1. 从信号到代码FSK通信原理的直观拆解如果你接触过无线通信、老式调制解调器或者玩过一些无线电项目大概率听说过“频移键控”这个词。FSK全称Frequency-Shift Keying是数字通信领域最基础、最经典的调制方式之一。它的核心思想直白得惊人用不同频率的载波信号来代表数字信息里的0和1。想象一下两个音高不同的哨子吹高音代表“开灯”吹低音代表“关灯”接收方只要听音调高低就能明白指令这就是FSK最朴素的模型。在软件定义无线电和数字信号处理普及的今天我们不再需要复杂的硬件电路来生成和解析这些频率变化。用Python配合NumPy、SciPy这类强大的科学计算库我们完全可以在电脑上模拟整个FSK调制与解调的过程从生成基带信号、调制载波到加入噪声模拟真实信道最后解调还原出原始数据。这个过程不仅能让你透彻理解FSK的原理更能亲手“触摸”到通信系统的每一个环节。无论你是通信工程的学生想验证课本理论嵌入式开发者想理解无线模块底层机制还是Python爱好者对信号处理感兴趣这篇从零开始的实践指南都能带你走通全程。我会用代码说话把每个公式、每个步骤背后的“为什么”讲清楚并分享我在仿真中踩过的坑和总结的技巧。2. FSK系统设计与Python仿真框架搭建2.1 核心参数定义与设计考量动手写代码前我们必须先像设计一个真实系统一样把关键参数定下来。这些参数不是随便填的数字每一个都影响着系统的性能和实现的复杂度。首先我们需要确定数据速率。假设我们的系统每秒要传输1000个比特那么数据速率Rb 1000 bps。这决定了我们基带信号的基本时间尺度。接着是载波频率的选择。FSK用两个不同的频率f0和f1来分别表示比特0和比特1。这两个频率不能随便选它们之间的差值Δf |f1 - f0|至关重要。根据通信理论当Δf Rb时这种FSK被称为Sunde‘s FSK此时两个频率信号在比特周期内是正交的能获得最佳的抗噪声性能。因此我们设定中心载频fc 5000 Hz并令f0 fc - Rb/2 4500 Hzf1 fc Rb/2 5500 Hz。这样Δf 1000 Hz正好等于数据速率。然后是采样率。根据奈奎斯特采样定理要无失真地采样一个信号采样率必须至少是信号最高频率成分的两倍。我们的信号最高频率成分是f1 5500 Hz所以采样率至少需要11000 Hz。但在实际中为了更光滑地绘制波形和方便滤波操作我们通常会将采样率设得高得多比如取信号最高频率的5到10倍。这里我们设定采样率Fs 50000 Hz即每秒采样5万个点。这个值足够高能很好地满足仿真需求。最后是仿真时长。我们打算传输20个随机的比特数据每个比特的持续时间Tb 1 / Rb 0.001 秒。因此总仿真时间T_total 20 * Tb 0.02 秒。对应的总采样点数N int(T_total * Fs) 1000个点。把这些设计决策用代码初始化是构建仿真框架的第一步import numpy as np import matplotlib.pyplot as plt from scipy import signal # 1. 系统参数定义 Rb 1000 # 数据速率比特每秒 (bps) Tb 1.0 / Rb # 比特周期 (秒) fc 5000 # 中心载波频率 (Hz) delta_f Rb # 频偏 数据速率 (Hz) f0 fc - delta_f/2 # 代表比特0的频率 (Hz) f1 fc delta_f/2 # 代表比特1的频率 (Hz) Fs 50000 # 采样频率 (Hz)远高于奈奎斯特率 Ts 1.0 / Fs # 采样间隔 (秒) num_bits 20 # 要传输的比特数 t_total num_bits * Tb # 总仿真时间 N int(t_total * Fs) # 总采样点数 # 2. 生成随机比特序列 np.random.seed(42) # 固定随机种子确保结果可复现 bits np.random.randint(0, 2, num_bits) print(f生成的随机比特序列: {bits})注意采样率Fs的选择是仿真中的一个关键技巧。过低的采样率会导致信号失真混叠而过高的采样率则会急剧增加计算量拖慢仿真速度。对于以fc5kHz为中心的FSK信号Fs50kHz是一个比较合理的折中它既保证了波形质量又不会让后续的频谱分析和滤波计算过于沉重。在实际的软件无线电项目中这个值通常由硬件ADC模数转换器的能力决定。2.2 基带信号与频率控制信号的生成有了比特序列和系统参数我们需要为每个比特生成对应的时间段和频率控制信号。这是连接离散数字信息与连续模拟波形的桥梁。首先生成时间轴。时间轴t是一个从0到t_total间隔为Ts的数组它代表了仿真世界中连续流逝的时间。接下来是关键的一步生成频率控制信号freq_control。这是一个长度与t相同的数组每个时间点上的值根据当前时刻对应的比特是0还是1分别等于f0或f1。这就像是给一个“压控振荡器”下达的指令“在这个时间段请振荡在4500Hz在下一个时间段请跳到5500Hz。”为了实现这个我们需要知道时间轴上的每个采样点对应的是第几个比特。通过将时间点除以比特周期Tb并向下取整可以得到比特索引。然后根据这个索引去查找bits数组里对应的比特值最后映射到频率上。# 生成时间轴 t np.arange(0, t_total, Ts) # 生成频率控制信号 # 每个时间点属于哪个比特周期 bit_index np.floor(t / Tb).astype(int) # 确保索引不越界最后一个时间点可能刚好等于t_total bit_index np.clip(bit_index, 0, num_bits - 1) # 根据比特值映射频率0 - f0, 1 - f1 freq_control np.where(bits[bit_index] 0, f0, f1)我们可以直观地看一下这个频率控制信号它就像一个阶梯波plt.figure(figsize(12, 3)) plt.plot(t, freq_control) plt.xlabel(时间 (秒)) plt.ylabel(频率 (Hz)) plt.title(频率控制信号) plt.grid(True) plt.ylim([f0-500, f1500]) plt.show()这个阶梯状的频率控制信号就是FSK调制的“蓝图”。接下来的任务就是根据这个蓝图生成一个频率随时间精确变化的连续正弦波——这就是已调制的FSK信号。3. FSK调制从数字比特到模拟波形3.1 相位连续性与瞬时频率积分生成FSK信号最核心、也最容易出错的一步是根据频率控制信号计算出信号的瞬时相位。一个频率随时间变化的余弦波可以表示为s(t) cos(2π * φ(t))其中φ(t)是瞬时相位它是瞬时频率f(t)的积分φ(t) ∫ f(t) dt在我们的离散仿真中f(t)就是freq_control数组。积分运算对应着累加。因此瞬时相位可以通过对瞬时频率按时间累加来获得phase 2π * cumulative_sum(freq_control * Ts)。这里freq_control * Ts表示每个采样间隔内频率对时间的积分近似为矩形积分累加起来就是总相位变化。# 计算瞬时相位 # 对瞬时频率进行积分phase 2π * ∫ f(t) dt phase_integral np.cumsum(freq_control) * Ts # 积分运算 phase 2 * np.pi * phase_integral # 生成FSK已调信号 fsk_signal np.cos(phase)这里有一个非常重要的细节相位连续性。我们使用的是np.cumsum这意味着相位是连续累积的即使在频率跳变的时刻相位本身也没有突变。这种调制方式称为连续相位频移键控。如果我们在每个比特周期开始时重置相位就会产生相位不连续的FSK信号其频谱会有更宽的旁瓣可能对相邻信道造成干扰。CPFSK是更常见、性能也更好的选择。3.2 波形与频谱可视化分析生成信号后我们必须通过可视化来验证它是否符合预期。时域波形和频域频谱是两个最基本的分析工具。首先我们绘制前几个比特周期的时域波形。由于采样率很高直接绘制所有点会让波形看起来像一条实心带。我们可以通过切片只查看前几个毫秒的数据。# 绘制前5个比特周期的时域波形 samples_per_bit int(Fs * Tb) view_bits 5 view_samples view_bits * samples_per_bit plt.figure(figsize(12, 6)) plt.subplot(2, 1, 1) plt.plot(t[:view_samples] * 1000, fsk_signal[:view_samples]) # 时间转换为毫秒 plt.xlabel(时间 (毫秒)) plt.ylabel(幅度) plt.title(fFSK已调信号时域波形 (前{view_bits}个比特)) plt.grid(True) # 添加比特分界线 for i in range(view_bits 1): plt.axvline(xi * Tb * 1000, colorr, linestyle--, alpha0.5) # 在每个比特周期中央标注比特值 for i in range(view_bits): bit_center (i 0.5) * Tb * 1000 plt.text(bit_center, 1.05, str(bits[i]), hacenter, fontsize12, colorgreen) plt.subplot(2, 1, 2) # 绘制频率控制信号作为对比 plt.plot(t[:view_samples] * 1000, freq_control[:view_samples]) plt.xlabel(时间 (毫秒)) plt.ylabel(频率 (Hz)) plt.title(对应的频率控制信号) plt.grid(True) for i in range(view_bits 1): plt.axvline(xi * Tb * 1000, colorr, linestyle--, alpha0.5) plt.tight_layout() plt.show()观察时域波形你能看到波形疏密程度的变化吗在频率为f04500Hz的比特周期里波形更“稀疏”周期更长在频率为f15500Hz的周期里波形更“稠密”周期更短。红色虚线标出了比特边界绿色数字标出了对应的比特值。时域波形直观但难以精确量化频率。接下来我们使用快速傅里叶变换来观察信号的频谱。FFT能将时域信号转换到频域清晰地展示信号能量集中在哪些频率上。# 计算信号的FFT频谱 N_fft 2048 # FFT点数为了获得更平滑的频谱可以增加此值 frequencies np.fft.fftfreq(N_fft, Ts)[:N_fft//2] # 正频率部分 spectrum np.fft.fft(fsk_signal[:N_fft]) # 取前N_fft个点做FFT spectrum_magnitude np.abs(spectrum[:N_fft//2]) # 取幅度谱 plt.figure(figsize(10, 4)) plt.plot(frequencies, spectrum_magnitude) plt.xlabel(频率 (Hz)) plt.ylabel(幅度) plt.title(FSK信号频谱 (FFT分析)) plt.grid(True) # 标记我们设定的f0和f1频率点 plt.axvline(xf0, colorr, linestyle--, alpha0.7, labelff0 {f0} Hz) plt.axvline(xf1, colorg, linestyle--, alpha0.7, labelff1 {f1} Hz) plt.axvline(xfc, colork, linestyle:, alpha0.5, labelf中心频率 {fc} Hz) plt.legend() plt.xlim([fc - 2000, fc 2000]) # 聚焦在中心频率附近 plt.show()在频谱图上你应该能看到两个明显的峰值分别位于4500Hz和5500Hz附近。这就是FSK信号的标志能量集中在两个特定的频率上。频谱的宽度与比特周期有关比特周期越短数据速率越高频谱的主瓣就越宽。实操心得在仿真中FFT点数的选择会影响频谱图的分辨率和光滑度。N_fft越大频率分辨率越高Δf Fs / N_fft看到的频谱细节越多但计算量也越大。通常N_fft取2的整数次幂如1024, 2048, 4096能获得最快的计算速度。如果N_fft大于信号长度FFT函数会自动进行零填充这相当于对频谱进行了插值让曲线更光滑但并没有增加真实的频率信息。4. 信道模拟与FSK非相干解调实战4.1 添加噪声与模拟真实信道一个只在理想环境中工作的通信系统是没有意义的。现实中的信号会衰减、会失真最重要的是会混入噪声。高斯白噪声是通信系统分析中最常用的噪声模型它模拟了信道中大量随机干扰的叠加效应。我们使用np.random.normal来生成与信号功率相匹配的高斯白噪声。这里引入一个关键参数信噪比。SNR定义了信号平均功率与噪声平均功率的比值通常用分贝表示。我们假设一个SNR_dB 10的信道即信号功率是噪声功率的10倍。def add_awgn(signal, snr_db): 为信号添加加性高斯白噪声。 参数: signal: 原始信号数组。 snr_db: 信噪比单位分贝 (dB)。 返回: 添加噪声后的信号。 # 计算信号功率 signal_power np.mean(signal ** 2) # 将信噪比从分贝转换为线性比值 snr_linear 10 ** (snr_db / 10.0) # 计算所需的噪声功率 noise_power signal_power / snr_linear # 生成功率为noise_power的高斯白噪声 noise np.random.normal(0, np.sqrt(noise_power), signal.shape) # 添加噪声 noisy_signal signal noise return noisy_signal SNR_dB 10 fsk_signal_noisy add_awgn(fsk_signal, SNR_dB) # 可视化对比 plt.figure(figsize(12, 4)) view_samples int(0.01 * Fs) # 看10毫秒的细节 plt.plot(t[:view_samples] * 1000, fsk_signal[:view_samples], b-, alpha0.7, label原始信号) plt.plot(t[:view_samples] * 1000, fsk_signal_noisy[:view_samples], r-, alpha0.5, labelf加噪信号 (SNR{SNR_dB}dB)) plt.xlabel(时间 (毫秒)) plt.ylabel(幅度) plt.title(原始信号与加噪信号对比) plt.legend() plt.grid(True) plt.show()红色线条是加噪后的信号你可以看到它围绕着原始的蓝色正弦波上下随机波动。信噪比越低波动幅度越大信号就越难被识别。4.2 非相干解调正交下变频与包络检波解调的目标是从嘈杂的、频率跳变的波形中还原出最初的0/1比特序列。对于FSK一种经典且易于实现的解调方法是非相干解调它不需要精确知道信号的相位信息因此对相位同步要求不高实现更简单。其原理是我们同时用两个频率f0和f1的正交振荡信号即正弦和余弦与接收信号相乘这个过程称为下变频。如果接收信号频率接近f0那么与f0振荡器相乘后的输出经过低通滤波会得到一个大的直流分量而与f1振荡器相乘的输出则很小。反之亦然。具体步骤如下正交下变频分别用cos(2πf0t)和sin(2πf0t)与接收信号相乘得到f0通道的I、Q两路信号。对f1做同样操作。低通滤波将上述四路信号通过低通滤波器滤除高频分量主要是f0f1和2f0,2f1等保留基带信息。包络计算对每个通道滤波后的I、Q信号计算其包络即sqrt(I^2 Q^2)。这相当于求该频率通道的信号“能量”或“幅度”。比特判决比较两个通道的包络大小。在每一个比特周期结束时哪个通道的包络值更大就判决为该比特对应的频率。def noncoherent_fsk_demod(signal, Fs, f0, f1, Tb): 非相干FSK解调器。 参数: signal: 接收到的FSK信号。 Fs: 采样率。 f0, f1: 代表比特0和1的频率。 Tb: 比特周期秒。 返回: demod_bits: 解调出的比特序列。 envelope0, envelope1: 两个通道的包络信号用于调试。 t_local np.arange(len(signal)) / Fs # 本地时间轴 samples_per_bit int(Fs * Tb) num_bits_demod len(signal) // samples_per_bit # 1. 生成本地正交振荡器 I0 np.cos(2 * np.pi * f0 * t_local) Q0 np.sin(2 * np.pi * f0 * t_local) I1 np.cos(2 * np.pi * f1 * t_local) Q1 np.sin(2 * np.pi * f1 * t_local) # 2. 正交下变频 mix_I0 signal * I0 mix_Q0 signal * Q0 mix_I1 signal * I1 mix_Q1 signal * Q1 # 3. 设计低通滤波器 (截止频率略高于基带带宽) cutoff_freq 0.5 * (1.0 / Tb) # 例如取比特率的一半 nyquist Fs / 2.0 normal_cutoff cutoff_freq / nyquist b, a signal.butter(5, normal_cutoff, low) # 5阶巴特沃斯低通滤波器 # 4. 低通滤波 filt_I0 signal.filtfilt(b, a, mix_I0) filt_Q0 signal.filtfilt(b, a, mix_Q0) filt_I1 signal.filtfilt(b, a, mix_I1) filt_Q1 signal.filtfilt(b, a, mix_Q1) # 5. 计算包络 envelope0 np.sqrt(filt_I0**2 filt_Q0**2) envelope1 np.sqrt(filt_I1**2 filt_Q1**2) # 6. 比特判决 (在每个比特周期末尾采样并比较) demod_bits [] for i in range(num_bits_demod): start_idx i * samples_per_bit # 取比特周期末尾附近的一小段进行平均以减少噪声瞬时影响 sample_window slice(start_idx int(0.7 * samples_per_bit), start_idx samples_per_bit) avg_env0 np.mean(envelope0[sample_window]) avg_env1 np.mean(envelope1[sample_window]) # 判决哪个包络大就判为对应的比特 demod_bit 0 if avg_env0 avg_env1 else 1 demod_bits.append(demod_bit) return np.array(demod_bits), envelope0, envelope1 # 执行解调 demod_bits, env0, env1 noncoherent_fsk_demod(fsk_signal_noisy, Fs, f0, f1, Tb) print(f原始比特: {bits[:len(demod_bits)]}) print(f解调比特: {demod_bits}) print(f误码数: {np.sum(bits[:len(demod_bits)] ! demod_bits)})注意事项这里使用了signal.filtfilt进行零相位滤波。与普通的signal.lfilter相比filtfilt对信号进行前向和反向两次滤波消除了相位失真且滤波后的信号与原始信号在时间上是对齐的。这对于后续在固定时间点采样包络值进行判决至关重要。如果使用lfilter信号的相位会发生偏移可能导致判决采样点不准引入误码。4.3 解调过程深度可视化为了更透彻地理解解调过程我们把中间信号都画出来看看。# 可视化解调过程 (以前2个比特为例) view_samples 2 * samples_per_bit time_ms t[:view_samples] * 1000 fig, axes plt.subplots(5, 1, figsize(12, 12), sharexTrue) # 1. 接收到的含噪信号 axes[0].plot(time_ms, fsk_signal_noisy[:view_samples]) axes[0].set_ylabel(幅度) axes[0].set_title(接收到的含噪FSK信号) axes[0].grid(True) for i in range(3): axes[0].axvline(xi * Tb * 1000, colorr, linestyle--, alpha0.5) # 2. f0通道的I、Q路滤波后信号 axes[1].plot(time_ms, env0[:view_samples], b-, labelf0包络) axes[1].plot(time_ms, env1[:view_samples], r-, alpha0.7, labelf1包络) axes[1].set_ylabel(包络) axes[1].set_title(两个通道的包络信号) axes[1].legend() axes[1].grid(True) for i in range(3): axes[1].axvline(xi * Tb * 1000, colorr, linestyle--, alpha0.5) # 3. 比特判决示意 (在包络图上标记判决点和结果) for i in range(2): bit_center (i 0.5) * Tb * 1000 sample_start i * samples_per_bit int(0.7 * samples_per_bit) sample_end (i1) * samples_per_bit avg0 np.mean(env0[sample_start:sample_end]) avg1 np.mean(env1[sample_start:sample_end]) axes[1].plot([bit_center], [avg0], bo, markersize8) axes[1].plot([bit_center], [avg1], ro, markersize8) axes[1].text(bit_center, max(avg0, avg1)0.05, f判为{demod_bits[i]}, hacenter) axes[-1].set_xlabel(时间 (毫秒)) plt.tight_layout() plt.show()这张图是理解非相干解调的关键。第一子图是接收到的波形。第二子图展示了两个通道的包络。可以看到当传输比特0时频率为f0蓝色包络线明显高于红色包络线当传输比特1时红色包络线更高。我们在每个比特周期末尾70%到100%处取平均值用圆点标出比较这两个平均值的大小就做出了比特判决。这种“比大小”的判决方式非常直观且易于实现。5. 性能评估、常见问题与进阶探索5.1 误码率测试与性能分析一个通信系统的核心性能指标是误码率即在传输中发生错误的比特比例。我们通过蒙特卡洛仿真来测试不同信噪比下的误码率。def simulate_ber(snr_db_list, num_bits1000, num_trials20): 在不同SNR下进行多次仿真计算平均误码率。 ber_results [] for snr_db in snr_db_list: error_count 0 total_bits 0 for _ in range(num_trials): # 每次试验生成新的随机比特和噪声 trial_bits np.random.randint(0, 2, num_bits) # 调制 t_trial np.arange(0, num_bits*Tb, Ts) bit_index_trial np.floor(t_trial / Tb).astype(int) bit_index_trial np.clip(bit_index_trial, 0, num_bits-1) freq_control_trial np.where(trial_bits[bit_index_trial]0, f0, f1) phase_trial 2 * np.pi * np.cumsum(freq_control_trial) * Ts signal_trial np.cos(phase_trial) # 加噪 noisy_signal_trial add_awgn(signal_trial, snr_db) # 解调 demod_bits_trial, _, _ noncoherent_fsk_demod(noisy_signal_trial, Fs, f0, f1, Tb) # 统计误码 (只比较解调出的部分) min_len min(len(trial_bits), len(demod_bits_trial)) error_count np.sum(trial_bits[:min_len] ! demod_bits_trial[:min_len]) total_bits min_len ber error_count / total_bits if total_bits 0 else 1.0 ber_results.append(ber) print(fSNR {snr_db:2d} dB, 误码率 {ber:.6f}) return ber_results # 测试一系列SNR snr_range np.arange(0, 13, 2) # 从0dB到12dB步长2dB ber_list simulate_ber(snr_range, num_bits200, num_trials10) # 绘制误码率曲线 plt.figure(figsize(8, 5)) plt.semilogy(snr_range, ber_list, bo-, linewidth2, markersize8) plt.xlabel(信噪比 (dB)) plt.ylabel(误码率 (BER)) plt.title(非相干FSK解调误码率性能) plt.grid(True, whichboth, ls--, alpha0.5) plt.ylim([1e-4, 1]) plt.show()运行这段代码你会看到误码率随着信噪比提升而急剧下降。在低信噪比时如0-4dB误码率可能高达百分之几甚至十分之几当信噪比达到10dB左右时误码率通常可以降到万分之一以下。这条曲线直观地展示了噪声对数字通信可靠性的决定性影响。5.2 常见问题排查与调试技巧在实际仿真或实现中你可能会遇到各种问题。下面是一些典型问题及其排查思路解调出的比特全部错误0变11变0可能原因解调器中两个通道的比较逻辑反了。在判决时误将envelope0 envelope1判为比特1。排查检查noncoherent_fsk_demod函数中的判决语句demod_bit 0 if avg_env0 avg_env1 else 1。确保逻辑与你的设计一致。可以打印出前几个比特周期两个包络的平均值进行验证。误码率居高不下即使在高SNR时可能原因1滤波器参数不当。低通滤波器的截止频率设置过高未能有效滤除高频分量导致包络信号波动大或截止频率过低滤除了有用的基带信号。排查可视化滤波后的filt_I0/Q0/I1/Q1信号看它们是否平滑。调整cutoff_freq通常设置为(0.5 ~ 1.0) / Tb之间进行尝试。可能原因2判决采样点不对。在比特周期内包络需要时间建立稳定。如果在周期开始时就采样包络可能还未达到稳定值。排查如代码所示在比特周期末尾例如70%-100%处采样并取平均。可以尝试调整sample_window的起始位置0.7这个系数。可能原因3频率偏差。本地生成的解调频率f0和f1与调制端使用的频率存在微小偏差。排查确保调制和解调两端的频率参数完全一致。在真实系统中这需要通过频率同步算法来解决。频谱看起来不对峰值不在预期的f0/f1上可能原因1频谱泄露。如果做FFT的信号段不是频率分量的整数倍周期就会发生频谱泄露导致峰值展宽、幅度不准。排查使用signal.windows.hann()或signal.windows.hamming()等窗函数对时域信号加窗后再做FFT可以抑制泄露。或者确保FFT长度包含整数个比特周期。可能原因2频率分辨率不足。N_fft太小导致频率轴上的点不够密无法精确显示峰值位置。排查增加N_fft的值例如从2048增加到8192。仿真速度非常慢可能原因采样率Fs或仿真的比特数num_bits设置过高导致数组巨大计算量激增。优化在调试阶段可以降低Fs但必须满足奈奎斯特准则和num_bits。使用np.cos计算三角函数是计算瓶颈之一对于超长信号可以考虑预先生成振荡器信号并复用。5.3 从仿真到现实的思考与扩展通过Python仿真我们完美地在理想可控的环境中验证了FSK的原理。但真实世界的挑战才刚刚开始同步问题仿真中我们精确知道每个比特的开始和结束时刻。现实中接收机必须从连续的波形中自己找到比特边界这需要位同步算法。常用的有早-迟门同步、平方律同步等。频率偏移与多普勒效应发射机和接收机的晶体振荡器不可能完全同频会产生固定的频率偏移。如果收发端存在相对运动还会产生多普勒频移。解调器需要具备频率同步或频率估计的能力或者使用对频率偏差不敏感的调制方式如GFSK。信道失真与多径效应信号在传输中可能经过多条路径产生叠加和干扰导致波形畸变。这需要更复杂的信道均衡技术。从非相干到相干解调我们实现的是非相干解调性能略逊于相干解调。相干解调需要精确估计载波相位性能更好但实现更复杂。在相位信息已知的情况下可以直接计算信号与f0、f1振荡器的互相关选择相关值大的作为判决结果。高斯频移键控在实际应用中如蓝牙的Basic Rate模式更常用的是GFSK。它在FSK之前对基带信号进行了高斯滤波使频率变化更加平滑从而极大地压缩了发射频谱减少了对相邻信道的干扰。在Python中实现GFSK关键步骤就是用高斯滤波器对代表0/1的矩形基带脉冲进行平滑。这个用Python搭建的FSK仿真平台是一个绝佳的起点。你可以基于它逐步引入上述真实世界的问题并尝试实现相应的算法来解决它们。每一次对问题的攻克都会让你对通信系统的理解加深一层。
)
