51学通信

01-数字通信系统基础与数学准备

48分钟阅读

数字无线通信原理精讲 第1篇：数字通信系统基础与数学准备

摘要

本文将带你深入理解数字无线通信系统的核心架构和基础数学工具，帮助你建立完整的通信系统分析框架。你将学到数字通信系统的组成模块、概率论在通信中的应用、随机过程的基本概念、以及高斯噪声信道模型的分析方法。

学习目标

阅读完本文后，你将能够：

  • 理解系统架构：掌握数字通信系统的完整组成和各模块功能
  • 掌握数学基础：理解概率分布、期望、方差等统计概念
  • 认识信道模型：理解AWGN信道及其在系统分析中的作用
  • 建立系统观念：从整体视角理解通信系统的设计权衡
  • 准备进阶学习：为后续调制解调、信道编码等专题打下数学基础

引言：为什么需要数学工具

在现代通信工程中，数学不是抽象的理论，而是分析系统性能的必备工具。当我们需要比较两种调制方案的优劣，或者计算某个系统在给定信噪比下的误码率时，都需要扎实的数学基础。

51学通信提示：很多通信工程师在实际工作中发现，面对复杂的系统设计问题时，往往是数学基础薄弱限制了理解深度。概率论和随机过程不是”纯理论”，而是通信工程师的”基本功”。掌握这些工具，你将能够更深入地理解系统行为，更准确地预测性能，更有效地解决实际问题。

一、数字通信系统的整体架构

1.1 通信系统的基本任务

通信系统的根本任务是在空间中传递信息。从最本质的角度看，一个通信系统需要解决三个基本问题：

如何表示信息？ —— 信号与系统的问题 如何传输信息？ —— 信道与传输的问题 如何保证可靠性？ —— 抗干扰与编码的问题

数字通信通过将信息转换为数字形式，利用数字信号处理的强大能力，在这三个方面都取得了革命性的突破。

1.2 数字通信系统的组成模块

一个完整的数字通信系统由多个功能模块组成，每个模块负责特定的任务。

flowchart TD
    subgraph DigitalCommSystem["数字通信系统组成"]
        direction TB

        Source["信息源<br/>语音/视频/数据"]

        SourceEncoder["源编码器<br/>压缩/数字化"]

        ChannelEncoder["信道编码器<br/>纠错编码"]

        Modulator["调制器<br/>载波调制"]

        Channel["信道<br/>物理媒介"]

        Demodulator["解调器<br/>信号恢复"]

        ChannelDecoder["信道解码器<br/>纠错解码"]

        SourceDecoder["源解码器<br/>解压缩/重建"]

        Sink["信息宿<br/>用户/设备"]

        Source --> SourceEncoder
        SourceEncoder --> ChannelEncoder
        ChannelEncoder --> Modulator
        Modulator --> Channel
        Channel --> Demodulator
        Demodulator --> ChannelDecoder
        ChannelDecoder --> SourceDecoder
        SourceDecoder --> Sink
    end

    style Source fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style Sink fill:#ffebee,stroke:#c62828,stroke-width:2px
    style Channel fill:#fff9c4,stroke:#f57f17,stroke-width:3px
    style SourceEncoder fill:#e1f5fe,stroke:#0277bd
    style ChannelEncoder fill:#e1f5fe,stroke:#0277bd
    style Modulator fill:#e1f5fe,stroke:#0277bd
    style Demodulator fill:#f3e5f5,stroke:#6a1b9a
    style ChannelDecoder fill:#f3e5f5,stroke:#6a1b9a
    style SourceDecoder fill:#f3e5f5,stroke:#6a1b9a
    style DigitalCommSystem fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图展示了数字通信系统的完整信息处理流程。最左侧是信息源，产生需要传输的原始信息（语音、视频或数据）。源编码器将这些信息压缩并转换为数字形式，去除冗余以节省带宽。信道编码器添加可控冗余，用于后续的纠错。调制器将数字比特映射为适合传输的模拟波形。信道是物理传输媒介（有线、无线、光纤等）。接收端则进行逆向处理：解调器从接收波形中恢复数字信号，信道解码器纠正传输错误，源解码器重建原始信息。

这个流程体现了数字通信的核心理念：通过将信息处理分解为多个独立模块，每个模块专注于特定的功能，从而实现系统设计的模块化和灵活性。例如，如果发现某种调制方式性能更好，只需替换调制器模块，而不需要改变整个系统。

1.3 源编码与信道编码的权衡

源编码和信道编码看似矛盾——一个去除冗余，一个添加冗余，但它们服务于不同的目的。

源编码的目标是去除信息中的自然冗余，用更少的比特表示同样的信息。例如，语音信号中存在大量的相关性，相邻采样点的值往往接近，这种相关性就是冗余。源编码通过分析信号的统计特性，设计更高效的表示方法。

信道编码的目标是添加可控的冗余，用于检测和纠正传输错误。这种冗余是”可控的”，因为我们知道它的结构，可以在接收端利用它来恢复信息。相比之下，信道中产生的错误是”不可控的”。

flowchart LR
    subgraph RedundancyTradeoff["冗余处理的权衡"]
        direction TB

        Original["原始信息<br/>1000 比特"]

        SourceEncode["源编码<br/>去除冗余<br/>压缩到 200 比特"]

        ChannelEncode["信道编码<br/>添加冗余<br/>增加到 400 比特"]

        Transmit["传输"]

        Original --> SourceEncode
        SourceEncode --> ChannelEncode
        ChannelEncode --> Transmit

        Benefit1["源编码好处:<br/>节省带宽<br/>提高效率"]
        Benefit2["信道编码好处:<br/>抵抗错误<br/>提高可靠性"]
    end

    style Original fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style SourceEncode fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style ChannelEncode fill:#e1f5fe,stroke:#0277bd,stroke-width:2px
    style Benefit1 fill:#c8e6c9,stroke:#2e7d32
    style Benefit2 fill:#bbdefb,stroke:#0277bd
    style RedundancyTradeoff fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图解释了源编码和信道编码在冗余处理上的权衡。假设原始信息有1000比特，源编码器通过分析信息的统计特性，去除其中的自然冗余，将其压缩到200比特。这种压缩是”无损的”或”有损但可控的”，取决于应用需求。然后信道编码器添加可控冗余，将比特数增加到400比特。这看起来似乎抵消了源编码的好处，但实际上这两个编码器的目标是不同的：源编码提高效率，信道编码提高可靠性。最终的系统仍然比原始的1000比特更高效（400比特 vs 1000比特），同时更可靠。

51学通信站长爱卫生认为，理解这种权衡是通信系统设计的关键。在实际工程中，源编码和信道编码的参数需要仔细选择，以达到最佳的效率和可靠性平衡。例如，对于语音通话，可以容忍一定的质量损失来换取更低的比特率；对于文件传输，则要求无损压缩，此时信道编码的重要性更加突出。

1.4 数字通信 vs 模拟通信

数字通信相比模拟通信有显著优势，这也是现代通信系统普遍采用数字技术的原因。

优势1：抗干扰能力强

数字信号只有有限个离散值，即使在传输过程中受到干扰，只要接收端能够区分这些离散值，就能完美恢复信息。而模拟信号有无限多个可能值，任何干扰都会造成永久性的信息损失。

优势2：易于集成数字信号处理

数字信号可以方便地用计算机处理，实现复杂的算法。例如，数字滤波器可以精确实现任何频率响应，而模拟滤波器受限于元件精度和稳定性。

优势3：便于加密和复用

数字信息的加密和解密是成熟的领域。另外，多个数字信号可以通过时分复用共享同一信道，大大提高频谱利用率。

优势4：便于存储和再生

数字信号可以存储在任何数字媒体上，并且可以无限次再生而不会累积误差。模拟信号每次复制都会增加噪声和失真。

二、概率论基础

2.1 为什么需要概率论

在通信系统中，无论是要传输的信息，还是信道中引入的噪声，都具有随机性。我们无法预测某个时刻的精确值，只能描述其统计特性。概率论提供了描述和分析这种随机性的数学工具。

2.2 随机变量与概率分布

随机变量是一个可以取不同值的变量，每个可能值有一定的概率。例如，抛硬币的结果可以用随机变量表示，取值为”正面”或”反面”。

在通信系统中，我们关注的是连续随机变量，如电压、电流、信号幅度等。这些变量可以在某个范围内取任意值。

**概率密度函数（PDF）**描述了连续随机变量在不同值附近的概率密度。

flowchart TD
    subgraph ProbabilityConcepts["概率论核心概念"]
        direction TB

        RV["随机变量 X<br/>如: 信号电压"]

        PDF["概率密度函数 f(x)<br/>描述概率分布"]

        Expectation["期望 E[X]<br/>平均值/中心位置"]

        Variance["方差 Var(X)<br/>分散程度"]

        RV --> PDF
        PDF --> Expectation
        PDF --> Variance

        Expectation --> Example1["例子: 信号平均功率"]
        Variance --> Example2["例子: 信号波动程度"]

        Gaussian["高斯分布<br/>最重要的分布"]

        Gaussian --> Comms["通信中的噪声<br/>热噪声特性"]
    end

    style RV fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style PDF fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style Expectation fill:#e1f5fe,stroke:#0277bd,stroke-width:2px
    style Variance fill:#f3e5f5,stroke:#6a1b9a,stroke-width:2px
    style Gaussian fill:#ffebee,stroke:#c62828,stroke-width:2px
    style Comms fill:#ffcdd2,stroke:#c62828
    style ProbabilityConcepts fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图展示了概率论在通信分析中的核心概念。随机变量X（如信号电压）具有概率密度函数f(x)，描述了X在不同值附近的概率密度。从PDF可以计算出期望E[X]（平均值）和方差Var(X)（分散程度）。期望告诉我们变量的”中心位置”在哪里，方差告诉我们变量偏离中心的程度。在通信中，期望对应于信号的直流分量或平均功率，方差对应于信号的交流分量或功率波动。

高斯分布（正态分布）是最重要的概率分布，因为通信系统中的热噪声服从高斯分布。理解高斯分布的特性对于分析通信系统性能至关重要。

2.3 高斯分布：通信中最重要的分布

高斯（正态）分布之所以重要，是因为通信系统中的热噪声服从高斯分布。这是由中心极限定理保证的：大量独立随机因素的和趋于高斯分布。

一维高斯分布的PDF：

f(x) = (1/√(2πσ²)) × exp(-(x-μ)²/(2σ²))

其中：

  • μ 是均值
  • σ² 是方差
  • σ 是标准差

标准高斯分布（μ=0, σ²=1）：

f(x) = (1/√(2π)) × exp(-x²/2)

高斯分布的重要性质：

  1. 线性变换保持高斯性 如果X ~ N(μ, σ²)，Y = aX + b，则Y ~ N(aμ+b, a²σ²)

  2. 独立高斯变量之和 如果X ~ N(μ₁, σ₁²)，Y ~ N(μ₂, σ₂²)独立，则X+Y ~ N(μ₁+μ₂, σ₁²+σ₂²)

  3. 中心极限定理 大量独立随机变量之和趋于高斯分布

2.4 期望与方差

**期望（Expected Value）**描述随机变量的”平均”行为。

对于连续随机变量X：

E[X] = ∫ x·f(x) dx

期望的性质：

  • E[aX + b] = aE[X] + b （线性性质）
  • E[X + Y] = E[X] + E[Y] （可加性）

**方差（Variance）**描述随机变量围绕均值的分散程度。

Var(X) = E[(X - E[X])²] = E[X²] - (E[X])²

方差的意义：方差越小，随机变量的值越集中在其均值附近；方差越大，值越分散。

**标准差（Standard Deviation）**是方差的平方根：

σ = √Var(X)

标准差与随机变量有相同的单位，便于解释。

flowchart LR
    subgraph ExpectationVariance["期望与方差的关系"]
        direction TB

        X["随机变量 X"]

        Mean["期望 μ = E[X]<br/>中心位置"]

        Spread["方差 σ² = Var(X)<br/>分散程度"]

        X --> Mean
        X --> Spread

        Interpret1["μ 告诉我们<br/>信号的平均值"]
        Interpret2["σ² 告诉我们<br/>信号的功率波动"]

        Mean --> Interpret1
        Spread --> Interpret2
    end

    style X fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style Mean fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style Spread fill:#e1f5fe,stroke:#0277bd,stroke-width:2px
    style Interpret1 fill:#c8e6c9,stroke:#2e7d32
    style Interpret2 fill:#bbdefb,stroke:#0277bd
    style ExpectationVariance fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图说明了期望和方差在描述随机变量时的互补作用。期望μ告诉我们随机变量的”中心位置”在哪里，对于信号来说，这对应于直流分量或平均值。方差σ²告诉我们随机变量围绕均值有多分散，对于信号来说，这对应于交流分量或功率波动。在实际通信系统中，我们通常关心信号的交流功率（去除直流后的功率），这正是方差所描述的。

2.5 随机过程的初步概念

随机过程是随时间变化的随机变量。例如，通信系统中的噪声电压n(t)就是一个随机过程，在每个时刻t，n(t)是一个随机变量。

在通信系统中，我们经常假设噪声是平稳随机过程，即其统计特性不随时间变化。更具体地说，我们假设噪声是**广义平稳（WSS）**的：

  1. 均值为常数：E[n(t)] = 0（对所有t）
  2. 自相关函数只与时间差有关：E[n(t₁)n(t₂)] = R(τ)，其中τ = t₂ - t₁

白噪声是一种特殊的随机过程，其功率谱密度在整个频率范围内是常数。类比白光包含所有可见光频率，白噪声包含所有频率分量。“白”指的是这种频率特性，而不是颜色。

三、信道模型

3.1 信道模型的层次

信道是通信系统中连接发送端和接收端的媒介，其特性直接影响系统设计。我们需要数学模型来描述信道的行为，以便分析和设计通信系统。

flowchart TD
    subgraph ChannelModels["信道模型层次"]
        direction TB

        Simple["简单模型<br/>加性高斯白噪声<br/>AWGN信道"]

        Medium["中等模型<br/>线性滤波信道<br/>考虑带宽限制"]

        Complex["复杂模型<br/>多径衰落信道<br/>考虑移动性"]

        Simple --> Analysis1["优点: 可分析<br/>缺点: 过于简化"]
        Medium --> Analysis2["优点: 平衡<br/>缺点: 仍然理想"]
        Complex --> Analysis3["优点: 真实<br/>缺点: 难以分析"]

        Analysis1 --> Design["设计原则:<br/>从简单到复杂<br/>逐步完善"]
        Analysis2 --> Design
        Analysis3 --> Design
    end

    style Simple fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style Medium fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style Complex fill:#e1f5fe,stroke:#0277bd,stroke-width:2px
    style Design fill:#f3e5f5,stroke:#6a1b9a,stroke-width:2px
    style ChannelModels fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图展示了信道模型的三个层次。最简单的是加性高斯白噪声（AWGN）信道，假设信号只是在传输过程中叠加了高斯白噪声。这个模型虽然简化，但抓住了许多实际信道的关键特性，是分析通信系统性能的起点。中等复杂度的是线性滤波信道，考虑了信道的带宽限制，信号在传输过程中被滤波。最复杂的是多径衰落信道，考虑了无线环境中的多径传播、阴影效应、移动性等因素。

设计原则是从简单到复杂。首先在AWGN信道下分析和设计系统，这是其他所有分析的基础。然后逐步加入更多实际因素，评估系统性能的变化。这种渐进式的方法使复杂问题变得可控。

3.2 加性高斯白噪声（AWGN）信道

AWGN信道是最简单也是最重要的信道模型。

模型定义：

r(t) = s(t) + n(t)

其中：

  • s(t) 是发送信号
  • n(t) 是高斯白噪声
  • r(t) 是接收信号

高斯白噪声的特性：

  1. 高斯性：任意时刻的噪声值服从高斯分布
  2. 白性：功率谱密度在整个频率范围内是常数
  3. 加性：噪声与信号相加（非线性失真不建模为噪声）

功率谱密度：

S_nn(f) = N₀/2 （对所有f）

其中N₀是单边噪声功率谱密度，单位是Watts/Hz。

噪声功率： 对于带宽为W的系统，带通滤波后的噪声功率为：

P_n = N₀W

3.3 信噪比（SNR）

信噪比（Signal-to-Noise Ratio）是衡量信号质量最重要的指标。

定义：

SNR = 信号功率 / 噪声功率 = P_s / P_n

对数尺度：

SNR(dB) = 10·log₁₀(SNR) = 10·log₁₀(P_s/P_n)

为什么使用对数尺度？首先，实际系统的SNR变化范围很大（从-10dB到100dB），对数尺度压缩了这个范围。其次，多个级联系统的级联噪声系数计算在对数尺度下变成加法。

flowchart LR
    subgraph SNRScale["信噪比的两种表示"]
        direction TB

        Linear["线性尺度<br/>SNR = P_s/P_n<br/>范围: 0.1 到 10,000,000"]

        Log["对数尺度<br/>SNR(dB) = 10·log₁₀(SNR)<br/>范围: -10 dB 到 70 dB"]

        Example1["SNR = 1000<br/>线性: 1000<br/>对数: 30 dB"]

        Example2["SNR = 0.001<br/>线性: 0.001<br/>对数: -30 dB"]

        Linear --> Log
        Example1 --> Convenience["便利性:<br/>1. 压缩动态范围<br/>2. 计算简化"]
        Example2 --> Convenience
    end

    style Linear fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style Log fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style Convenience fill:#e1f5fe,stroke:#0277bd,stroke-width:2px
    style SNRScale fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图说明了使用对数尺度表示信噪比的便利性。线性尺度下，SNR的范围可以从0.1到10,000,000（跨越7个数量级），这种大范围在图表和分析中很不方便。对数尺度（dB）将这个范围压缩到-30dB到70dB，更加直观。例如，SNR=1000对应30dB，SNR=0.001对应-30dB。另一个好处是多级系统的噪声系数计算在对数尺度下变为简单的加法。

51学通信提示：在实际工程中，我们几乎总是用dB表示SNR。这是一个需要养成的习惯。当你看到”SNR=10dB”时，应该立即反应到信号功率是噪声功率的10倍。

3.4 线性滤波信道模型

AWGN信道假设噪声直接加在信号上，但实际信道除了噪声，还有频率响应特性。

模型定义：

r(t) = s(t) * h(t) + n(t)

其中*表示卷积，h(t)是信道的冲激响应。

频域表示：

R(f) = S(f)·H(f) + N(f)

其中H(f)是信道的传递函数。

理想信道：

h(t) = α·δ(t-τ₀)
H(f) = α·exp(-j2πfτ₀)

理想信道只是延迟并缩放信号，不产生失真。

低通信道： 如果信道带宽小于信号带宽，信号的高频分量被滤除，产生失真。

3.5 编码信道模型

编码信道是”看到”信道编码器的信道，其输入是编码后的比特，输出是解码前的比特。

二进制对称信道（BSC）：

  • 发送0，收到0的概率：1-p
  • 发送0，收到1的概率：p
  • 发送1，收到1的概率：1-p
  • 发送1，收到0的概率：p

其中p是转移概率（crossover probability）。

二进制擦除信道（BEC）：

  • 发送0或1，可能被接收
  • 也可能被”擦除”（标记为不确定）
  • 接收端知道哪些比特被擦除

这种模型在某些实际系统中很有用，例如当接收端无法判断是0还是1时，可以标记为擦除，请求重传。

四、信号功率与能量

4.1 信号能量

对于能量信号（如有限时长信号），其能量定义为：

E_s = ∫|s(t)|² dt

积分范围是信号的持续时间。

4.2 信号功率

对于功率信号（如周期信号或随机信号），其功率定义为：

P_s = lim_(T→∞) (1/T) ∫|s(t)|² dt

对于周期信号，可以只在一个周期内计算：

P_s = (1/T₀) ∫_0^{T₀} |s(t)|² dt

其中T₀是周期。

4.3 能量谱密度与功率谱密度

**能量谱密度（ESD）**描述能量信号的能量在频率上的分布：

Ψ_s(f) = |S(f)|²

其中S(f)是信号的傅里叶变换。

**功率谱密度（PSD）**描述功率信号的功率在频率上的分布。可以通过对信号加窗、取傅里叶变换的幅度平方来估计。

flowchart TD
    subgraph PowerAnalysis["信号功率与频谱分析"]
        direction TB

        Signal["连续时间信号<br/>s(t)"]

        FFT["傅里叶变换<br/>S(f) = F{s(t)}"]

        ESD["能量谱密度<br/>Ψ_s(f) = |S(f)|²"]

        PSD["功率谱密度<br/>通过时间平均估计"]

        Signal --> FFT
        FFT --> ESD
        FFT --> PSD

        Use1["ESD用途:<br/>能量信号分析<br/>脉冲信号"]

        Use2["PSD用途:<br/>功率信号分析<br/>随机信号"]

        ESD --> Use1
        PSD --> Use2
    end

    style Signal fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style FFT fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style ESD fill:#e1f5fe,stroke:#0277bd,stroke-width:2px
    style PSD fill:#f3e5f5,stroke:#6a1b9a,stroke-width:2px
    style Use1 fill:#c8e6c9,stroke:#2e7d33"
    style Use2 fill:#bbdefb,stroke:#0277bd33"
    style PowerAnalysis fill:#e0f2f1,stroke:#00695c,stroke-width:3px

图表讲解：这张图展示了信号功率与频谱分析的关系。从连续时间信号s(t)出发，傅里叶变换将其转换到频域，得到S(f)。能量谱密度Ψ_s(f)是S(f)幅度平方，描述能量信号的能量在频率上的分布，适用于能量信号（如脉冲信号）的分析。功率谱密度通过时间平均来估计，适用于功率信号（如周期信号或随机信号）的分析。

在通信系统中，我们关心信号的功率谱密度，因为它告诉我们信号功率在频率上的分布，从而确定所需的带宽。例如，一个信号的功率主要集中在某个频带内，我们就可以只传输这个频带，节省频谱资源。

五、噪声温度与噪声系数

5.1 热噪声的物理起源

通信系统中的噪声主要来源于电子器件的热运动。导体中的自由电子由于热运动而产生随机电流波动，这就是热噪声。

噪声功率谱密度：

N₀ = kT

其中：

  • k = 1.38×10⁻²³ J/K（玻尔兹曼常数）
  • T 是绝对温度（Kelvin）

在室温（T=290K或17°C）下：

N₀ ≈ 4×10⁻²¹ W/Hz

这个值非常小，但经过放大后可能变得显著。

5.2 噪声系数

实际接收机的噪声不仅仅是热噪声，还包括其他电路产生的噪声。噪声系数衡量实际接收机与理想接收机在噪声性能上的差距。

定义：

F = (SNR_in) / (SNR_out)

其中SNR_in是输入信噪比，SNR_out是输出信噪比。

噪声系数的级联： 当多个系统级联时，总噪声系数为：

F_total = F₁ + (F₂-1)/G₁ + (F₃-1)/(G₁G₂) + ...

其中Fᵢ是第i级的噪声系数，Gᵢ是第i级的增益。

这个公式告诉我们：第一级的噪声系数最重要（因为它没有被放大），所以接收机的第一级（低噪声放大器）需要精心设计。

六、通信系统的性能度量

6.1 通信质量的三要素

评价通信系统性能有三个基本要素：

有效性：传输效率如何？用频谱效率、比特率等度量。

可靠性：传输准确率如何？用误码率、误包率等度量。

安全性：信息是否被窃听或篡改？

在这三个要素中，本系列主要关注有效性和可靠性。

6.2 误码率（BER）

误码率是传输错误比特数与总传输比特数的比值：

BER = 错误比特数 / 总传输比特数

BER与SNR的关系： BER与SNR密切相关。一般来说，SNR越高，BER越低。具体的关系取决于调制方式和信道编码方案。

目标BER：

  • 语音通信：10⁻³ 到 10⁻⁴
  • 数据通信：10⁻⁶ 到 10⁻⁹
  • 光纤通信：10⁻¹² 或更低

6.3 频谱效率

频谱效率定义为单位频带的比特率：

频谱效率 = R_b / W (bits/s/Hz)

其中R_b是比特率，W是占用带宽。

典型值：

  • 2G GSM：约0.5 bits/s/Hz
  • 3G UMTS：约1 bits/s/Hz
  • 4G LTE：约2-5 bits/s/Hz
  • 5G NR：可达10 bits/s/Hz或更高

核心概念总结

概念定义重要性应用
数字通信系统源编码-信道编码-调制-信道-解调-解码-源解码系统架构系统设计
随机变量可取不同值的变量，每个值有概率建模基础信号/噪声建模
高斯分布最重要的概率分布噪声特性系统分析
期望随机变量的平均值信号均值直流分量
方差随机变量围绕均值的分散信号波动交流功率
AWGN信道加性高斯白噪声信道基础模型性能分析
SNR信号功率与噪声功率之比质量指标系统设计
滤波器选频通过的线性系统带宽限制频谱管理

常见问题解答

Q1：为什么数字通信比模拟通信有优势？在哪些场景下模拟通信仍然有用？

答：数字通信相比模拟通信有根本性的优势，这些优势使数字通信成为现代系统的主流选择。数字通信的第一个核心优势是抗干扰能力。数字信号只有有限个离散值（如0和1），只要接收端能够区分这些离散值，就能完美恢复信息。模拟信号有无限多个可能值，任何干扰都会造成永久性的信息损失。这使得数字通信在噪声环境下的性能远优于模拟通信。

数字通信的第二个优势是便于处理和存储。数字信号可以用计算机处理，实现复杂的算法。例如，数字滤波器可以精确实现任何频率响应，而模拟滤波器受元件精度限制。数字信号也可以存储在任何数字媒体上，并且可以无限次复制而不会累积误差。

数字通信的第三个优势是便于加密和复用。加密算法可以直接作用于数字数据，保护信息安全性。多个数字信号可以通过时分复用共享同一信道，提高频谱利用率。

但是，模拟通信在某些场景下仍然有用或不可避免。首先是声音和光等物理信号本质上就是模拟的，需要通过传感器转换为数字信号。在这个转换过程中，如果采样和量化不够精细，会损失信息。其次，某些极端高频应用（如毫米波通信）可能直接在模拟域进行处理，因为数字转换器的速度跟不上。最后，一些简单、低成本的系统（如对讲机、FM广播）可能仍然使用模拟技术，因为数字系统的复杂性不划算。

51学通信认为，理解数字和模拟通信的优劣，有助于在实际工程中做出正确的技术选择。虽然数字通信是主流，但模拟技术仍然有其价值，特别是在某些特定应用中。

Q2：高斯分布为什么在通信中如此重要？难道所有噪声都是高斯的吗？

答：高斯分布在通信中的重要性源于中心极限定理和实际系统的物理特性。中心极限定理告诉我们，大量独立随机变量之和趋于高斯分布，无论这些变量原始的分布是什么。在通信系统中，噪声往往是大量微小独立因素的总和，因此自然呈现高斯特性。

实际通信系统中的主要噪声来源是热噪声，它是由导体中自由电子的热运动引起的。每个电子的运动是随机的，但大量电子的总效应（电流波动）服从高斯分布。这是物理定律保证的，不是假设。这使得高斯模型在热噪声分析中非常准确。

当然，并非所有噪声都是高斯的。例如，脉冲干扰（如雷电、电机启动）是非高斯的。某些人为干扰（如恶意干扰信号）也不是高斯的。但是，对于这些非高斯干扰，我们通常先将其转换为等效的高斯噪声进行分析，或者专门设计对抗这些干扰的技术。

高斯分布的数学性质也使其便于分析。高斯分布经过线性系统后仍然是高斯的，多个独立高斯变量的和仍然是高斯的。这些性质大大简化了系统分析。如果噪声是其他分布，分析会复杂得多。

在实际工程中，我们经常假设噪声是高斯的，这不仅因为热噪声确实服从高斯分布，还因为这样假设可以简化分析，而结果仍然有很好的预测准确性。当然，在设计和测试系统时，我们也会考虑非高斯噪声的影响，通过鲁棒设计确保系统在各种条件下都能正常工作。

Q3：信噪比（SNR）是固定的还是随频率变化的？在通信系统设计中如何考虑SNR的变化？

答：信噪比（SNR）通常是随频率变化的，这对通信系统设计有重要影响。理解SNR的频率特性对于设计高效的通信系统至关重要。

SNR随频率变化有几个原因。首先是信道的频率响应。实际信道不是理想的，对不同频率分量有不同的衰减。例如，双绞线对高频分量的衰减更大，这意味着高频SNR更低。其次是接收机前端的滤波器，它们通常有某种频率响应（如带通特性），在通带外的SNR很低。最后是外部干扰，干扰通常集中在某些频率（如无线电广播频段），在这些频率上的SNR会降低。

在通信系统设计中，我们需要考虑这种SNR变化的影响。一个基本方法是使用均衡技术，接收端对不同频率分量进行不同的放大，补偿信道的不理想频率响应。另一个方法是功率分配，在SNR高的频率上传输更多信息，在SNR低的频率上传输较少信息，这是自适应调制编码技术的基础。

对于宽带系统，可能需要将频带划分为多个子频带，在每个子频带上独立处理。OFDM技术就是这样做的，它将宽带信道划分为许多窄带子载波，每个子载波独立调制和解调。这样可以有效应对SNR的频率变化。

在实际系统设计中，通常需要测量或建模SNR的频率特性，然后针对性地设计系统。例如，如果已知某个频段有强干扰，可以避免使用这个频段，或者使用更强的纠错编码。

51学通信站长爱卫生指出，理解SNR的频率变化对于频谱共享和认知无线电特别重要。在这些系统中，系统需要感知各个频段的SNR，然后动态选择SNR最好的频段进行传输，这是智能通信系统的基础。

Q4：概率论中还有哪些分布对通信工程师来说是重要的？除了高斯分布还需要掌握哪些？

答：除了高斯分布，还有几种概率分布对通信工程师特别重要，这些分布出现在不同的应用场景中，理解它们对于全面理解通信系统至关重要。

瑞利分布在无线通信中非常重要，用于描述多径衰落信道中的信号包络分布。当无线信号通过多条路径传播，且没有明显的直射路径时，接收信号的包络服从瑞利分布。这种分布会导致信号的深度衰落（深度可达20-30dB），严重影响通信质量。理解瑞利分布对于设计分集技术、功率控制算法至关重要。

莱斯分布用于描述多径信道中有直射路径的情况。当存在强直射路径时，信号包络服从莱斯分布。莱斯分布由两个参数描述：直射分量的功率和散射分量的功率。随着直射分量的增强，莱斯分布逐渐趋近于高斯分布。理解莱斯分布有助于分析不同传播环境下的系统性能。

指数分布在通信中出现于多个场景。例如，在分析数据包到达时间、服务时间等随机变量时，常用指数分布建模。在分析衰落信道的持续时间时，也常用指数分布。它的无记忆性使其在排队论和马尔可夫过程中非常重要。

二项分布和泊松分布在分析错误分布时很重要。当传输n个比特，每个比特独立地以概率p出错时，总错误数服从二项分布。对于低错误率（p很小）的大n情况，泊松分布是二项分布的良好近似。这些分布在分析数据包错误、突发错误特性时很有用。

均匀分布在数字通信中很常见。例如，在分析量化误差时，假设量化误差在量化间隔内均匀分布。这种假设简化了分析，并且在大多数情况下是合理的近似。

掌握这些分布的特性、参数含义和应用场景，可以帮助你更深入地理解通信系统的行为，进行更准确的性能分析。建议在学习时重点理解每种分布的物理意义，而不仅仅是数学公式。

Q5：编码信道和物理信道有什么区别？为什么在分析通信系统时要区分这两种信道？

答：编码信道和物理信道是同一通信系统的不同抽象层面，它们的区别在于观察点和建模目的不同。理解这种区别对于正确分析通信系统至关重要。

物理信道是实际的传输媒介，包括导线、光纤、无线空间等。物理信道的输入是模拟波形（如电压、电流、电磁波），输出是受到干扰和失真的模拟波形。物理信道的分析需要考虑电磁场传播、电路特性等因素，建模相对复杂。我们前面提到的AWGN信道、线性滤波信道等都是物理信道模型。

编码信道是”看到”信道编码器和解码器的信道，其输入是编码后的比特（0或1），输出是解码前的比特。编码信道不关心信号如何在物理媒介上传输，只关心比特被正确接收还是错误接收（或擦除）。编码信道的分析使用概率论，描述比特的转移概率（如BSC的交叉概率p）。

这种区分的好处是可以模块化地分析系统。在设计信道编码时，我们使用编码信道模型，专注于比特错误模式（如随机错误、突发错误）和纠错能力。在设计调制和解调时，我们使用物理信道模型，专注于波形传输和信号质量。

两层模型通过”比特-波形映射”和”波形-比特检测”连接。调制器将比特映射为波形，解调器将波形检测回比特。这两个过程的性能决定了编码信道和物理信道之间的”等效”关系。

例如，一个调制方案在物理信道上的BER是10⁻³，但经过适当的信道编码后，等效的编码信道BER可能降低到10⁻⁶。这种分层抽象使得我们可以独立设计和优化编码和调制，然后分析它们的组合效果。

在实际系统设计时，我们需要同时考虑两种信道。物理信道的特性（如SNR、带宽、衰落）决定了可用的调制方式和 achievable BER。然后根据应用对BER的要求，选择合适的信道编码方案。这种设计过程需要综合考虑两种信道的特性。

51学通信认为，理解编码信道和物理信道的区别，是掌握通信系统分层设计思想的关键。这种分层抽象不仅存在于信道，在整个通信系统架构中都有体现，理解这种思想可以帮助我们更好地分析和设计复杂的通信系统。

总结

本文介绍了数字通信系统的整体架构和基础数学工具。我们学习了通信系统的组成模块、概率论在通信中的应用、信道模型的层次结构、以及信号与噪声的基本概念。这些知识是理解后续调制解调、信道编码、OFDM等专题的必要基础。

掌握这些基础概念后，我们将进入通信信号与系统的频域分析，学习如何从频域角度理解信号的传输和处理。

下篇预告

下一篇我们将深入探讨通信信号与系统的频域分析，带你了解带通信号的复包络表示、功率谱密度分析、傅里叶变换在通信中的应用等核心知识，为理解调制解调技术打下坚实基础。

本文由”51学通信”（公众号：51学通信，站长：爱卫生）原创分享。如需深入交流或获取更多通信技术资料，欢迎添加微信：gprshome201101。

关系图谱