9.2 设计最佳实践与实验基准

9.2 设计最佳实践与实验基准

本节摘要：把"先称后做、以差验收"的循环落成守则——上限预算与余量科目化的设计纪律、蒙特卡洛的置信区间速查、基准曲线的三个必读区（瀑布、地板、收敛）；附一张设计检查清单与仿真卫生守则。

先算上限，再画方案

信息论工程师与其他工程师的分界线，在于动手前是否先算理论读数。设计一条链路，第一步不是选调制方案，而是把香农-哈特利上限算出来贴在方案首页——所有后续方案的成绩都以"离上限几分贝"计价。同样，设计一个压缩器，先估信源熵率（第 9.1 节的工具），压缩比的验收线就是实测码长对熵率的比例；设计纠错方案，先算当前信道容量，码率的可行域立即显形。这一步的成本是几分钟的演算，收益是把"感觉不错"翻译成"差多少"——没有上限的设计评审只是品味讨论。

余量科目化是上限纪律的下半句。理论与实现的差距不是笼统的"打个折"，而是可拆解的科目：信道估计误差、实现损耗（滤波器非理想、量化精度）、编码余量（有限码长对渐近极限的距离）、衰落余量（对抗小尺度衰落的储备）、干扰余量（非白噪声环境）。每科目各自定值、各自验证——验收时哪一科目超支，改哪一科目，而不是整体加功率了事。第 8.1 节链路预算里"理论上限八点七、实际六到七"的差距，正是这几个科目的合计。

仿真的置信区间纪律

蒙特卡洛仿真是信息论工程的主要实验手段，它的可信度由统计纪律保证。核心是置信区间宽度速查：估计一个概率为 p 的量（误码率、中断率），N 次独立试验下估计值的标准差约为根号下 p 乘一减 p 除以 N——要可信地报告一个千分之一量级的误码率，需要多少样本？

# 蒙特卡洛置信区间宽度速查（估计误码率 p = 0.001）
from math import sqrt

p = 0.001
for N in [10_000, 100_000, 1_000_000, 10_000_000]:
    half_width = 1.96 * sqrt(p * (1 - p) / N)      # 95% 置信区间半宽
    print(f"N = {N:>10,}: 95% 置信区间 ± {half_width:.5f}"
          f"（相对误差 ± {half_width / p * 100:.1f}%）")
# 输出:
# N =     10,000: 95% 置信区间 ± 0.00062（相对误差 ± 61.9%）
# N =    100,000: 95% 置信区间 ± 0.00020（相对误差 ± 19.6%）
# N =  1,000,000: 95% 置信区间 ± 0.00006（相对误差 ± 6.2%）
# N = 10,000,000: 95% 置信区间 ± 0.00002（相对误差 ± 2.0%）
​

速查表藏着一个残酷事实：估计再小的概率，相对误差只由"期望事件次数"决定。万次试验期遇十次事件，相对误差约六成；百万次试验期遇一千次事件，相对误差仍有百分之六——想让相对误差降到百分之二，期遇事件数要上万。低误码率曲线（十的负六次方以下）靠直接仿真代价高昂，工程上的出路是重要性采样（人为放大错误事件再加权还原）或外推法（高误码率区拟合瀑布斜率再外推）——知道边界在哪，才不会把外推当实测。

⚠️ 常见坑：报告单点数字不报区间。两个仿真结果差百分之十五，在期遇事件数不足时完全是噪声波动，却被当成方案优劣写进结论。纪律只有一条：每个数字旁边写上它的置信区间，区间重叠的比较不作数。

基准曲线的三个必读区

纠错方案的标准成绩单是"误码率对信噪比"的曲线（对数纵轴）。读这张图要分三段，每段回答一个不同的问题。

误码率曲线的三段式读法

瀑布区回答"增益效率"：曲线每分贝压低多少个数量级的误码率，陡峭程度反映迭代译码的收敛锋利度——turbo 与 LDPC 的招牌就是近乎垂直的瀑布。拐点位置回答"离极限多远"：瀑布起点相对容量界需要几分贝——这是与理论对话的锚点，第 4 章那场"逼近容量"的六十年赛跑，记分牌就是这几分贝。地板区回答"最坏情况"：曲线在高信噪比区趋平不再下降，来自稀有害错序列、译码早停或实现缺陷——地板高度决定方案能否用于要求极低误码率的场景（存储、光纤），也常是论文实验图与产品规格表打架的地方。

基准实验的另一条纪律是控制变量：比较两个方案时，码长、码率、信道模型、译码迭代数、甚至随机种子集合都要对齐——任何一项不对齐，曲线间的差距就归因不了。多种子重复并报告方差（上一节的区间纪律），是最后一块拼图。

设计检查清单

这份清单浓缩自本册各章：第 4 章的容量纪律、第 5 章的余量与自适应、第 8 章的预算科目、第 9.1 节的估计偏差与自检。它不保证方案成功，但保证失败时知道挂在哪一科——工程成熟度的标志从来不是不出问题，而是问题出现时能定位。

低误码率的仿真经济学：三种提速手段

置信区间纪律宣布了直接仿真的高价之后，工程实践长出了三条降价路线，各有适用前提与代价。

重要性采样：人为提高错误事件的发概率（给噪声加偏置），跑出足够样本后按权重还原真实概率。诀窍是"把算力花在稀有事件上"——对瀑布区极陡的码，加速比可达几个数量级；代价是偏置分布的设计依赖对错误机理的理解，设计不当反而引入难以察觉的偏差。它适合验证"机制已知"的稀有错误。

外推法：在可负担的误码率区间（比如十的负三次方到十的负五次方）拟合曲线族的形状参数，再按拟合外推到十的负八次方。前提是误码机理在两个区间不切换——瀑布区外推通常可靠（同一译码失败机制主导），跨过错误地板再外推则纯属迷信。外推结果在报告里必须显式标注为外推，与实测点分开画线。

半解析法：把有闭式解的部分解析算掉（比如条件误码率对噪声分布的积分），只对随机性残余（交织、衰落）做仿真。适用于结构规整的系统，能把仿真维度砍掉一半以上。

三条路线共同的纪律是标定：先在可直接仿真的区间验证方法本身（重要性采样在中等概率区还原真实值、外推线穿过已有的实测点），再向低概率区推进。没有标定的加速方法比慢更危险——它给出"看起来精确"的错误数字。

基准实验的完整清单：从种子到结论

把散落各处的纪律收拢成一份可以照着做的操作单。事前：固定并记录所有超参数（码长、码率、迭代数、信道参数、随机种子集合）；对齐比较基线（相同码率下比较，或按频谱效率归一）；预注册判读标准（哪个指标、什么阈值算优）。事中：每组配置至少五个种子；边界自检先行（零信噪比无误码为零、高信噪比无误码收敛）；长跑任务断点续跑。事后：区间与方差随数字附上；曲线族分清实测与外推；差距归因到科目（实现、估计、编码、余量）。这份清单多数条目来自本册的教训集合——每一条都对应一类真实发生过的事故。

本节要点回顾

• 先算上限再设计：容量、熵率、失真界先贴在方案首页，一切成绩以"离上限多少"计价；
• 余量科目化：估计误差、实现损耗、编码余量、衰落、干扰各自定值各自验收，超支改科目而不是加功率；
• 蒙特卡洛相对误差由期遇事件数决定：期遇十次事件误差约两成，降到百分之五需要期遇上万次；低误码率用重要性采样或外推，且不把外推当实测；
• 基准曲线三段读法：瀑布区看增益效率、拐点对齐容量界、地板区看最坏情况——三个数讲完一个码的性格；
• 控制变量与区间纪律是基准实验可信度的底线，单点无区间的比较不作数。

守则交毕。下一节看向正在发生的变化：当接收端是模型、资源按任务计价时，通信的度量衡如何从比特迁往含义。