从Wi-Fi到5G：用Python+NumPy手把手仿真OFDM信号生成（附代码）-程序员充电站

从Wi-Fi到5G：用Python+NumPy手把手仿真OFDM信号生成（附代码）

在无线通信领域，正交频分复用(OFDM)技术已经成为现代通信系统的基石。从Wi-Fi到5G，从数字电视到宽带电力线通信，这项诞生于上世纪60年代的技术正以全新的姿态赋能万物互联时代。本文将带您用Python和NumPy从零构建一个完整的OFDM基带发射机模型，通过代码实现和可视化分析，深入理解这项改变通信格局的核心技术。

1. 环境准备与基础概念

在开始编码之前，我们需要明确几个关键概念。OFDM本质上是一种将高速数据流分散到多个正交子载波上并行传输的技术，这种设计使其天然具备抗多径干扰的能力。与传统的单载波系统相比，OFDM系统有三个显著特征：

频谱效率高：子载波频谱重叠但正交，节省了保护带宽
抗干扰性强：通过循环前缀(CP)消除符号间干扰(ISI)
实现简单：利用FFT/IFFT实现调制解调，硬件复杂度低

准备Python环境需要以下核心库：

import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft, ifft

提示：建议使用Jupyter Notebook进行实验，可以实时观察每个步骤的信号变化

2. OFDM发射机建模

2.1 参数配置

我们先定义OFDM系统的基本参数，这些参数直接影响系统性能：

# 系统参数 N = 64 # 子载波数量 CP = N//4 # 循环前缀长度 QAM_order = 16 # 调制阶数 symbols_per_carrier = 4# 每子载波符号数 total_symbols = N * symbols_per_carrier

参数选择需要考虑以下trade-off：

参数	增大影响	减小影响
子载波数	符号周期变长，抗ISI能力增强	计算复杂度增加，对频偏更敏感
CP长度	抗多径能力增强	频谱效率降低
调制阶数	数据速率提高	抗噪性能下降

2.2 数据生成与QAM映射

首先生成随机比特流，然后进行QAM调制：

# 生成随机比特流 bits = np.random.randint(0, 2, total_symbols * int(np.log2(QAM_order))) # 比特到符号映射 def bits_to_qam(bits, order): bit_groups = bits.reshape(-1, int(np.log2(order))) symbols = np.zeros(len(bit_groups), dtype=complex) for i, group in enumerate(bit_groups): # 简化的QAM映射逻辑 re = 2*(sum(group[::2])/len(group[::2])-0.5) im = 2*(sum(group[1::2])/len(group[1::2])-0.5) symbols[i] = re + 1j*im return symbols qam_symbols = bits_to_qam(bits, QAM_order)

注意：实际工程中应使用成熟的QAM映射算法，这里为简化演示使用线性映射

3. OFDM核心处理流程

3.1 串并转换与子载波分配

将QAM符号分配到各子载波上：

# 串并转换 parallel_symbols = qam_symbols.reshape(symbols_per_carrier, N) # 子载波分配 (考虑直流分量和防护带) subcarrier_map = np.zeros((symbols_per_carrier, N), dtype=complex) subcarrier_map[:, 1:N//2] = parallel_symbols[:, :N//2-1] subcarrier_map[:, N//2+1:] = parallel_symbols[:, N//2-1:]

3.2 IFFT变换与循环前缀添加

将频域信号转换为时域信号：

# IFFT变换 time_domain = ifft(subcarrier_map, axis=1) # 添加循环前缀 ofdm_symbols_with_cp = np.hstack(( time_domain[:, -CP:], # CP部分 time_domain # 数据部分 ))

循环前缀的作用可以通过以下代码可视化：

plt.figure(figsize=(12,4)) plt.plot(np.abs(time_domain[0]), label='原始OFDM符号') plt.plot(np.abs(ofdm_symbols_with_cp[0]), label='添加CP后的符号') plt.axvline(CP, color='r', linestyle='--', label='CP结束位置') plt.legend() plt.title('循环前缀效果演示') plt.xlabel('采样点') plt.ylabel('幅度') plt.show()

4. 信号分析与可视化

4.1 时域信号特征

观察生成的OFDM时域信号：

# 串行化 tx_signal = ofdm_symbols_with_cp.flatten() plt.figure(figsize=(12,4)) plt.plot(np.real(tx_signal[:2*(N+CP)]), label='实部') plt.plot(np.imag(tx_signal[:2*(N+CP)]), label='虚部') plt.title('OFDM时域信号（前两个符号）') plt.xlabel('采样点') plt.ylabel('幅度') plt.legend() plt.grid()

OFDM信号的峰均比(PAPR)是一个重要指标：

power = np.abs(tx_signal)**2 papr = np.max(power) / np.mean(power) print(f"PAPR: {10*np.log10(papr):.2f} dB")

4.2 频域信号分析

通过FFT观察信号频谱：

freq_response = fft(tx_signal) freq = np.linspace(-0.5, 0.5, len(freq_response)) plt.figure(figsize=(12,4)) plt.plot(freq, 10*np.log10(np.abs(np.fft.fftshift(freq_response))**2)) plt.title('OFDM信号功率谱密度') plt.xlabel('归一化频率') plt.ylabel('功率(dB)') plt.grid()

5. 完整发射机实现与扩展

将上述步骤整合为完整的OFDM发射机类：

class OFDMTx: def __init__(self, N=64, CP=16, QAM_order=16): self.N = N self.CP = CP self.QAM_order = QAM_order def modulate(self, bits): # QAM调制 symbols = bits_to_qam(bits, self.QAM_order) sym_per_symbol = len(symbols) // self.N # 子载波映射 mapped = np.zeros((sym_per_symbol, self.N), dtype=complex) mapped[:, 1:self.N//2] = symbols[:sym_per_symbol*(self.N//2-1)].reshape(sym_per_symbol, -1) mapped[:, self.N//2+1:] = symbols[sym_per_symbol*(self.N//2-1):].reshape(sym_per_symbol, -1) # IFFT time_domain = ifft(mapped, axis=1) # 添加CP with_cp = np.hstack((time_domain[:, -self.CP:], time_domain)) return with_cp.flatten()

实际工程中还需要考虑以下增强功能：