(fs / Rb) # 每个比特采样点数 rng = np.random.default_rng(42) bits = rng.integers(0, 2, 200) nrZ = 2 * bits - 1 # 0 -> -1, 1 -> +1 baseband = np.repeat(nrZ, spb) t_bpsk = np.arange(len(baseband)) / fs carrier = np.cos(2 * np.pi * fc * t_bpsk) bpsk_tx = baseband * carrier

接收端采用相干解调，也就是用一个与发送端同频同相的本地载波来混频，再积分判决：

def demod_bpsk(rx, fs, fc, spb): t_rx = np.arange(len(rx)) / fs lo = np.cos(2 * np.pi * fc * t_rx) mixed = rx * lo # 混频到基带 n_sym = len(rx) // spb mf = mixed[:n_sym * spb].reshape(n_sym, spb).mean(axis=1) bits_hat = (mf > 0).astype(int) return bits_hat bits_hat = demod_bpsk(bpsk_tx, fs, fc, spb) print("恢复正确:", np.array_equal(bits_hat[: len(bits)], bits))

混频后，每个比特区间内有spb=20个采样点，直接求平均等效于一个积分器。判决规则是平均值大于 0 判为比特 1，否则判为比特 0。在无噪声条件下，这段代码应该打印恢复正确: True。

三种调制方式的对比整理如下：

BPSK 看起来“最强”，但它的代价是接收端必须恢复出与发送端同频同相的载波。这个载波同步过程在实际系统中非常复杂，也是很多初学仿真的人容易忽略的环节。本文为了聚焦原理，假设本地载波完全同步。

4. 加入 AWGN 信道：从理想环境走向真实环境

4.1 高斯白噪声与 Eb/N0 的含义

真实信道必然存在噪声。通信原理中最常用的信道模型是 AWGN，即加性高斯白噪声。它有三个关键词：

• 加性：噪声以相加方式叠加到信号上。
• 高斯：噪声幅值服从正态分布。
• 白：噪声功率谱在频域内均匀分布。

衡量噪声强弱不能只看噪声功率，而要和信号功率放在一起看。这里有两个常用指标：

• SNR（信噪比）：信号功率与噪声功率之比。
• Eb/N0（比特能量与噪声功率谱密度之比）：每个比特携带的能量与单位带宽噪声功率的比值。

Eb/N0 在数字调制性能分析中更常用，因为它剔除了比特率和带宽的影响，能直接比较不同调制方式的理论性能。仿真中给基带 BPSK 符号叠加噪声时，噪声标准差按下面的公式计算：

sigma = sqrt(1 / (2 * EbN0))

这个公式成立的前提是符号能量归一化为 1。推导思路是：符号能量 Es = 1，噪声方差 σ² = N0 / 2，而 Es/N0 = Eb/N0 = gamma，所以 σ² = 1 / (2 gamma)。初学阶段不需要背公式，但要理解“归一化能量”这个前提条件，否则换成高阶调制时容易出错。

4.2 用蒙特卡洛方法统计 BPSK 误码率

误码率（BER）的仿真思路是：随机生成大量比特，经过调制、加噪声、解调，然后统计恢复错误的比特比例。这种反复实验取统计结果的思路叫蒙特卡洛仿真。

from scipy.special import erfc def ber_bpsk(eb_n0_db, n_bits=200_000, seed=0): rng = np.random.default_rng(seed) eb_n0 = 10 ** (eb_n0_db / 10) sigma = np.sqrt(1 / (2 * eb_n0)) bits = rng.integers(0, 2, n_bits) symbols = 2 * bits - 1 rx = symbols + sigma * rng.standard_normal(n_bits) bits_hat = (rx > 0).astype(int) return np.mean(bits_hat != bits) def ber_theory(eb_n0_db): eb_n0 = 10 ** (eb_n0_db / 10) return 0.5 * erfc(np.sqrt(eb_n0)) eb_n0_db_list = np.arange(0, 11, 1) ber_sim = [ber_bpsk(x) for x in eb_n0_db_list] ber_ref = [ber_theory(x) for x in eb_n0_db_list] for x, s, r in zip(eb_n0_db_list, ber_sim, ber_ref): print(f"Eb/N0={x:2d} dB sim={s:.6f} theory={r:.6f}")

代码里有两个细节值得注意：

• 每次实验用固定种子seed，保证结果可复现。
• 比特数n_bits取 20 万，是为了在高信噪比下也能统计到足够数量的错误比特。如果只用几千比特，当真实误码率是 10 的负 5 次方时，一次实验可能一个错误都没有，统计结果会严重失真。

4.3 仿真结果与理论曲线的对比

BPSK 在 AWGN 信道下的理论误码率是：

BER = Q(sqrt(2 * EbN0))

等价于0.5 * erfc(sqrt(EbN0))。仿真运行完成后，对比表大致如下：

由于是随机实验，仿真值和理论值不会完全相等，但在 20 万比特样本下，误差一般会控制在可接受范围内。如果固定种子，每次结果完全一致；换不同的种子，结果会在理论值附近小幅波动。

画出 BER 曲线时会看到，Eb/N0 从 0 dB 提升到 8 dB，误码率下降约三个数量级。这说明信噪比在通信系统中是决定性的因素。工程上常见的“灵敏度”指标，本质上就是达到某个目标误码率（比如 0.001）所需的最低接收信号电平。

注意：不要只验证程序能跑通。仿真实验的验证标准应该是“仿真结果与理论值是否吻合”。BER 曲线与理论曲线偏离比较大时，首先要检查实现，而不是怀疑理论。

5. 仿真中常见的坑与排查路径

5.1 解调后波形和原始信号对不上

现象：AM 解调波形幅度正确，但频率成分明显错误，或者 FM 解调波形出现不合理的尖峰。

排查顺序：

1. 检查采样率 fs 是否至少大于最高频率成分的 2 倍。实际仿真中建议留 5 到 10 倍余量。
2. 检查低通滤波器截止频率。AM 包络检波的低通截止频率必须高于消息最高频率，同时远低于载波频率。截止频率取错是常见原因。
3. 检查时间轴对齐。np.diff、filtfilt、滤波操作都可能造成向量长度变化或相位偏移，画图前先打印几个数组的shape。

FM 解调出现边界尖峰通常是因为发生在np.unwrap和np.diff的数据起点。建议去掉每个序列首尾 1% 的数据再观察波形。

5.2 BER 曲线和理论值偏差很大

现象：低 Eb/N0 时仿真 BER 勉强接近理论值，但高 Eb/N0 时仿真 BER 不再下降，出现平台。

这个现象通常有四个原因：

• 噪声功率算错。最常见的是直接用一个固定的信号功率值计算噪声，而不是用实际信号数组的np.mean(x ** 2)。
• 符号能量没有归一化。BPSK 的符号映射如果用了0和1而不是-1和+1，平均能量就只剩一半，导致等效 Eb/N0 差 3 dB。
• 判决门限不是 0。BPSK 最优门限是 0，加了直流偏置后判决自然错误。
• 随机种子复用导致样本相关性。建议每次实验独立生成数据，或者使用并行的不同子流。

5.3 滤波器引入时延和相位问题

scipy.signal.lfilter是因果滤波，输出会有群时延；filtfilt是非因果的，波形对齐好但实时系统不能使用。仿真中如果要对齐波形，直接用filtfilt；如果模拟真实接收机，则必须接受因果滤波带来的时延，并在定时同步中处理。

排查这类问题有一个通用思路：先去掉信道，在无噪声条件下让调制解调链路跑通；再单独加入噪声，确认 BER 走向符合理论；最后再引入滤波器、同步等硬件因素。每加一层复杂度验证一次，能大幅缩短定位时间。

6. 从仿真到工程：最佳实践与学习路线

6.1 学习环境与生产环境的差异

仿真环境能帮我们把原理看得很清楚，但进入真实设备之后，复杂度会成倍上升。两者差异需要从一开始就建立认知：

初学通信仿真时，知道这一点能避免一个误区：不要把仿真结果直接当作硬件性能结论。仿真只是帮助理解原理和验证算法的工具。

6.2 通信工程的可复用学习路线

如果你从零开始补通信基础，推荐按下面这个顺序，不要跳步：

1. 信号与系统：傅里叶变换、卷积、采样定理。这是所有后续内容的数学工具。
2. 通信原理：调制解调、AWGN 信道、BER 分析。本文覆盖的就是这批概念。
3. 数字信号处理：滤波器设计、FFT、多速率信号处理。
4. 无线通信：衰落信道、OFDM、MIMO、均衡和同步。
5. 协议与系统：从物理层向上看 MAC、网络层和应用层。

每条路线都配上动手实验。比如学完调制解调可以做一个小项目：实现一个简单的 BPSK 收发链路，加入频偏补偿，再对比不同 Eb/N0 下的性能。做完之后，你对物理层的理解会比只看书深刻得多。

6.3 落地项目前请先做这三件事

仿真代码要迁移到真实工程或者写成长期维护的项目，建议先完成三件事：

• 把随机种子全部移除或抽成可配置参数，生产环境的数据生成必须可重复但默认不可固定。
• 把公共参数集中到配置文件或常量类。采样率、载波频率、符号率这类参数散落在代码里，是后期维护最大的隐患。
• 为每个关键函数补测试用例。至少包含无噪声解调正确性、加噪后 BER 在合理范围、滤波器边界长度一致性这三类用例。

最后回到最初的问题：为什么通信工程师还要花时间追溯基础原理。因为无论是模拟时代的调幅调频，还是数字时代的 BPSK、QAM、OFDM，底层的设计逻辑始终是带宽、功率、复杂度和误码率之间的权衡。把这些权衡关系吃透，再去看新协议和新技术，就只是换了一套参数和实现方式，而不是重新学一门学科。这也是通信工程知识能够一代代传承下去的原因：技术载体在变，核心约束没有变。