jwentong · hlxvv · May 21, 2026
diff --git a/REPORT.md b/REPORT.md
@@ -0,0 +1,120 @@
+# 无线通信技术实验报告：信道编码与信道均衡
+
+## 1. 实验目的
+
+本实验旨在实现并验证信道编码与信道均衡算法，掌握 Hamming(7,4) 码的编码/译码原理，理解多径信道下的 ISI 以及 ZF/LMS 均衡器的设计与性能差异。同时熟悉 GitHub 自动评分和实验报告提交流程。
+
+## 2. 实验原理
+
+### 2.1 信道编码
+
+- Hamming(7,4) 码是一种线性分组码，其每 4 比特信息生成 7 比特码字。
+- 通过生成矩阵 `G` 进行编码，接收端利用校验矩阵 `H` 计算伴随式 $s = r H^T$。
+- 当伴随式不为零时，表明存在单比特错误；由于 Hamming 码具有最小汉明距离 3，因此可以定位并纠正单比特错误，从而恢复原始 4 个信息比特。
+- 信道编码引入冗余比特以提高可靠性，但这会使有效码率从 1 降低到 4/7。
+
+### 2.2 信道均衡
+
+- 多径信道会引起符号间干扰（ISI），使接收符号成为当前符号与前后符号的叠加。
+- 迫零均衡器（ZF）通过设计 FIR 滤波器，使等效冲激响应在目标抽头位置为单位脉冲，理论上消除 ISI，但会放大信道零点附近的噪声。
+- LMS 自适应均衡器通过最小均方误差准则迭代更新抽头，利用已知训练序列逐步逼近最佳均衡器，实现抗噪声能力更强的均衡效果。
+
+## 3. 实验环境
+
+- Python 版本：3.14.4
+- 主要依赖（部分）：
+  - numpy
+  - matplotlib
+  - pytest
+  - python-docx (仅用于生成文档)
+- 代码文件：
+  - `src/part1_channel_coding.py`
+  - `src/part2_equalization.py`
+  - `src/utils.py`
+  - `grading/calculate_grade.py`
+- 运行命令：
+
+```bash
+c:/Users/hankk/wireless-coding-equalization-exp/.venv/Scripts/python.exe src/part1_channel_coding.py
+c:/Users/hankk/wireless-coding-equalization-exp/.venv/Scripts/python.exe src/part2_equalization.py
+```
+
+- AI 助手使用情况：
+  - 参考项目结构、补全函数实现、修复参数和维度问题
+  - 验证算法逻辑、解释每个核心函数的作用
+  - 未直接提交未验证的代码，所有修改已本地运行检查
+
+## 4. 实验方法与步骤
+
+### 4.1 Part 1：信道编码
+
+1. 在 `src/part1_channel_coding.py` 中实现 Hamming(7,4) 编码函数 `hamming74_encode(bits)`。
+2. 使用校验矩阵 `HAMMING_H` 计算伴随式 `hamming74_syndrome(codewords)`。
+3. 在 `hamming74_decode(received)` 中根据伴随式索引错误位置并纠正单比特错误，最后提取前 4 位信息比特。
+4. 生成一定长度的随机比特序列，通过二进制对称信道模拟翻转，比较编码前后 BER。
+5. 使用 `plot_ber_curve` 绘制 Hamming(7,4) 编码前后的 BER 曲线。
+
+### 4.2 Part 2：信道均衡
+
+1. 在 `src/part2_equalization.py` 中实现 ZF 均衡器估计函数 `estimate_zf_equalizer(channel, num_taps)`。
+2. 实现 FIR 滤波函数 `apply_fir_filter(signal, taps)`，保证输出与输入同长度。
+3. 实现 LMS 自适应均衡器 `lms_equalizer(rx_train, tx_train, num_taps, step_size)`，使用训练序列迭代更新抽头。
+4. 生成多径信道接收信号，分别对原始接收信号、ZF 均衡输出、LMS 均衡输出进行 BPSK 判决并计算 BER。
+5. 使用 `plot_equalization_results` 绘制眼图对比，使用 `plot_mse_curve` 绘制 LMS 误差曲线。
+
+## 5. 实验结果
+
+插入结果图：
+
+```markdown
+![编码BER曲线](results/coding_ber_curve.png)
+```
+- 说明：比较未编码与 Hamming(7,4) 编码后的 BER 曲线，验证编码提高抗误码能力。
+
+```markdown
+![均衡眼图对比](results/equalization_eye_comparison.png)
+```
+- 说明：显示原始接收符号与 LMS 均衡后符号的眼图对比，观察 ISI 抑制效果。
+
+```markdown
+![LMS误差曲线](results/equalization_mse_curve.png)
+```
+- 说明：绘制 LMS 均衡训练过程中的误差曲线，显示算法收敛趋势。
+
+> 可选加分图：
+> - `results/coding_ber_curve_with_conv.png`：卷积码与 Hamming 编码 BER 对比。
+> - `results/equalization_zf_vs_mmse_ber.png`：ZF 与 MMSE 均衡 BER 对比。
+> - `results/equalization_lms_vs_rls_mse.png`：LMS 与 RLS 均方误差收敛对比。
+
+## 6. 结果分析与讨论
+
+1. Hamming(7,4) 为什么能纠正单比特错误？
+   - 因为每个码字的最小汉明距离为 3，单比特错误对应唯一的伴随式模式，可以通过校验矩阵 `H` 定位错误位并纠正。
+
+2. 为什么信道编码会引入冗余并降低码率？
+   - 为了提高抗错误能力，编码器将 4 个信息比特扩展为 7 个码字比特，增加了冗余比特，使信息传输效率下降，但可靠性提高。
+
+3. ZF 均衡为什么可能放大噪声？
+   - ZF 以消除 ISI 为目标，要求等效冲激响应在目标位置为单位脉冲，因此在信道频率响应较弱或零点附近会出现高增益，进而放大噪声。
+
+4. LMS 的步长过大或过小会出现什么问题？
+   - 步长过大：收敛不稳定、误差震荡甚至发散；
+   - 步长过小：收敛速度慢、适应性差，训练时间变长。
+
+5. 均衡前后 ISI 有什么变化？
+   - 均衡前，接收信号存在明显的符号间干扰；
+   - 均衡后，ZF/LMS 处理使主抽头处信号能量集中，ISI 被抑制，判决性能提升。
+
+## 7. 实验心得
+
+- 通过本次实验，加深了对 Hamming 码编码/译码过程的理解，体会到伴随式在错误检测与纠正中的关键作用。
+- 通过 ZF 和 LMS 均衡比较，理解了“完全消除 ISI”与“噪声增强”之间的权衡关系。
+- 使用 GitHub 自动评分需要保证文件结构、函数接口和结果图名称与实验要求一致。
+- AI 助手协助分析实验代码、修复实现细节，并且在实验报告中说明了辅助内容，确保不提交未经验证的代码。
+
+## 8. 参考资料
+
+- 课程课件：第6章 信道编码
+- 课程课件：第7章 均衡
+- 仓库 README：`README.md`
+- 实验代码：`src/part1_channel_coding.py`、`src/part2_equalization.py`
diff --git a/results/coding_ber_curve.png b/results/coding_ber_curve.png
diff --git a/results/coding_ber_curve_with_conv.png b/results/coding_ber_curve_with_conv.png
diff --git a/results/equalization_eye_comparison.png b/results/equalization_eye_comparison.png
diff --git a/results/equalization_lms_vs_rls_mse.png b/results/equalization_lms_vs_rls_mse.png
diff --git a/results/equalization_mse_curve.png b/results/equalization_mse_curve.png
diff --git a/results/equalization_zf_vs_mmse_ber.png b/results/equalization_zf_vs_mmse_ber.png