2024280466江俊杰

REPORT.md

@@ -0,0 +1,114 @@
+# 数字调制解调实验报告
+
+## 1. 实验目的
+
+本实验围绕无线通信中的数字基带调制展开，目标是用 Python 实现并验证 BPSK、QPSK 和 16-QAM 三种典型调制方式。通过本实验，我希望完成以下任务：
+
+1. 理解二进制比特到复平面符号的映射关系。
+2. 掌握格雷编码在 QPSK 与 16-QAM 星座映射中的作用。
+3. 使用 NumPy 完成向量化调制实现，并保证符号能量归一化。
+4. 使用 Matplotlib 生成星座图，观察不同调制方式的星座结构。
+5. 结合自动化测试和 AI 编程工具，改进代码质量与实验报告表达。
+
+## 2. 实验原理
+
+### 2.1 BPSK
+
+BPSK 是最简单的相移键控方式，每个符号只承载 1 bit 信息。实验中采用的映射为：
+
+```text
+0 -> +1
+1 -> -1
+```
+
+因此 BPSK 的两个星座点位于实轴两端，虚部为 0。它的优点是抗噪声能力强、判决边界简单；缺点是频谱效率较低，因为一个符号只能传输一个比特。
+
+### 2.2 QPSK
+
+QPSK 每个符号承载 2 bit 信息，本实验采用格雷编码映射：
+
+```text
+00 -> ( 1 + j) / sqrt(2)
+01 -> (-1 + j) / sqrt(2)
+11 -> (-1 - j) / sqrt(2)
+10 -> ( 1 - j) / sqrt(2)
+```
+
+除以 `sqrt(2)` 后，每个 QPSK 符号的模长为 1，平均符号功率也为 1。格雷编码保证相邻星座点只相差 1 bit，因此当噪声导致符号落到相邻判决区域时，通常只产生单比特错误。
+
+### 2.3 16-QAM
+
+16-QAM 同时利用幅度和相位传输信息，每个符号承载 4 bit。实验中把 4 bit 分成 I、Q 两组，每组 2 bit，并在两个轴上采用相同的格雷编码电平：
+
+```text
+00 -> +3
+01 -> +1
+11 -> -1
+10 -> -3
+```
+
+最终符号为 `(I + jQ) / sqrt(10)`。其中 `sqrt(10)` 来自 16-QAM 星座的平均能量归一化：单个轴的平均能量为 `(9 + 1 + 1 + 9) / 4 = 5`，I/Q 两轴合计为 10，因此除以 `sqrt(10)` 后平均符号功率约为 1。16-QAM 的频谱效率高于 BPSK 和 QPSK，但星座点间距更小，对噪声更敏感。
+
+## 3. 实验方法与步骤
+
+1. 阅读作业给出的 `grading` 测试文件，确认评分关注的函数名、输入输出长度、星座映射、功率归一化和报告完整性。
+2. 在 `src/modulation.py` 中实现三个调制函数：`bpsk_modulate`、`qpsk_modulate` 和 `qam16_modulate`。
+3. 对输入比特进行数组化和合法性检查，确保只接受 0/1 比特；QPSK 要求长度为 2 的倍数，16-QAM 要求长度为 4 的倍数。
+4. 使用字典明确表示格雷编码映射，避免分支逻辑过多导致映射顺序错误。
+5. 调用绘图函数生成星座图；同时让绘图成为辅助行为，避免文件被占用时影响调制数值结果。
+6. 运行自动化测试脚本，检查 BPSK、QPSK、16-QAM、环境测试、报告检查和 pylint 代码质量评分。
+
+核心实现片段如下：
+
+```python
+_QAM16_LEVELS = {
+    (0, 0): 3,
+    (0, 1): 1,
+    (1, 1): -1,
+    (1, 0): -3,
+}
+
+groups = bit_array.reshape(-1, 4)
+in_phase = np.array([_QAM16_LEVELS[tuple(group[:2])] for group in groups])
+quadrature = np.array([_QAM16_LEVELS[tuple(group[2:])] for group in groups])
+symbols = (in_phase + 1j * quadrature) / np.sqrt(10)
+```
+
+## 4. 实验结果
+
+### 4.1 星座图
+
+![BPSK 星座图](results/bpsk_constellation.png)
+
+![QPSK 星座图](results/qpsk_constellation.png)
+
+![16-QAM 星座图](results/16qam_constellation.png)
+
+### 4.2 BER 曲线
+
+![BER 对比曲线](results/ber_comparison.png)
+
+从星座图可以看出，BPSK 只有两个点，判决最简单；QPSK 有四个等能量点，分布在四个象限；16-QAM 有 16 个点，并且不同点的瞬时功率不同，但整体平均功率经过归一化后约为 1。
+
+## 5. 结果分析与讨论
+
+BPSK 的星座点距离较远，在相同信噪比下通常具有最低误码率，但它的传输效率最低。QPSK 在不增加符号率的情况下把每个符号携带的信息量提高到 2 bit，是通信系统中常用的折中方案。16-QAM 每个符号携带 4 bit，频谱效率最高，但由于星座点更密集，噪声稍大时就更容易跨越判决边界。
+
+本实验中的关键细节是能量归一化。如果不对 QPSK 除以 `sqrt(2)`，或者不对 16-QAM 除以 `sqrt(10)`，不同调制方式的平均功率就不一致，后续比较 BER 曲线时会引入不公平因素。格雷编码也是影响误码表现的重要设计：相邻点只差 1 bit，可以降低符号判决错误对比特错误数量的放大效应。
+
+在实现层面，最容易出错的地方是比特分组顺序。例如 16-QAM 中前两位映射到 I 轴，后两位映射到 Q 轴；如果把顺序写反，星座图看起来仍然像 16-QAM，但测试中的具体映射会失败。因此我在实现中使用显式映射表，而不是依赖复杂公式推导。
+
+## 6. 实验心得与 AI Coding 体会
+
+这次作业中，AI 编程工具对我最大的帮助不是直接“替我写完”，而是帮助我快速发现自动评分真正关心的接口和边界条件。通过阅读测试脚本，可以把任务拆成更明确的工程目标：输出长度正确、映射点正确、平均功率正确、异常处理正确、报告格式完整。
+
+我也体会到 AI 生成代码后仍然必须运行测试验证。调制函数看似简单，但文件输出、绘图、编码、pylint 等细节都会影响最终评分。比较有效的协作方式是：先让 AI 帮助梳理测试要求，再由我确认实验原理和报告表达，最后用自动化测试逐项闭环。
+
+另一个收获是，报告不能只写“实现了什么”，还应该解释“为什么这样实现”。例如 16-QAM 为什么要除以 `sqrt(10)`、格雷编码为什么有利于降低比特错误扩散，这些内容比单纯贴代码更能体现对实验的理解。
+
+## 7. 参考资料
+
+1. John G. Proakis, Masoud Salehi, *Digital Communications*, 5th Edition.
+2. NumPy 官方文档：https://numpy.org/doc/
+3. Matplotlib 官方文档：https://matplotlib.org/stable/
+4. GitHub Copilot 文档：https://docs.github.com/en/copilot

grading/calculate_grade.py

@@ -280,4 +280,3 @@ def calculate_grade():
 
 if __name__ == "__main__":
     calculate_grade()
-

grading/check_report.py

@@ -112,4 +112,4 @@ def generate_report_score():
 
 if __name__ == "__main__":
     score = generate_report_score()
-    print(f"\n最终报告得分: {score}")
+    print(f"\n最终报告得分: {score}")

grading/test_bpsk.py

@@ -88,4 +88,4 @@ def test_constellation_file_exists():
 
 
 if __name__ == "__main__":
-    pytest.main([__file__, "-v"])
+    pytest.main([__file__, "-v"])

grading/test_qam16.py

@@ -157,4 +157,4 @@ def test_constellation_file_exists():
 
 
 if __name__ == "__main__":
-    pytest.main([__file__, "-v"])
+    pytest.main([__file__, "-v"])

grading/test_qpsk.py

@@ -118,4 +118,4 @@ def test_constellation_file_exists():
 
 
 if __name__ == "__main__":
-    pytest.main([__file__, "-v"])
+    pytest.main([__file__, "-v"])

requirements.txt

@@ -4,4 +4,5 @@ scipy>=1.7.0
 matplotlib>=3.4.0
 pytest>=7.0.0
 pytest-cov>=3.0.0
+pytest-json-report>=1.5.0
 pylint>=2.12.0

src/demodulation.py

@@ -35,10 +35,9 @@ def bpsk_demodulate(symbols):
         [0 1 0]
     """
 
-    # TODO: 实现BPSK解调
-    # 提示：使用np.real()获取实部，然后判断正负
-
-    raise NotImplementedError("请实现BPSK解调函数")
+    # BPSK解调：实部>0判为0，否则判为1
+    bits = (np.real(symbols) <= 0).astype(int)
+    return bits
 
 
 def qpsk_demodulate(symbols):
@@ -72,21 +71,25 @@ def qpsk_demodulate(symbols):
         >>> print(bits)  # 应该是 [0, 0, 0, 1]
     """
 
-    # 定义QPSK参考星座点（格雷码）
-    constellation = {
-        0: (1 + 1j) / np.sqrt(2),    # 00
-        1: (-1 + 1j) / np.sqrt(2),   # 01
-        3: (-1 - 1j) / np.sqrt(2),   # 11
-        2: (1 - 1j) / np.sqrt(2)     # 10
+    # QPSK解调：最小欧氏距离判决
+    ref_points = [
+        (1 + 1j) / np.sqrt(2),   # 00
+        (-1 + 1j) / np.sqrt(2),  # 01
+        (1 - 1j) / np.sqrt(2),   # 10
+        (-1 - 1j) / np.sqrt(2)   # 11
+    ]
+    bit_map = {
+        0: [0, 0],
+        1: [0, 1],
+        2: [1, 0],
+        3: [1, 1]
     }
-
-    # TODO: 实现QPSK解调
-    # 提示步骤：
-    # 1. 对每个接收符号，计算到4个参考点的欧氏距离
-    # 2. 找到距离最小的参考点
-    # 3. 将参考点的索引转换为2个比特
-
-    raise NotImplementedError("请实现QPSK解调函数")
+    bits_out = []
+    for s in symbols:
+        dists = [np.abs(s - pt) for pt in ref_points]
+        idx = int(np.argmin(dists))
+        bits_out.extend(bit_map[idx])
+    return np.array(bits_out, dtype=int)
 
 
 def qam16_demodulate(symbols):
@@ -114,12 +117,24 @@ def qam16_demodulate(symbols):
         < -2/√10 → 10
     """
 
-    # TODO: 实现16-QAM解调
-    # 提示：可以采用两种方法
-    # 方法1：遍历16个参考点，找最小距离（简单但慢）
-    # 方法2：分别判决I路和Q路（快速且实用）
-
-    raise NotImplementedError("请实现16-QAM解调函数")
+    # 16-QAM解调：分别判决I/Q分量
+    norm = np.sqrt(10)
+    I = np.real(symbols) * norm
+    Q = np.imag(symbols) * norm
+    def gray_decode(x):
+        if x > 2:
+            return [0, 0]
+        elif x > 0:
+            return [0, 1]
+        elif x > -2:
+            return [1, 1]
+        else:
+            return [1, 0]
+    bits_out = []
+    for i, q in zip(I, Q):
+        bits_out.extend(gray_decode(i))
+        bits_out.extend(gray_decode(q))
+    return np.array(bits_out, dtype=int)
 
 
 def test_demodulation():