使用Python进行通信仿真（1）信号简介与常见信号

#导入所需的包
import numpy as np
import matplotlib.pyplot as plt

f=10    #频率定为10Hz
t=np.linspace(0 , 1 , 500)    #范围从0-1,等间隔取500个点
y=np.sin( 2*np.pi*f * t)    #此处的y也是500个点，与t的值一一对应

plt.figure(figsize=(10,4))    #创建一张10×4大小的图像
plt.plot(t,y)   #作出曲线

plt.show()    #注意：一定要有这行代码，否则图像不会显示！

得到信号图像：

下面简单解释一下代码:

t=np.linspace(0 , 1 , 500)

np.linspace(start,stop,num) 用于创建均匀间隔的一维序列，可以传入三个参数：依次为起始值，终止值，点的数量，得到的序列默认是包含起始值和终止值的。此处创建了范围在0-1之间等距的500个值组成的序列。

plt.figure(figsize=(10,4))

plt.figure( ) 创建一个图像，可以理解为一张空白的画布，其中的参数 figsize 可以控制画布的大小。在信号处理中，信号的时域波形和频谱的长宽比较大。此处创建了10×4大小的图像。这行代码下面的命令都是在这张画布的基础上进行绘图。

plt.plot(t,y)

plt.plot(a,b) 作出b关于a变化的图像，a和b是相同长度的np.ndarray对象，可由 np.linspace( ) 创建。此时a为自变量，b为因变量，该函数会将相邻的(a,b)点（横坐标为a中的值，纵坐标为b中对应的值）之间用直线相连。为了得到看上去平滑的曲线，需要减少相邻点的距离，即增加参与作图的点的个数，因此前面横坐标在0和1之间取了500个点。

连续信号与离散信号

信号可以分为连续信号和离散信号，连续信号在相应的时间区间内处处有值，且信号强度随着时间变化而连续变化，而离散信号只在特定的某些时间点有值。上面所作的正弦信号即为连续信号。

通常，作连续信号的图像时使用plt.plot命令将每个时间点对应的信号值相连，时间点越密集，曲线越平滑。同样的正弦信号在同样的时间区间内，下图是仅取100个时间点使用plt.plot命令后的效果：

可以看到出现了很多尖锐且不连续的部分。

离散时间信号的图像常用plt.stem命令，该命令会将各时间点的信号强度作为一个孤立的点进行绘制。例如，绘制信号

$y(t)=sin(2\pi f n)\ \ \ \ \ f=0.1Hz\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ (n\in [0,10],n\in Z)$

的图像，可采用以下代码：

#导入所需的包
import numpy as np
import matplotlib.pyplot as plt

f=0.1
t=np.linspace(0 , 10 , 11)  #在0-10中均匀取11个点，即0，1，2...10
y=np.sin( 2*np.pi*f * t)
plt.figure(figsize=(10,4))    #创建一张10×4大小的图像
plt.stem(t,y)   #作出离散信号图像

plt.show()
print(type(t))

作出的图像如图：

模拟信号与数字信号

若将离散时间信号在各个时间点上的信号幅值也取离散值，就形成了数字信号，数字信号具有易于传输、抗干扰能力强等特点；与之相反，在时间和幅值上都是连续的时间信号有时也称为模拟信号，自然界中的信号均为模拟信号。

利用Python绘制常见信号

接下来介绍一些常见信号在python中的绘制方法，同时穿插一些常见的画图函数的用法。

方波信号

在python中，可以利用Scipy中的signal模块中的square函数绘制方波。其用法如下：

singnal.square(t,duty=0.5) 传入两个参数，第一个是时间序列，是np.ndarray对象，第二个参数是占空比，默认为0.5，即50%。要注意的是，该函数产生的方波默认周期为 $2\pi$ ， $0-\pi$ 上值为1， $\pi -2\pi$ 值为-1。若想自己定周期或者频率，比如要想绘制[0,1]上频率为2Hz（即周期为0.5s）的方波，需要使用以下代码

t=np.linspace(0,1,500)    #在0-1上取500个点，即信号所在时间序列
f=2
y=signal.square(2*np.pi*f*t)    #在时间序列前乘上2*pi*f,是为了获得想要的频率

此代码绘制出的方波信号周期变为 $2\pi$ 除以信号所处的时间序列前面的系数，在 $x \in [0,\frac{\pi }{2\pi f} ]$ 时，函数值为1，在 $x \in [\frac{\pi }{2 \pi f},\frac{2 \pi}{2 \pi f}]$ 时，函数值为-1，即以 $\frac{2 \pi}{2 \pi f}= \frac{1}{f} =0.5s$ 为周期，前半周期为1，后半周期为-1。

完整代码如下：

#导入所需的包
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

#方波信号
t=np.linspace(0,1,500)
f=2                                       #2Hz
y=signal.square( 2*np.pi*f*t,duty=0.5)    #占空比为0.5的方波信号
plt.figure(figsize=(8,4))
plt.plot(t,y)

plt.show()

作出的方波如图所示

三角波信号

在python中，可以利用Scipy中的signal模块中的sawtooth函数绘制三角波。其用法如下：

signal.sawtooth(t,width), 第一个参数square函数相同，第二个参数指的是三角波的上升部分时间占一个周期的比例，取值范围为[0,1],默认为1，即在一整个周期都处于上升状态。若取值为0.5，则一个周期的前半部分上升，后半部分下降，此时，上升部分和下降部分所占时间相同。三角波周期和频率的计算与方波类似。比如，在[0,1]上作出频率为5Hz的三角波图像。width值分别取0.5和1，代码如下：

#导入所需的包
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

#三角波信号
t=np.linspace(0,1,500)
f=5                                         #5Hz
y1=signal.sawtooth( 2*np.pi*f*t,width=0.5)  #周期为2*pi/(2*pi*f) = 1/f
y2=signal.sawtooth( 2*np.pi*f*t,width=1)
plt.figure(figsize=(12,4))
plt.subplot(1,2,1)                          #第一幅图
plt.plot(t,y1)
plt.title('width=0.5,f=5Hz')                #添加标题

plt.subplot(1,2,2)                          #第二幅图
plt.plot(t,y2)
plt.title('width=1,f=5Hz')                  #添加标题

plt.show()

作出结果如下：

下面简单解释一下其中用到的部分作图函数

plt.subplot(1,2,1)

plt.subplot(raw,column,num)可将画布分成raw行，column列，共raw×column个分画布，并在第1个分画布上绘图，其序号从左往右，从上往下依次增大。这行代码就是将原来的大画布分成了一行两列，并在第一个（即左侧）子画布上绘图。

plt.title('width=0.5,f=5Hz')

plt.title(text)顾名思义，给当前画布起个标题。

复指数信号

复指数信号是形如 $f(t)=Ke^{st}$ 的信号，其中 $s=\sigma + j\omega$ ,利用欧拉公式可将该信号分解如下：

$Ke^{(\sigma+j\omega)t} = Ke^{\sigma t}cos \omega t\ +j Ke^{\sigma t}sin\omega t$

此时，该信号的实部与虚部分别包含了余弦信号和正弦信号，且都乘上了一个指数律变化的因子。复指数信号在现实中无法实现，但其包含了很多常见的信号。以其实部为例，利用以下代码对比不同的 $\sigma$ 和 $\omega$ 值对信号 $f(t)=Ke^{\sigma t}cos \omega t$ 的影响

#导入所需的包
import numpy as np
import matplotlib.pyplot as plt

t=np.linspace(0,5,500)
sigma1=1                #不同的参数值
sigma2=0
sigma3=-1
omega1=4*np.pi
omega2=0
K=1

plt.figure(figsize=(9,9))
y1=np.exp(sigma1*t)*np.cos(omega1*t)
y2=np.exp(sigma2*t)*np.cos(omega1*t)
y3=np.exp(sigma3*t)*np.cos(omega1*t)
y4=np.exp(sigma1*t)*np.cos(omega2*t)

plt.subplot(2,2,1)      #分成4张子图
plt.plot(t,y1)
plt.title('$\sigma = 1,\omega = 4\pi$')
plt.subplot(2,2,2)
plt.plot(t,y2)
plt.title('$\sigma = 0,\omega = 4\pi$')
plt.subplot(2,2,3)
plt.plot(t,y3)
plt.title('$\sigma = -1,\omega = 4\pi$')
plt.subplot(2,2,4)
plt.plot(t,y4)
plt.title('$\sigma = 1,\omega = 0$')

plt.show()

得到图像：

由图及理论计算可知：

当 $\sigma \textgreater 0,\omega \neq0$ 时，为增幅正弦信号

当 $\sigma =0,\omega \neq0$ 时，为等幅正弦信号

当 $\sigma <0,\omega \neq0$ 时，为减幅正弦信号

当 $\sigma \neq 0,\omega =0$ 时，为指数信号

显然，当 $\sigma =0,\omega =0$ 时，为直流信号

抽样信号

我们把形如 $f(t)=\frac{sint}{t}$ 的信号称为抽样信号，记为 $Sa(t)$ ,该信号在之后会经常用到。在python中可以利用辛格函数 $sinc(t)=\frac{sin(\pi t)}{\pi t}$ 产生抽样信号,使用np.sinc()进行绘制，代码如下：

#导入所需的包
import numpy as np
import matplotlib.pyplot as plt

#抽样信号
t=np.linspace(-5*np.pi,5*np.pi,500)
y=np.sinc(t/np.pi)
plt.figure()


plt.plot(t,y)

plt.show()

作出的图像：