简介这份《通信原理(第7版)复习资料》面向备考通信原理课程考试的高校学生与考研复习者以万字篇幅系统梳理教材核心考点帮助读者在有限时间内建立完整知识框架、查漏补缺。内容覆盖绪论、信道与噪声等章节从模拟与数字通信系统模型、数字通信优缺点到通信系统分类与有效性、可靠性指标再到确知信号与随机过程、高斯过程、窄带随机过程、宽平稳与各态历经性、信道分类及调制信道数学模型等均有展开并标注了重点与难点便于按需精读。资源为单个PDF文档压缩包约1.08MB轻量易存适合打印或移动端随时翻阅。目前已有3258人学习下载说明其在同类复习资料中具备一定认可度。对于需要快速回顾公式推导、概念辨析与典型结论的读者这份资料可作为考前冲刺与日常梳理的实用参考。1. 通信原理第7版复习资料从公式恐惧到能算能推的 30 天路径很多人拿到《通信原理第7版》这本教材翻到第三章就开始头皮发麻——傅里叶变换、功率谱密度、随机过程、各种调制解调的公式像雪片一样砸过来每个符号都认识连在一起就不知道在说什么。我带过几届考研和期末冲刺发现一个反直觉的结论通信原理挂科的人往往不是数学基础差而是把「推导」和「计算」混在一起学结果两头都没抓住。这份复习资料要解决的核心问题就是帮你把「理解概念」「记住结论」「会算典型题」三件事拆开按可执行的顺序推进。它适合正在准备期末、考研初试、或者工作中需要重新捡起调制与信道知识的工程师。接下来的内容我会按「先搭骨架、再填血肉、最后练手感」的方式把这份复习资料怎么用、每个模块该花多少时间、哪些公式必须背、哪些可以现场推全部讲清楚。2. 通信原理复习资料的骨架先分清哪些章节是「必得分」哪些是「拉分项」2.1 第7版教材的模块划分与分值分布《通信原理第7版》的章节安排大致可以分成四块第一块是数学基础包括确知信号分析、随机过程、窄带随机过程第二块是模拟调制包括幅度调制AM/DSB/SSB和角度调制FM/PM第三块是数字基带与频带传输包括抽样定理、PCM、ASK/FSK/PSK/QAM第四块是同步与差错控制包括载波同步、位同步、帧同步和信道编码。从考试和面试的实际情况看第二块和第三块的分值占比通常超过 60%第一块是工具第四块是加分项。我一般建议把复习时间按 2:5:3 分配——20% 时间啃数学基础50% 时间砸在调制解调和数字传输30% 时间留给同步和编码。这个比例不是拍脑袋来的而是因为数学基础里的随机过程、功率谱这些概念只有在具体调制方式里反复用才能真正理解。你单独看「平稳随机过程的自相关函数与功率谱密度互为傅里叶变换」这句话背下来也没用但当你算 AM 信号的功率谱时这个关系会自然刻进脑子里。2.2 用一张 A4 纸建立公式索引复习资料最大的价值不是替你推导而是帮你建立索引。我的做法是每复习完一章用一张 A4 纸左边写「公式名称」右边写「适用条件 一个典型例题的入口」。比如「香农公式」旁边写「带宽受限且信噪比已知求最大信道容量注意单位是 bit/s」「抽样定理」旁边写「带通抽样时带宽条件不同别直接用低通结论」。这张纸最后会变成你考前翻得最烂的东西。下面是一个索引表的示例结构你可以直接抄成 Excel 或手写卡片公式/定理适用条件常见陷阱香农公式 CB log2(1S/N)高斯白噪声信道带宽 B 内S/N 是功率比不是 dB低通抽样定理 fs≥2fH信号最高频率 fH带通信号要用带通抽样公式AM 包络检波大信噪比、小调制指数小信噪比时门限效应2PSK 相干解调需要载波同步相位模糊导致反相工作匹配滤波器白噪声背景下最大化输出信噪比输出信噪比只与信号能量和噪声功率谱密度有关这张表不用一次填完每复习一章补一行到考前自然成型。2.3 数学基础怎么补才不浪费时间很多人卡在随机过程是因为试图把《概率论》重新学一遍。我的建议是只补三样东西——高斯随机变量的性质、自相关函数与功率谱密度的关系、窄带随机过程的表示。具体操作是找一本通信原理的辅导书把这三部分的例题各做 5 道做完就停不要扩展。因为通信原理里的随机过程90% 的场景只用到「高斯白噪声通过线性系统后仍是高斯」「输出功率谱等于输入功率谱乘以系统频率响应模的平方」这两条结论。如果你时间紧可以直接背下面这个关系链白噪声 → 自相关函数是冲激函数 → 功率谱密度是常数 → 通过滤波器后功率谱变成 |H(f)|² 乘以常数 → 输出自相关是 |H(f)|² 的傅里叶逆变换。这个链条能解决大部分噪声计算题。3. 模拟调制与数字调制的复习重点从 AM 到 16QAM 的计算手感怎么练3.1 幅度调制AM、DSB、SSB 的功率与带宽计算幅度调制是通信原理里最容易拿分也最容易丢分的部分。容易拿分是因为公式固定丢分是因为符号和系数容易搞混。我一般让学生先记三个核心量调制效率、带宽、解调方式。AM 的调制效率公式是 η m²/(2m²)其中 m 是调制指数DSB 的带宽是基带信号带宽的 2 倍SSB 的带宽等于基带带宽。这三个结论必须背到条件反射。下面用 Python 算一个典型题已知基带信号 m(t)A cos(2πfm t)载波 c(t)cos(2πfc t)求 AM 信号的功率和调制效率。代码可以直接跑import sympy as sp # 定义符号 t, A, fm, fc, m sp.symbols(t A fm fc m, realTrue, positiveTrue) # 基带信号和载波 m_t A * sp.cos(2 * sp.pi * fm * t) c_t sp.cos(2 * sp.pi * fc * t) # AM 信号s(t) [1 m*cos(2πfm t)] * cos(2πfc t)这里 m 是调制指数 s_am (1 m * sp.cos(2 * sp.pi * fm * t)) * sp.cos(2 * sp.pi * fc * t) # 计算平均功率对 s_am^2 在一个周期内积分再除以周期 # 简化处理利用三角函数正交性直接展开 s_am_expanded sp.expand(s_am**2) # 取直流分量和低频分量去掉 2fc 和 2fm 的高频项 # 手动计算载波功率 1/2边带功率 m^2/4 P_carrier sp.Rational(1, 2) P_sideband m**2 / 4 P_total P_carrier P_sideband eta P_sideband / P_total print(f载波功率: {P_carrier}) print(f边带功率: {P_sideband}) print(f总功率: {P_total}) print(f调制效率: {sp.simplify(eta)})这段代码的逻辑是AM 信号展开后载波分量功率是 1/2两个边带分量功率各是 m²/8合起来是 m²/4。调制效率就是边带功率除以总功率化简后得到 m²/(2m²)。参数 m 是调制指数通常取值在 0 到 1 之间m1 时效率最高也只有 1/3。这个结论说明 AM 的功率利用率很低所以现代通信更多用 DSB 或 SSB。3.2 角度调制FM 的带宽与鉴频器输出信噪比FM 的复习重点是卡森公式和输出信噪比。卡森公式 B_FM 2(Δf fm)其中 Δf 是最大频偏fm 是调制信号最高频率。这个公式告诉你FM 的带宽比 AM 宽得多但换来的是抗噪声性能的提升。输出信噪比的计算有一个经典结论在大信噪比下FM 解调器的输出信噪比与输入信噪比的关系是 (S/N)_out 3/2 * m_f² * (S/N)_in其中 m_f 是调频指数。这里有一个坑很多人把 m_f 和 Δf 搞混。m_f Δf / fm是无量纲的Δf 是频偏单位是 Hz。计算时先算 m_f再代入公式。另外这个公式只在大信噪比条件下成立小信噪比时会出现门限效应输出信噪比急剧下降。门限效应的门限值通常在 10 dB 左右具体取决于鉴频器类型。3.3 数字调制ASK、FSK、PSK 的误码率对比数字调制的复习要抓住一条主线误码率与信噪比的关系。2ASK 的误码率是 Q(√(SNR/2))2FSK 是 Q(√(SNR/2))2PSK 是 Q(√(2SNR))。注意 2PSK 的系数是 2比前两者好 3 dB。这个 3 dB 的差距是考试常考点也是实际系统选 PSK 而不是 ASK 的原因之一。下面用 Python 画一下三种调制方式的误码率曲线直观感受差距import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm # 信噪比范围dB snr_db np.linspace(0, 12, 100) snr_linear 10 ** (snr_db / 10) # 误码率公式 ber_2ask norm.sf(np.sqrt(snr_linear / 2)) ber_2fsk norm.sf(np.sqrt(snr_linear / 2)) ber_2psk norm.sf(np.sqrt(2 * snr_linear)) plt.figure(figsize(8, 5)) plt.semilogy(snr_db, ber_2ask, label2ASK) plt.semilogy(snr_db, ber_2fsk, label2FSK) plt.semilogy(snr_db, ber_2psk, label2PSK) plt.xlabel(SNR (dB)) plt.ylabel(BER) plt.legend() plt.grid(True, whichboth) plt.title(三种数字调制误码率对比) plt.show()代码里 norm.sf 是高斯 Q 函数的等价写法sf 表示生存函数1-CDF。从图上能清楚看到在相同误码率下2PSK 需要的信噪比最低。参数说明snr_linear 是线性信噪比不是 dBQ 函数在 Python 里用 norm.sf 实现注意输入是正数。3.4 16QAM 的星座图与误符号率估算16QAM 是高频考点因为它同时涉及幅度和相位。星座图是 4×4 的方阵每个符号携带 4 bit。误符号率的近似公式是 P_s ≈ 3Q(√(4E_s/(15N0)))其中 E_s 是符号能量N0 是噪声功率谱密度。这个公式不用死记记住「16QAM 比 16PSK 好 4 dB 左右」这个结论更实用。实际做题时如果给出星座图先算最小欧氏距离 d_min然后误符号率约等于 Q(d_min/2σ)其中 σ 是噪声标准差。这个方法比套公式更通用。4. 信道与噪声的计算信噪比、香农公式和相位噪声怎么不翻车4.1 信噪比的三种表达方式与换算信噪比是通信原理里出现频率最高的参数但它有三种表达方式功率比、dB、Eb/N0。功率比是线性值dB 是对数值Eb/N0 是归一化到每比特能量的信噪比。换算关系是SNR_dB 10 log10(SNR_linear)Eb/N0 SNR_linear / (Rb/B)其中 Rb 是比特率B 是带宽。我见过太多人在这上面翻车题目给的是 Eb/N0他直接当成 SNR 用结果差了一个带宽因子。记住一个口诀Eb/N0 是「每比特能量比噪声功率谱密度」SNR 是「信号总功率比噪声总功率」。两者差一个「比特率比带宽」的因子。4.2 香农公式的适用边界与常见误用香农公式 C B log2(1 S/N) 是通信原理的基石但它有三个前提信道是高斯白噪声信道、带宽是理想低通、信噪比是线性值。常见误用包括把 dB 直接代入、把带宽和比特率搞混、忽略「无限带宽时容量趋于 1.44 S/N0」这个极限。下面用表格对比不同信噪比下的信道容量假设带宽 1 MHz信噪比 (dB)线性信噪比信道容量 (Mbps)01110103.46201006.663010009.97从表里能看出信噪比每增加 10 dB容量增加约 3.3 Mbps但增速在放缓。这就是为什么不能无限靠增加功率来提升容量。4.3 相位噪声对星座图的影响与估算相位噪声是高频通信和 OFDM 系统里的隐形杀手。它表现为载波相位的随机抖动在星座图上表现为星座点沿圆周方向扩散。相位噪声的功率谱密度通常用单边带相位噪声 £(f) 表示单位是 dBc/Hz。估算相位噪声对误码率的影响时可以用「积分相位噪声」的概念把 £(f) 在环路带宽内积分得到均方相位误差 σ²_φ然后误码率劣化因子约为 exp(-σ²_φ/2)。实际工程中如果相位噪声导致星座点模糊先检查本振的相位噪声指标再看环路带宽是否过宽。环路带宽越宽积分进来的相位噪声越多但跟踪速度越快这是一个折中。5. 同步机制的复习载波同步、位同步、帧同步的避坑清单5.1 载波同步科斯塔斯环与平方环的区别载波同步是相干解调的前提。科斯塔斯环和平方环是两种经典方法。平方环适用于 2PSK因为平方后产生 2 倍频分量再分频得到载波科斯塔斯环适用于多种调制它通过两个正交支路的鉴相器提取相位误差。两者的区别是平方环在平方操作后信噪比恶化科斯塔斯环没有平方操作但需要两个支路。考试常考的是科斯塔斯环的鉴相特性是正弦形锁定后存在相位模糊可能是 0 或 π。解决相位模糊的方法是差分编码。5.2 位同步早迟门与 Gardner 算法的参数设置位同步的目的是找到最佳采样时刻。早迟门算法通过比较早门和迟门的能量差来调整采样相位Gardner 算法则利用相邻符号的过零点信息。Gardner 算法的优点是独立于载波相位适合在载波同步之前使用。参数设置上早迟门的门宽通常取符号周期的 1/2 到 1/4Gardner 算法的环路带宽一般取符号率的 1% 到 5%。环路带宽太宽抖动大太窄锁定慢。我一般先用 2% 试再根据误码率微调。5.3 帧同步巴克码与相关峰检测帧同步靠的是帧头里的同步码。巴克码是一种具有尖锐自相关特性的码常用的是 13 位巴克码。检测时用匹配滤波器或滑动相关器当相关峰超过阈值时判定帧到达。阈值一般取最大相关值的 70% 到 80%太低会误判太高会漏判。实际系统中帧同步还要处理「假同步」和「漏同步」。假同步是噪声被误判为同步码解决方法是增加同步码长度或二次确认漏同步是同步码被噪声淹没解决方法是降低阈值或采用软判决。6. 避坑与排查通信原理复习中最容易踩的 5 个坑6.1 坑一把 dB 当线性值代入公式现象计算香农公式时直接把 20 dB 代入 S/N得到 C B log2(120)结果偏小很多。原因dB 是对数值公式要求线性值。解决先换算20 dB 100再代入。6.2 坑二混淆调制指数与频偏现象算 FM 带宽时把 Δf 当成 m_f 代入卡森公式。原因m_f Δf/fm是无量纲的Δf 是频偏单位 Hz。解决先算 m_f再算带宽。6.3 坑三忽略抽样定理的带通条件现象带通信号直接用 fs≥2fH导致频谱混叠。原因带通抽样定理要求 fs≥2B(1k/n)其中 B 是带宽fH 是最高频率。解决先判断信号是低通还是带通再选公式。6.4 坑四2PSK 的相位模糊没处理现象相干解调后输出反相误码率 0.5。原因科斯塔斯环或平方环存在 π 相位模糊。解决用差分编码解调后再差分译码。6.5 坑五相位噪声积分区间搞错现象估算相位噪声对误码率影响时积分区间取了整个频段。原因只有环路带宽内的相位噪声才会影响解调。解决积分区间取环路带宽通常几 kHz 到几十 kHz。7. 用 MATLAB 或 Python 验证一个完整链路从调制到误码率曲线复习到最后最好的验证方法是自己搭一个完整链路。我一般用 Python 做因为库多、画图方便。下面是一个 2PSK 在 AWGN 信道下的误码率仿真代码可以直接跑import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm # 参数设置 N 100000 # 比特数 snr_db_range np.arange(0, 12, 1) # 信噪比范围 ber_sim [] ber_theory [] for snr_db in snr_db_range: # 生成随机比特 bits np.random.randint(0, 2, N) # 2PSK 调制0 - -1, 1 - 1 symbols 2 * bits - 1 # 计算噪声标准差 snr_linear 10 ** (snr_db / 10) noise_std np.sqrt(1 / (2 * snr_linear)) # 加噪声 noise noise_std * np.random.randn(N) received symbols noise # 解调大于 0 判为 1小于 0 判为 0 decoded (received 0).astype(int) # 计算误码率 ber np.mean(decoded ! bits) ber_sim.append(ber) # 理论误码率 ber_theory.append(norm.sf(np.sqrt(2 * snr_linear))) # 画图 plt.figure(figsize(8, 5)) plt.semilogy(snr_db_range, ber_sim, o-, label仿真) plt.semilogy(snr_db_range, ber_theory, s--, label理论) plt.xlabel(SNR (dB)) plt.ylabel(BER) plt.legend() plt.grid(True, whichboth) plt.title(2PSK 在 AWGN 信道下的误码率) plt.show()代码逻辑先生成随机比特映射成 ±1 符号然后根据信噪比计算噪声标准差加高斯噪声最后判决。参数说明snr_db_range 是信噪比扫描范围N 是仿真比特数噪声标准差公式是 sqrt(1/(2*SNR))因为符号能量是 1。仿真和理论曲线应该基本重合如果偏差大检查噪声标准差是否算错。这个链路跑通后你可以改调制方式比如换成 16QAM看看误码率曲线怎么变。我自己的习惯是每复习完一种调制就用这个框架跑一遍跑通了才算真懂。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/5 7:04:43 · 阅读 1.2k 通信原理第7版复习资料：30天从公式恐惧到能算能推的路径
简介这份《通信原理(第7版)复习资料》面向备考通信原理课程考试的高校学生与考研复习者以万字篇幅系统梳理教材核心考点帮助读者在有限时间内建立完整知识框架、查漏补缺。内容覆盖绪论、信道与噪声等章节从模拟与数字通信系统模型、数字通信优缺点到通信系统分类与有效性、可靠性指标再到确知信号与随机过程、高斯过程、窄带随机过程、宽平稳与各态历经性、信道分类及调制信道数学模型等均有展开并标注了重点与难点便于按需精读。资源为单个PDF文档压缩包约1.08MB轻量易存适合打印或移动端随时翻阅。目前已有3258人学习下载说明其在同类复习资料中具备一定认可度。对于需要快速回顾公式推导、概念辨析与典型结论的读者这份资料可作为考前冲刺与日常梳理的实用参考。1. 通信原理第7版复习资料从公式恐惧到能算能推的 30 天路径很多人拿到《通信原理第7版》这本教材翻到第三章就开始头皮发麻——傅里叶变换、功率谱密度、随机过程、各种调制解调的公式像雪片一样砸过来每个符号都认识连在一起就不知道在说什么。我带过几届考研和期末冲刺发现一个反直觉的结论通信原理挂科的人往往不是数学基础差而是把「推导」和「计算」混在一起学结果两头都没抓住。这份复习资料要解决的核心问题就是帮你把「理解概念」「记住结论」「会算典型题」三件事拆开按可执行的顺序推进。它适合正在准备期末、考研初试、或者工作中需要重新捡起调制与信道知识的工程师。接下来的内容我会按「先搭骨架、再填血肉、最后练手感」的方式把这份复习资料怎么用、每个模块该花多少时间、哪些公式必须背、哪些可以现场推全部讲清楚。2. 通信原理复习资料的骨架先分清哪些章节是「必得分」哪些是「拉分项」2.1 第7版教材的模块划分与分值分布《通信原理第7版》的章节安排大致可以分成四块第一块是数学基础包括确知信号分析、随机过程、窄带随机过程第二块是模拟调制包括幅度调制AM/DSB/SSB和角度调制FM/PM第三块是数字基带与频带传输包括抽样定理、PCM、ASK/FSK/PSK/QAM第四块是同步与差错控制包括载波同步、位同步、帧同步和信道编码。从考试和面试的实际情况看第二块和第三块的分值占比通常超过 60%第一块是工具第四块是加分项。我一般建议把复习时间按 2:5:3 分配——20% 时间啃数学基础50% 时间砸在调制解调和数字传输30% 时间留给同步和编码。这个比例不是拍脑袋来的而是因为数学基础里的随机过程、功率谱这些概念只有在具体调制方式里反复用才能真正理解。你单独看「平稳随机过程的自相关函数与功率谱密度互为傅里叶变换」这句话背下来也没用但当你算 AM 信号的功率谱时这个关系会自然刻进脑子里。2.2 用一张 A4 纸建立公式索引复习资料最大的价值不是替你推导而是帮你建立索引。我的做法是每复习完一章用一张 A4 纸左边写「公式名称」右边写「适用条件 一个典型例题的入口」。比如「香农公式」旁边写「带宽受限且信噪比已知求最大信道容量注意单位是 bit/s」「抽样定理」旁边写「带通抽样时带宽条件不同别直接用低通结论」。这张纸最后会变成你考前翻得最烂的东西。下面是一个索引表的示例结构你可以直接抄成 Excel 或手写卡片公式/定理适用条件常见陷阱香农公式 CB log2(1S/N)高斯白噪声信道带宽 B 内S/N 是功率比不是 dB低通抽样定理 fs≥2fH信号最高频率 fH带通信号要用带通抽样公式AM 包络检波大信噪比、小调制指数小信噪比时门限效应2PSK 相干解调需要载波同步相位模糊导致反相工作匹配滤波器白噪声背景下最大化输出信噪比输出信噪比只与信号能量和噪声功率谱密度有关这张表不用一次填完每复习一章补一行到考前自然成型。2.3 数学基础怎么补才不浪费时间很多人卡在随机过程是因为试图把《概率论》重新学一遍。我的建议是只补三样东西——高斯随机变量的性质、自相关函数与功率谱密度的关系、窄带随机过程的表示。具体操作是找一本通信原理的辅导书把这三部分的例题各做 5 道做完就停不要扩展。因为通信原理里的随机过程90% 的场景只用到「高斯白噪声通过线性系统后仍是高斯」「输出功率谱等于输入功率谱乘以系统频率响应模的平方」这两条结论。如果你时间紧可以直接背下面这个关系链白噪声 → 自相关函数是冲激函数 → 功率谱密度是常数 → 通过滤波器后功率谱变成 |H(f)|² 乘以常数 → 输出自相关是 |H(f)|² 的傅里叶逆变换。这个链条能解决大部分噪声计算题。3. 模拟调制与数字调制的复习重点从 AM 到 16QAM 的计算手感怎么练3.1 幅度调制AM、DSB、SSB 的功率与带宽计算幅度调制是通信原理里最容易拿分也最容易丢分的部分。容易拿分是因为公式固定丢分是因为符号和系数容易搞混。我一般让学生先记三个核心量调制效率、带宽、解调方式。AM 的调制效率公式是 η m²/(2m²)其中 m 是调制指数DSB 的带宽是基带信号带宽的 2 倍SSB 的带宽等于基带带宽。这三个结论必须背到条件反射。下面用 Python 算一个典型题已知基带信号 m(t)A cos(2πfm t)载波 c(t)cos(2πfc t)求 AM 信号的功率和调制效率。代码可以直接跑import sympy as sp # 定义符号 t, A, fm, fc, m sp.symbols(t A fm fc m, realTrue, positiveTrue) # 基带信号和载波 m_t A * sp.cos(2 * sp.pi * fm * t) c_t sp.cos(2 * sp.pi * fc * t) # AM 信号s(t) [1 m*cos(2πfm t)] * cos(2πfc t)这里 m 是调制指数 s_am (1 m * sp.cos(2 * sp.pi * fm * t)) * sp.cos(2 * sp.pi * fc * t) # 计算平均功率对 s_am^2 在一个周期内积分再除以周期 # 简化处理利用三角函数正交性直接展开 s_am_expanded sp.expand(s_am**2) # 取直流分量和低频分量去掉 2fc 和 2fm 的高频项 # 手动计算载波功率 1/2边带功率 m^2/4 P_carrier sp.Rational(1, 2) P_sideband m**2 / 4 P_total P_carrier P_sideband eta P_sideband / P_total print(f载波功率: {P_carrier}) print(f边带功率: {P_sideband}) print(f总功率: {P_total}) print(f调制效率: {sp.simplify(eta)})这段代码的逻辑是AM 信号展开后载波分量功率是 1/2两个边带分量功率各是 m²/8合起来是 m²/4。调制效率就是边带功率除以总功率化简后得到 m²/(2m²)。参数 m 是调制指数通常取值在 0 到 1 之间m1 时效率最高也只有 1/3。这个结论说明 AM 的功率利用率很低所以现代通信更多用 DSB 或 SSB。3.2 角度调制FM 的带宽与鉴频器输出信噪比FM 的复习重点是卡森公式和输出信噪比。卡森公式 B_FM 2(Δf fm)其中 Δf 是最大频偏fm 是调制信号最高频率。这个公式告诉你FM 的带宽比 AM 宽得多但换来的是抗噪声性能的提升。输出信噪比的计算有一个经典结论在大信噪比下FM 解调器的输出信噪比与输入信噪比的关系是 (S/N)_out 3/2 * m_f² * (S/N)_in其中 m_f 是调频指数。这里有一个坑很多人把 m_f 和 Δf 搞混。m_f Δf / fm是无量纲的Δf 是频偏单位是 Hz。计算时先算 m_f再代入公式。另外这个公式只在大信噪比条件下成立小信噪比时会出现门限效应输出信噪比急剧下降。门限效应的门限值通常在 10 dB 左右具体取决于鉴频器类型。3.3 数字调制ASK、FSK、PSK 的误码率对比数字调制的复习要抓住一条主线误码率与信噪比的关系。2ASK 的误码率是 Q(√(SNR/2))2FSK 是 Q(√(SNR/2))2PSK 是 Q(√(2SNR))。注意 2PSK 的系数是 2比前两者好 3 dB。这个 3 dB 的差距是考试常考点也是实际系统选 PSK 而不是 ASK 的原因之一。下面用 Python 画一下三种调制方式的误码率曲线直观感受差距import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm # 信噪比范围dB snr_db np.linspace(0, 12, 100) snr_linear 10 ** (snr_db / 10) # 误码率公式 ber_2ask norm.sf(np.sqrt(snr_linear / 2)) ber_2fsk norm.sf(np.sqrt(snr_linear / 2)) ber_2psk norm.sf(np.sqrt(2 * snr_linear)) plt.figure(figsize(8, 5)) plt.semilogy(snr_db, ber_2ask, label2ASK) plt.semilogy(snr_db, ber_2fsk, label2FSK) plt.semilogy(snr_db, ber_2psk, label2PSK) plt.xlabel(SNR (dB)) plt.ylabel(BER) plt.legend() plt.grid(True, whichboth) plt.title(三种数字调制误码率对比) plt.show()代码里 norm.sf 是高斯 Q 函数的等价写法sf 表示生存函数1-CDF。从图上能清楚看到在相同误码率下2PSK 需要的信噪比最低。参数说明snr_linear 是线性信噪比不是 dBQ 函数在 Python 里用 norm.sf 实现注意输入是正数。3.4 16QAM 的星座图与误符号率估算16QAM 是高频考点因为它同时涉及幅度和相位。星座图是 4×4 的方阵每个符号携带 4 bit。误符号率的近似公式是 P_s ≈ 3Q(√(4E_s/(15N0)))其中 E_s 是符号能量N0 是噪声功率谱密度。这个公式不用死记记住「16QAM 比 16PSK 好 4 dB 左右」这个结论更实用。实际做题时如果给出星座图先算最小欧氏距离 d_min然后误符号率约等于 Q(d_min/2σ)其中 σ 是噪声标准差。这个方法比套公式更通用。4. 信道与噪声的计算信噪比、香农公式和相位噪声怎么不翻车4.1 信噪比的三种表达方式与换算信噪比是通信原理里出现频率最高的参数但它有三种表达方式功率比、dB、Eb/N0。功率比是线性值dB 是对数值Eb/N0 是归一化到每比特能量的信噪比。换算关系是SNR_dB 10 log10(SNR_linear)Eb/N0 SNR_linear / (Rb/B)其中 Rb 是比特率B 是带宽。我见过太多人在这上面翻车题目给的是 Eb/N0他直接当成 SNR 用结果差了一个带宽因子。记住一个口诀Eb/N0 是「每比特能量比噪声功率谱密度」SNR 是「信号总功率比噪声总功率」。两者差一个「比特率比带宽」的因子。4.2 香农公式的适用边界与常见误用香农公式 C B log2(1 S/N) 是通信原理的基石但它有三个前提信道是高斯白噪声信道、带宽是理想低通、信噪比是线性值。常见误用包括把 dB 直接代入、把带宽和比特率搞混、忽略「无限带宽时容量趋于 1.44 S/N0」这个极限。下面用表格对比不同信噪比下的信道容量假设带宽 1 MHz信噪比 (dB)线性信噪比信道容量 (Mbps)01110103.46201006.663010009.97从表里能看出信噪比每增加 10 dB容量增加约 3.3 Mbps但增速在放缓。这就是为什么不能无限靠增加功率来提升容量。4.3 相位噪声对星座图的影响与估算相位噪声是高频通信和 OFDM 系统里的隐形杀手。它表现为载波相位的随机抖动在星座图上表现为星座点沿圆周方向扩散。相位噪声的功率谱密度通常用单边带相位噪声 £(f) 表示单位是 dBc/Hz。估算相位噪声对误码率的影响时可以用「积分相位噪声」的概念把 £(f) 在环路带宽内积分得到均方相位误差 σ²_φ然后误码率劣化因子约为 exp(-σ²_φ/2)。实际工程中如果相位噪声导致星座点模糊先检查本振的相位噪声指标再看环路带宽是否过宽。环路带宽越宽积分进来的相位噪声越多但跟踪速度越快这是一个折中。5. 同步机制的复习载波同步、位同步、帧同步的避坑清单5.1 载波同步科斯塔斯环与平方环的区别载波同步是相干解调的前提。科斯塔斯环和平方环是两种经典方法。平方环适用于 2PSK因为平方后产生 2 倍频分量再分频得到载波科斯塔斯环适用于多种调制它通过两个正交支路的鉴相器提取相位误差。两者的区别是平方环在平方操作后信噪比恶化科斯塔斯环没有平方操作但需要两个支路。考试常考的是科斯塔斯环的鉴相特性是正弦形锁定后存在相位模糊可能是 0 或 π。解决相位模糊的方法是差分编码。5.2 位同步早迟门与 Gardner 算法的参数设置位同步的目的是找到最佳采样时刻。早迟门算法通过比较早门和迟门的能量差来调整采样相位Gardner 算法则利用相邻符号的过零点信息。Gardner 算法的优点是独立于载波相位适合在载波同步之前使用。参数设置上早迟门的门宽通常取符号周期的 1/2 到 1/4Gardner 算法的环路带宽一般取符号率的 1% 到 5%。环路带宽太宽抖动大太窄锁定慢。我一般先用 2% 试再根据误码率微调。5.3 帧同步巴克码与相关峰检测帧同步靠的是帧头里的同步码。巴克码是一种具有尖锐自相关特性的码常用的是 13 位巴克码。检测时用匹配滤波器或滑动相关器当相关峰超过阈值时判定帧到达。阈值一般取最大相关值的 70% 到 80%太低会误判太高会漏判。实际系统中帧同步还要处理「假同步」和「漏同步」。假同步是噪声被误判为同步码解决方法是增加同步码长度或二次确认漏同步是同步码被噪声淹没解决方法是降低阈值或采用软判决。6. 避坑与排查通信原理复习中最容易踩的 5 个坑6.1 坑一把 dB 当线性值代入公式现象计算香农公式时直接把 20 dB 代入 S/N得到 C B log2(120)结果偏小很多。原因dB 是对数值公式要求线性值。解决先换算20 dB 100再代入。6.2 坑二混淆调制指数与频偏现象算 FM 带宽时把 Δf 当成 m_f 代入卡森公式。原因m_f Δf/fm是无量纲的Δf 是频偏单位 Hz。解决先算 m_f再算带宽。6.3 坑三忽略抽样定理的带通条件现象带通信号直接用 fs≥2fH导致频谱混叠。原因带通抽样定理要求 fs≥2B(1k/n)其中 B 是带宽fH 是最高频率。解决先判断信号是低通还是带通再选公式。6.4 坑四2PSK 的相位模糊没处理现象相干解调后输出反相误码率 0.5。原因科斯塔斯环或平方环存在 π 相位模糊。解决用差分编码解调后再差分译码。6.5 坑五相位噪声积分区间搞错现象估算相位噪声对误码率影响时积分区间取了整个频段。原因只有环路带宽内的相位噪声才会影响解调。解决积分区间取环路带宽通常几 kHz 到几十 kHz。7. 用 MATLAB 或 Python 验证一个完整链路从调制到误码率曲线复习到最后最好的验证方法是自己搭一个完整链路。我一般用 Python 做因为库多、画图方便。下面是一个 2PSK 在 AWGN 信道下的误码率仿真代码可以直接跑import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm # 参数设置 N 100000 # 比特数 snr_db_range np.arange(0, 12, 1) # 信噪比范围 ber_sim [] ber_theory [] for snr_db in snr_db_range: # 生成随机比特 bits np.random.randint(0, 2, N) # 2PSK 调制0 - -1, 1 - 1 symbols 2 * bits - 1 # 计算噪声标准差 snr_linear 10 ** (snr_db / 10) noise_std np.sqrt(1 / (2 * snr_linear)) # 加噪声 noise noise_std * np.random.randn(N) received symbols noise # 解调大于 0 判为 1小于 0 判为 0 decoded (received 0).astype(int) # 计算误码率 ber np.mean(decoded ! bits) ber_sim.append(ber) # 理论误码率 ber_theory.append(norm.sf(np.sqrt(2 * snr_linear))) # 画图 plt.figure(figsize(8, 5)) plt.semilogy(snr_db_range, ber_sim, o-, label仿真) plt.semilogy(snr_db_range, ber_theory, s--, label理论) plt.xlabel(SNR (dB)) plt.ylabel(BER) plt.legend() plt.grid(True, whichboth) plt.title(2PSK 在 AWGN 信道下的误码率) plt.show()代码逻辑先生成随机比特映射成 ±1 符号然后根据信噪比计算噪声标准差加高斯噪声最后判决。参数说明snr_db_range 是信噪比扫描范围N 是仿真比特数噪声标准差公式是 sqrt(1/(2*SNR))因为符号能量是 1。仿真和理论曲线应该基本重合如果偏差大检查噪声标准差是否算错。这个链路跑通后你可以改调制方式比如换成 16QAM看看误码率曲线怎么变。我自己的习惯是每复习完一种调制就用这个框架跑一遍跑通了才算真懂。希望帮到你。本文还有配套的精品资源点击获取