AM(DSB-LC)调制过程
1. 引入与方法概述(原文要点整理与解释)
原文(要点):有几种方法可以产生 AM(DSB-LC)。一种特别容易解释的方法使用两个步骤:
① 通过添加 DC 偏置信号 B 来偏移消息信号 m(t);
② 将偏移消息信号 [B + m(t)] 乘以某个更高频率的正弦载波信号。
解释与讲授要点
将基带消息信号 m(t) 先加上一个恒定直流分量 B(称为偏置或载波分量),使得到的信号始终或在多数时间为正(或至少相对于零电平偏移)。然后将该偏移后的信号与高频正弦(或余弦)载波逐点相乘,得到幅度随基带信号变化的载波,即产生了含载波的振幅调制信号(DSB-LC,Double SideBand — Large Carrier)。
2. 数学表达(原文公式与释义)
原文公式:为在数学上表达该过程,AM 信号方程可以写为
逐项释义与展开

3. 实验示例与图示观察

原文要点:图 15.2 显示了 100 ms 的语音信号。图 15.3 显示了添加来自图 15.2 的语音信号和 5 mV 偏置的结果。在图 15.3 中,很明显语音信号加上 5 mV 并不总是保持正值。消息振幅需要降低或偏差值需要增加;否则,如果要将包络检波器用于消息恢复,将导致失真。图 15.4 显示了添加 20 mV 偏置的结果,很明显语音信号加偏置现在在所示的时间段内保持为正。图 15.5 显示语音信号调制(DSB-LC)一个 12 kHz 载波。
逐句讲解与技术说明
-
图 15.2(原始 100 ms 语音信号):这是一段采样后的基带语音波形,纵轴为电压,横轴为时间(ms)。语音信号在时间上是变化的,有正有负,峰值幅度决定了后续偏置的大小需求。

4. 关键概念延伸
包络检波的前提条件
5. MATLAB 实现要点
原文要点:AM 生成过程的最后一步是将正确偏置的消息信号乘以正弦信号(称为载波)。乘法是逐点操作,因此必须使用 MATLAB® 运算符“.*”。
实现步骤(示例化、可直接用于讲授或实验)

示例伪代码(MATLAB 风格)
% m: 基带列向量,Fs: 采样率
N = length(m);
t = (0:N-1)'/Fs;
B = 1.2 * max(abs(m)); % 举例:留 20% 安全裕度
Ac = 1; % 载波幅度(可调)
fc = 12000; % 12 kHz 示例载波
carrier = cos(2*pi*fc*t);
s = Ac * (B + m) .* carrier; % 逐点乘法
plot(t(1:round(0.1*Fs)), s(1:round(0.1*Fs))); % 绘制前 100 ms
关于 MATLAB 中的注意事项
-
使用逐点操作(
.*,./,.^)而不是矩阵乘法。 -
若对小信号幅度(mV 级)进行仿真,注意数值精度与绘图纵轴刻度。
-
如果准备将仿真结果送到硬件或 DSP(例如书中示例基于 TMS320C6x),应注意定点化、剪切以及采样率匹配问题。
6. 总结
核心结论

数字信号处理(DSP)在实际硬件系统中运行的几个核心原则:实时性约束、中断驱动机制以及数据表示的物理限制。
第一层面:为什么不能等待?(实时性的本质)
首先,我们要理解 DSP 和普通电脑处理文件的区别。
在普通的计算机处理中(比如你在电脑上编辑一个 Word 文档或处理一张照片),你通常拥有整个文件的数据。你可以随时读取文件的开头、中间或结尾,处理器可以花 1 秒钟也可以花 10 秒钟,只要最后结果出来就行。这叫做“离线处理”。
但 DSP 处理来自 ADC(模数转换器)的数据是实时的,就像你在接听电话或观看直播。
-
流水线作业:数据像流水一样源源不断地通过 ADC 涌入。如果不马上处理,新的数据就会覆盖旧的数据,导致信息丢失。
-
不能等待:正如文中提到的,“我们不能等待所有消息样本被接收”。你不能跟 ADC 说:“嘿,等你把这一小时的声音都录完了,我再开始计算。”因为那样需要巨大的存储空间,而且会造成巨大的延迟(你说话,对方一小时后才听到)。
-
结论:DSP 必须“随到随处理”,来一个样本,算一个样本,送出一个样本。
第二层面:怎么实现“随到随处理”?(中断驱动与 ISR)
既然必须“随到随处理”,处理器怎么知道数据来了呢?这就引入了**“中断驱动(Interrupt-Driven)”**的概念。
你可以把 DSP 芯片想象成一个正在专心看书(执行主程序)的人,而 ADC 是门外的快递员。
-
中断(Interrupt):快递员(ADC)送来了一个包裹(数据样本),他按了一下门铃。这个“门铃”就是硬件中断信号。
-
中断服务例程(ISR):听到门铃,你必须暂停看书,放下书签,去开门拿包裹,并把它放到指定位置。这个“开门拿包裹”的一系列动作,就是代码中的 ISR(Interrupt Service Routine)。
-
异步性:文中强调“输入和输出 ISR 都是异步的”。这意味着你不知道门铃什么时候响,它完全取决于外部的采样率(比如每秒响 48000 次)。你不能在主程序里写死代码去“等”数据,因为那样效率极低。
-
程序员的责任:如果你的“拿包裹动作(ISR)”太慢,还没等你在架子上放好,下一个快递员又按门铃了,系统就会崩溃(数据溢出)。因此,DSP 程序员的核心任务是写出极高效率的 ISR 代码,确保在下一次采样到来前处理完当前数据。
-
必要的“搬运工”:文中最后提到“除非您用适当的接收和传输 ISR……否则任何东西都不会进出”。这意味着,如果不开门(没有写好 ISR),数据就烂在门口了,DSP 内部算法再强大也拿不到数据。
第三层面:数据长什么样?(整数表示与溢出风险)
当数据终于通过 ISR 进入 DSP 内部后,你需要理解它的数学形态。
-
电压变整数:现实世界是模拟电压(比如 -1V 到 +1V),但计算机只认识 0 和 1。ADC 把电压映射为整数。
-
补码与范围:文中提到了16位二进制补码(Two's Complement)。
-
在 16 位系统中,能表示的整数总数是
= 65536$ 个。
-
为了表示正负,这些数字被分为两半:范围是从 -32,768 到 +32,767。
-
注意:这里有一个不对称性,负数比正数多一个(因为 0 占用了正数的一位,或者说非负数的一位)。
-
-
偏置与包络失真(Clipping):
-
这段话特别提到了 AM(调幅)信号的生成场景。在 AM 中,我们通常需要给信号加一个直流偏置(Bias),把信号“抬”起来,使其主要位于正值区域,或者是为了控制载波的幅度。
-
天花板与地板:DSP 的数字世界是有“天花板”(+32767)和“地板”(-32768)的。
-
警告:如果你设置的偏置(Bias)加上信号本身的波动,超过了 +32767,数值无法继续变大,就会被强行“削顶”(Clipping),产生严重的失真。文中提到“偏置电平必须不超过 +32768”其实是一个简化的说法,准确地说是“偏置 + 信号峰值”不能越界。
-
实验建议:作者最后建议你故意把偏置设得很大(比如大于 32768,虽然在 16 位里这本身就会发生溢出回绕),目的是让你通过实验去听或看,当数字系统发生**溢出(Overflow)**时,AM 信号的波形会变成什么样(通常会发生相位翻转或严重的杂音),以此来加深对数字范围限制的理解。
-
python运行代码
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
AM (DSB-LC) simulation and visualization script.
Features:
- Generate or read a baseband message signal (sine or WAV file).
- Add one or more DC biases B and produce biased baseband signals.
- Multiply (pointwise) biased baseband with a cosine carrier to form DSB-LC AM.
- Compute analytic signal via FFT-based Hilbert transform and extract envelope.
- Compute single-sided magnitude spectrum (dB).
- Produce and save PNG plots for: baseband, biased baseband, AM time-domain,
AM + envelope, and AM spectrum up to 24 kHz (configurable).
- Save a README and zip the result folder.
Dependencies:
- numpy
- matplotlib
- optional: scipy (for wav reading). If scipy unavailable, script uses synthetic signal.
Usage example:
python am_dsb_lc_sim.py --outdir ./am_results --fs 48000 --duration 0.1 \
--fm 1000 --amplitude 0.5 --biases 0.005 0.02 --fc 12000 --ac 1.0
Author: ChatGPT (assistant)
"""
import argparse
import os
from pathlib import Path
import numpy as np
import matplotlib
# Use a non-interactive backend for environments without display
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import zipfile
# Optional: try to import scipy.io.wavfile for WAV reading
try:
from scipy.io import wavfile
SCIPY_AVAILABLE = True
except Exception:
SCIPY_AVAILABLE = False
# -------------------------
# Utility functions
# -------------------------
def analytic_signal_fft(x):
"""
Compute analytic signal using FFT-based Hilbert transform.
Returns complex analytic signal xa such that envelope = |xa|.
"""
X = np.fft.fft(x)
N = len(X)
H = np.zeros(N, dtype=float)
# Construct frequency-domain multiplier H
if N % 2 == 0:
H[0] = 1
H[N // 2] = 1
H[1:N//2] = 2
else:
H[0] = 1
H[1:(N+1)//2] = 2
xa = np.fft.ifft(X * H)
return xa
def single_sided_spectrum_db(x, fs, nfft=16384):
"""
Compute single-sided magnitude spectrum (dB) of signal x.
Returns freqs (0..fs/2) and mag_db arrays.
"""
X = np.fft.fft(x, nfft)
X = X[:nfft//2 + 1]
mag = np.abs(X) / nfft
# avoid log of zero
mag[mag == 0] = 1e-20
mag_db = 20.0 * np.log10(mag)
freqs = np.linspace(0, fs/2, nfft//2 + 1)
return freqs, mag_db
def ensure_outdir(path):
p = Path(path)
p.mkdir(parents=True, exist_ok=True)
return p
def save_png(fig, path, dpi=200):
fig.tight_layout()
fig.savefig(path, dpi=dpi)
plt.close(fig)
# -------------------------
# Main simulation function
# -------------------------
def run_simulation(
outdir,
fs=48000,
duration=0.1,
message_type="sine",
fm=1000.0,
Am=0.5,
wav_path=None,
biases=(0.005, 0.02),
fc=12000.0,
Ac=1.0,
nfft=16384,
spectrum_max_khz=24.0
):
outdir = ensure_outdir(outdir)
# Time vector
t = np.arange(0, duration, 1.0/fs)
N = len(t)
# Message signal: either synthetic sine or WAV file (if provided and readable)
if message_type == "wav" and wav_path is not None and SCIPY_AVAILABLE:
wav_path = Path(wav_path)
if not wav_path.exists():
raise FileNotFoundError(f"WAV file not found: {wav_path}")
sr, data = wavfile.read(str(wav_path))
# If stereo, take first channel
if data.ndim > 1:
data = data[:, 0]
# Convert to float in range -1..1 if integer
if np.issubdtype(data.dtype, np.integer):
maxint = float(2**(8*data.itemsize - 1))
data = data.astype(np.float64) / maxint
# Resample if sampling rates differ (simple truncation/pad if needed)
if sr != fs:
# simple approach: resample via numpy interpolation
orig_t = np.arange(len(data)) / sr
new_t = np.arange(0, duration, 1.0/fs)
from numpy import interp
data = interp(new_t, orig_t, data[:min(len(data), int(duration*sr))])
t = new_t
N = len(t)
else:
# use portion that fits duration
data = data[:N]
m = Am * (data / np.max(np.abs(data))) # scale to requested amplitude Am
message_descr = f"WAV input: {wav_path.name} (rescaled to Am={Am} V)"
else:
# synthetic sine wave message
m = Am * np.sin(2.0 * np.pi * fm * t)
message_descr = f"Synthetic sine: fm={fm} Hz, Am={Am} V"
# Save baseband (message) plot
fig = plt.figure(figsize=(8,3))
plt.plot(t * 1000.0, m)
plt.xlabel("时间 / ms")
plt.ylabel("消息信号 / V")
plt.title(f"基带消息信号 - 时域 ({duration*1000:.0f} ms)\n{message_descr}")
plt.xlim(0, duration*1000.0)
save_png(fig, outdir / "message.png")
# Carrier
carrier = np.cos(2.0 * np.pi * fc * t)
# Process each bias
saved_files = []
for B in biases:
biased = B + m
s = Ac * biased * carrier # DSB-LC AM signal
# 1) save biased baseband
fig = plt.figure(figsize=(8,3))
plt.plot(t * 1000.0, biased)
plt.xlabel("时间 / ms")
plt.ylabel("偏置后消息信号 / V")
plt.title(f"偏置 B = {B*1e3:.1f} mV 的基带信号 - 时域")
plt.xlim(0, duration*1000.0)
fname_biased = outdir / f"biased_{int(B*1e6)}uV.png"
save_png(fig, fname_biased)
saved_files.append(fname_biased.name)
# 2) save AM waveform (time domain)
fig = plt.figure(figsize=(8,3))
plt.plot(t * 1000.0, s)
plt.xlabel("时间 / ms")
plt.ylabel("AM 信号 / V")
plt.title(f"DSB-LC AM 信号 (B={B*1e3:.1f} mV, fc={fc/1000:.1f} kHz)")
plt.xlim(0, duration*1000.0)
fname_am = outdir / f"am_{int(B*1e6)}uV.png"
save_png(fig, fname_am)
saved_files.append(fname_am.name)
# 3) envelope via analytic signal
xa = analytic_signal_fft(s)
envelope = np.abs(xa)
fig = plt.figure(figsize=(8,3))
plt.plot(t * 1000.0, s, label="AM 波形")
plt.plot(t * 1000.0, envelope, label="包络 (解析信号)")
plt.plot(t * 1000.0, -envelope, label="_nolegend_")
plt.xlabel("时间 / ms")
plt.ylabel("电压 / V")
plt.title(f"AM 信号与包络 (B = {B*1e3:.1f} mV)")
plt.xlim(0, duration*1000.0)
plt.legend(loc="upper right")
fname_env = outdir / f"am_envelope_{int(B*1e6)}uV.png"
save_png(fig, fname_env)
saved_files.append(fname_env.name)
# 4) spectrum (single-sided dB) up to spectrum_max_khz
freqs, mag_db = single_sided_spectrum_db(s, fs, nfft=nfft)
idx_max = np.searchsorted(freqs, spectrum_max_khz * 1000.0)
fig = plt.figure(figsize=(8,3))
plt.plot(freqs[:idx_max] / 1000.0, mag_db[:idx_max])
plt.xlabel("频率 / kHz")
plt.ylabel("幅度 / dB")
plt.title(f"AM 信号功率谱幅度 (B={B*1e3:.1f} mV)")
plt.xlim(0, spectrum_max_khz)
# autoset ylim to show reasonable dynamic range
ymin = np.min(mag_db[:idx_max])
ymax = np.max(mag_db[:idx_max])
plt.ylim(ymin - 5, ymax + 5)
fname_spec = outdir / f"spectrum_am_{int(B*1e6)}uV.png"
save_png(fig, fname_spec)
saved_files.append(fname_spec.name)
# Write README
readme_path = outdir / "README.txt"
with open(readme_path, "w", encoding="utf-8") as f:
f.write("AM (DSB-LC) 仿真结果\n")
f.write("=====================\n\n")
f.write(f"采样率 (Fs): {fs} Hz\n")
f.write(f"仿真时长: {duration} s\n")
f.write(f"消息: {message_descr}\n")
f.write(f"载波: fc = {fc} Hz, Ac = {Ac}\n")
f.write("偏置值 (B): " + ", ".join([f"{b} V" for b in biases]) + "\n\n")
f.write("文件列表:\n")
for name in sorted(saved_files):
f.write(f"- {name}\n")
f.write("- message.png\n")
f.write("\n说明:\n")
f.write("1. 若要使用外部 WAV 文件, 请在命令行使用 --message-type wav --wav-path <file.wav> 并确保已安装 scipy.\n")
f.write("2. 包络使用 FFT-based Hilbert transform 计算, 可用于演示包络检波的有效性或过调情况.\n")
# Zip the results
zip_path = Path(outdir.parent) / (outdir.name + ".zip")
with zipfile.ZipFile(zip_path, "w", zipfile.ZIP_DEFLATED) as zf:
for fpath in sorted(outdir.iterdir()):
zf.write(fpath, arcname=fpath.name)
print(f"Results saved to folder: {outdir}")
print(f"ZIP archive: {zip_path}")
print("Done.")
# -------------------------
# Command-line interface
# -------------------------
def parse_args():
p = argparse.ArgumentParser(description="AM (DSB-LC) simulation and visualization.")
p.add_argument("--outdir", default="./am_results", help="Output directory (will be created).")
p.add_argument("--fs", type=int, default=48000, help="Sampling frequency (Hz).")
p.add_argument("--duration", type=float, default=0.1, help="Simulation duration (seconds).")
p.add_argument("--message-type", choices=["sine", "wav"], default="sine",
help="Message source: 'sine' for synthetic sine, 'wav' to read WAV file (requires scipy).")
p.add_argument("--fm", type=float, default=1000.0, help="Message frequency (Hz) for synthetic sine.")
p.add_argument("--amplitude", type=float, default=0.5, help="Message amplitude (peak, V) for synthetic sine.")
p.add_argument("--wav-path", default=None, help="Path to WAV file if message-type==wav.")
p.add_argument("--biases", type=float, nargs="+", default=[0.005, 0.02],
help="List of DC biases (V). E.g. --biases 0.005 0.02")
p.add_argument("--fc", type=float, default=12000.0, help="Carrier frequency (Hz).")
p.add_argument("--ac", type=float, default=1.0, help="Carrier amplitude (Ac).")
p.add_argument("--nfft", type=int, default=16384, help="FFT length for spectrum.")
p.add_argument("--spectrum-max-khz", type=float, default=24.0, help="Max kHz to show in spectrum plot.")
return p.parse_args()
if __name__ == "__main__":
args = parse_args()
run_simulation(
outdir=args.outdir,
fs=args.fs,
duration=args.duration,
message_type=args.message_type,
fm=args.fm,
Am=args.amplitude,
wav_path=args.wav_path,
biases=tuple(args.biases),
fc=args.fc,
Ac=args.ac,
nfft=args.nfft,
spectrum_max_khz=args.spectrum_max_khz
)










400



被折叠的 条评论
为什么被折叠?



