2.3 噪声干扰与信道仿真建模

2.3 噪声干扰与信道仿真建模

前面两节把信号如何被削弱、被拨动讲清了，本节补上第三类损伤——噪声与干扰的量级估算，然后把这些"医学事实"装进仿真脚本：抽头延迟线加衰落生成的完整信道模型，让算法在逼真的空中损伤上先跑通再上场。

学习目标

阅读完本节，你应当能够：

1. 用 KTB 公式估算热噪声功率，理解"噪声底"为什么对接收机设计如此关键。
2. 区分加性热噪声、带外干扰、同频干扰，各举一个无线场景。
3. 搭一条抽头延迟线信道，把时延扩展、各径增益、瑞利衰落装配进去。
4. 说出"为什么仿真里要往返着验证，而不是只信一张理论曲线"。

一、噪声不是功能缺陷，是物理注定

接收机再干净，热噪声也消不掉——那是金属与电阻里电子热运动的固有产物。它的功率有定式，几乎每个射频工程师都背：

N = k · T · B，dBm 写法是 N_dBm = -174 + 10·log10(B)，再加噪声系数。

k·T·B 的别名"噪声底"里，k 是玻尔兹曼常数，T 开尔文温度，B 赫兹带宽。常温 8MHz 带宽一算，噪声底约 -174+69 = -105 dBm。够小？可接收机接收灵敏度到 -95 dBm，信噪比才 10 dB 上下，离香农说的"可靠边界"并不宽裕。所以噪声底决定了你能谈多少信噪比，进而决定容量。第 1.3 节的容量公式，落地时卡的就是这个数。

真实接收机还要叠一层噪声系数：LNA 与后面每一级混频、放大都会把等效噪声底抬高几 dB，端到端把理论底"撑大"。设想噪声系数 3 dB 的前端，你的等效噪声底就从 -105 抬到约 -102 dBm，灵敏度窗口被压缩 3 dB。低噪声放大器之所以总被摆在最前面，正因为它在噪声才刚进天线的第一时间就把它放大，从而让后面各级的相对噪声贡献被压倒——这一"第一级唯一原则"，是射频接收前端设计的底层直觉。

二、干扰：三类别人的信号

与噪声是"物理注定"不同，干扰是"别人家信号不请自来"，可分三类对症：

• 带外干扰（邻道泄漏）：相邻频道信号在接收机滤波器滤不干净时漏进来。对策是滤波+频谱发射掩蔽，属于治理。
• 同频干扰：相同频点上别人在用，比如蜂窝里相邻小区复用同一载频。对策是频率规划、干扰消除（第6章）、多用户检测。
• 窄带突发干扰：别的系统或元器件在特定频率突然发力。对策是频带跳变（跳频）、扩频抗窄带、干扰估计消除。

判断的尺度同样是信干噪比（SINR）而非信噪比——把干扰功率和噪声一起放分母。5G 系统设计里，真正卡容量的常常不是噪而是干扰，因为频谱早就复用得密密麻麻。

三、从损坏清单到可跑的信道模型

要验证一个算法，你得先在一张"足可复现的空中损坏场"上跑起来。最实用的信道模型是抽头延迟线：把信道冲激响应近似成有限个抽头，每个抽头一个复增益、一个相对时延。第 2.2 节的三径冲激响应天然就是这个形态。

关键参数来自前面标尺的迭代：

• 抽头数与时延：由时延扩展决定，抽头间相隔的一帧时间要按信道相干带宽定。
• 各抽头增益：大尺度用路径损耗+阴影决定平均功率；小尺度用（瑞利/莱斯）衰落滚出随机波动。
• 多普勒：按移动速度对应相干时间加进抽头，让信道随时间漂移。

这样既有大尺度的平均骨架，又有小尺度的剧烈抖动，还能漂移——三套损伤齐活。

从损伤清单到仿真库

四、一段能跑的信道采样

把上述装配落成可复现代码，体验"发一段、过信道、看残骸"。下面把历伤模型折成一个阵：每列一个时隙，行是一径，再用卷积+高斯噪声合成接收。

import numpy as np
TAPS = 3                       # 三径
delays = np.array([0, 1, 2])   # 相对时延（以采样间隔计）
tauRMS = 1.5                    # 时延扩展
sigma2 = np.exp(-delays / tauRMS)          # 越晚越弱的平均功率
gains = np.sqrt(sigma2) * (np.random.randn(TAPS) + 1j*np.random.randn(TAPS)) / np.sqrt(2)

x = np.array([1, 0, 0, 0, 0, 0, 0, 0])     # 一段冲激探测
h_full = np.zeros(len(x) + delays[-1])
for i, d in enumerate(delays):
    h_full[d] += gains[i]                    # 摆进各自时延
y = np.convolve(x, h_full) + 0.1 * np.random.randn(len(x) + delays[-1])
print("信道冲激响应（含噪声观测）：", np.round(y.real, 2))
​

这段代码把"多径+衰落+噪声"一次性喂给你：冲激进去，出来一条带着旁瓣和噪声尾巴的响应。看懂它，就懂了后续均衡器要对付的东西从哪来。

五、为什么仿真必须往返着验

扎实的实践者会问我：既然能建出模型、用公式算个大概，为何还要滚仿真？因为理论给的是平均，仿真给的是"某一个倒霉实例"。同样的瑞利信道，跑一万次会比一次更好地暴露深层故障——某次深衰落恰逢导频位置，估计就会崩。所以好习惯是：先理论定预期，再用信道仿真正反验证、再加足重玩次数看方差。这套"预期-仿真-对账"的循环，是判断算法是否真正稳定的试金石。

也因此，仿真脚本里常见一个朴素约定：固定随机种子、把遍历次数写进参数。固定种子保证结果可复现，方便别人跟你对账；遍历次数则决定你看到的是"一个幸运样本"还是"一整族样本的分布"。只看一次仿真的误码率是没有说服力的，那可能恰是一次深衰落撞出来的侥幸或倒霉。

本节要点回顾

• 热噪声底 N = kTB 是接收机灵敏度的物理下限，约 -174 dBm/Hz 量级。
• 干扰分带外、同频、突发三类，5G 场景常以干扰为容量主敌。
• 抽头延迟线用有限抽头承载多径，是信道仿真的主力骨架。
• 大尺度定平均、小尺度滚抖动、多普勒促漂移，三件套叠出逼真信道。
• 理论定预期、仿真抓单例、往返验证，是可靠设计的标准动作。

第二章看完了信道如何伤波形，第三、四章分头把发射与接收搭起来——先让波形在出发时就被装上抗伤的装备。