汉明码在BSC与AWGN信道下的误码率仿真与性能分析)
简介本资源面向通信原理、信道编码课程的学习者与仿真实践者围绕1511汉明码在BSC与AWGN两类信道下的误码率性能展开提供可直接运行的MATLAB完整代码。包内共12个文件以6个m脚本为核心另含2张仿真结果图、2份docx说明文档、1个txt关键词文件及1个asv备份文件压缩包约219KB结构紧凑、便于快速定位与复现。仿真分两条链路一是发送数据经15-11-4汉明编码后送入BSC信道再经汉明译码并统计BER二是编码后接BSSK调制、AWGN信道、BPSK解调与汉明译码最终计算误码率。运行脚本即可直接出图直观对比两种信道下编码前后的误码率曲线帮助读者理解汉明码纠错能力与信道噪声的关系。目前已有581人学习下载适合课程设计、实验报告与入门仿真练习参考。1. 汉明码过 BSC 和 AWGN一条 15 位码字为什么值得你亲手跑一遍如果你正在做信道编码的课程设计、通信仿真作业或者刚接手一个需要评估纠错码性能的模块大概率绕不开这个组合(15,11) 汉明码 BSC AWGN 误码率。它看起来像教科书里的标准例题但真正动手跑一遍你会发现BSC 下的理论曲线和 AWGN 下的仿真曲线经常对不上差个零点几 dB 就能让你怀疑自己是不是哪里写错了。这不是玄学而是两种信道模型对错误的定义根本不同。(15,11) 汉明码的含义很直白每 11 个信息比特编成 15 个传输比特多出的 4 个校验比特能纠正 1 位错误。BSC二进制对称信道用翻转概率 p 描述错误AWGN加性高斯白噪声用信噪比 Eb/N0 描述噪声强度。把同一个码分别扔进这两种信道画出误码率随参数变化的曲线你就能直观看到纠错码到底在什么条件下真正起作用什么条件下反而帮倒忙。这篇内容适合通信/电子相关方向的学生和工程师也适合任何想搞清楚编码增益到底怎么量化的人。下面从原理到代码一步步把它跑通。2. 先把 (15,11) 汉明码的编译码逻辑钉死2.1 生成矩阵和校验矩阵怎么来的汉明码的核心参数满足 n 2^m - 1k n - m。取 m4就得到 n15k11校验位数 r4。这不是随便凑的4 个校验位能表示 16 种状态其中 1 种表示无错剩下 15 种恰好对应 15 个可能出错的位置——这就是汉明码能纠 1 位错的根本原因。构造生成矩阵 G 的常见做法是先写出所有非零的 4 位列向量作为校验矩阵 H 的列然后通过列置换把 H 整理成 [P^T | I_r] 的形式对应的 G 就是 [I_k | P]。我一般直接用 Python 生成避免手算 15×11 的矩阵出错import numpy as np def build_hamming_15_11(): 构造 (15,11) 汉明码的生成矩阵 G 和校验矩阵 H m, n, k 4, 15, 11 # 列出所有非零 4 位二进制列向量按二进制值 1~15 排列 cols [] for i in range(1, 16): cols.append([(i (3 - j)) 1 for j in range(4)]) H_raw np.array(cols, dtypeint).T # 4x15 # 列置换把 H 变成 [P^T | I_4]需要找到 4 个线性无关且构成单位阵的列 # 这里直接选第 1,2,4,8 列对应二进制只有一位为 1 的列 perm [0, 1, 3, 7] [i for i in range(15) if i not in [0, 1, 3, 7]] H H_raw[:, perm] # 此时 H 的后 4 列应为单位阵验证一下 assert np.array_equal(H[:, 11:], np.eye(4, dtypeint)), 列置换失败 P H[:, :11].T # 11x4 G np.hstack([np.eye(11, dtypeint), P]) # 11x15 return G, H G, H build_hamming_15_11() print(G shape:, G.shape, H shape:, H.shape) # 验证正交性G H^T 应为全零矩阵模 2 print(G H^T mod 2:\n, (G H.T) % 2)这段代码的关键在于列置换那一步。H 的列顺序决定了哪些位置是校验位、哪些是信息位也直接影响后面译码时错误位置的计算。选第 1,2,4,8 列作为单位阵部分是因为它们的二进制表示只有一个非零位方便后续用 syndrome 直接读出错误位置。如果你换一组列G 和 H 都会变但纠错能力不变——这是线性分组码的性质不是 bug。2.2 编码11 位信息怎么变成 15 位码字编码就是模 2 矩阵乘法c u · G其中 u 是 1×11 的信息向量c 是 1×15 的码字。听起来简单但实际写代码时有两个容易翻车的地方一是数据类型二是批量处理时的维度对齐。def encode_block(u_bits, G): 对单个 11 位信息块编码返回 15 位码字 u np.array(u_bits, dtypeint).reshape(1, -1) c (u G) % 2 return c.flatten() def encode_stream(info_bits, G, k11): 对任意长度的比特流分段编码 pad_len (-len(info_bits)) % k padded np.concatenate([info_bits, np.zeros(pad_len, dtypeint)]) blocks padded.reshape(-1, k) codewords np.array([encode_block(b, G) for b in blocks]) return codewords, pad_len # 测试 info np.random.randint(0, 2, 11) cw encode_block(info, G) print(信息位:, info) print(码字: , cw) print(校验位:, cw[11:])encode_stream里的 pad_len 处理是血泪经验如果你的信息比特数不是 11 的整数倍不补齐直接 reshape 会报错或者静默截断。补齐的零比特在接收端要去掉否则误码率统计会把填充位也算进去导致结果偏低。这个坑我在第一次做仿真时踩过曲线漂亮得不像话后来发现是把填充的零当成了正确接收的信息位。2.3 译码syndrome 怎么定位错误位译码的核心是计算 syndromes r · H^T mod 2。如果 s 是全零向量说明接收码字没有错误或者错误恰好构成另一个合法码字但汉明码的最小距离是 3这种情况只可能发生在 2 位以上错误时。如果 s 非零它直接对应 H 中某一列那一列的位置就是错误位。def decode_block(r_bits, H): 对单个 15 位接收码字译码返回 11 位信息位和纠错标志 r np.array(r_bits, dtypeint).reshape(1, -1) s (r H.T) % 2 s_vec s.flatten() if np.all(s_vec 0): # 无错误 return r.flatten()[:11], 0 else: # 在 H 的列中查找匹配的 syndrome for j in range(15): if np.array_equal(H[:, j], s_vec): # 翻转第 j 位 corrected r.flatten().copy() corrected[j] ^ 1 return corrected[:11], 1 # syndrome 不在 H 的列中说明发生了不可纠错误≥2 位 return r.flatten()[:11], -1 def decode_stream(received, H, k11): 批量译码 results [] flags [] for r in received: info, flag decode_block(r, H) results.append(info) flags.append(flag) return np.array(results), np.array(flags)这里有个细节值得注意当 syndrome 非零但不在 H 的任何一列中时说明发生了至少 2 位错误汉明码无法纠正。我的处理是返回 -1 标志上层统计时可以单独计算不可纠错误的比例。很多教程代码直接忽略这种情况导致误码率在低信噪比下偏低——因为那些本该算错的帧被悄悄纠正成了错误的信息位但统计时没被发现。提示H 的列顺序必须和编码时用的 G 严格对应。如果你在编码阶段做了列置换译码阶段的 H 也要做同样的置换否则 syndrome 定位会全部错位。3. BSC 信道仿真翻转概率 p 怎么设、误码率怎么统计3.1 BSC 的本质和你该关注的参数BSC 是最简单的信道模型每个比特以概率 p 独立翻转以概率 1-p 正确传输。它不关心噪声的物理来源只用一个参数 p 描述错误率。在 (15,11) 汉明码的语境下BSC 的 p 就是原始比特错误率Raw BER而经过译码后的误码率Decoded BER才是你真正关心的指标。BSC 下汉明码的理论性能可以直接算译码后错误发生的条件是码字中至少 2 位出错因为 1 位错能被纠正。对于 (15,11) 码译码后码字错误概率为P_cw_err 1 - (1-p)^15 - 15p(1-p)^14这个公式假设译码器在检测到不可纠错误时不采取任何额外措施。如果你用的是纠错检错混合策略比如检测到 2 位错时丢弃该码字性能会略有不同。我一般先用这个公式画理论曲线再和仿真结果对比验证代码逻辑是否正确。3.2 仿真代码从比特流到误码率曲线import numpy as np import matplotlib.pyplot as plt def simulate_bsc(info_bits, G, H, p, k11): 在 BSC 信道下仿真 (15,11) 汉明码的误码率 # 编码 codewords, pad_len encode_stream(info_bits, G, k) n_blocks, n codewords.shape # BSC 翻转 error_mask np.random.rand(n_blocks, n) p received (codewords error_mask) % 2 # 译码 decoded, flags decode_stream(received, H, k) # 统计误码率去掉填充位 original info_bits decoded_flat decoded.flatten()[:len(original)] bit_errors np.sum(decoded_flat ! original) ber bit_errors / len(original) # 统计不可纠错误帧比例 uncorrectable np.sum(flags -1) / n_blocks return ber, uncorrectable # 主仿真循环 np.random.seed(42) G, H build_hamming_15_11() n_info_bits 110000 # 10000 个码块 info_bits np.random.randint(0, 2, n_info_bits) p_values np.logspace(-3, -0.3, 15) ber_results [] theory_results [] for p in p_values: ber, uncorr simulate_bsc(info_bits, G, H, p) ber_results.append(ber) # 理论值译码后误比特率近似为 (2/15) * P_cw_err每个错误码字平均错 2 位 p_cw_err 1 - (1-p)**15 - 15*p*(1-p)**14 theory_results.append(p_cw_err * 2 / 15) plt.figure(figsize(8, 5)) plt.semilogy(p_values, ber_results, o-, label仿真 BER) plt.semilogy(p_values, theory_results, s--, label理论近似) plt.xlabel(BSC 翻转概率 p) plt.ylabel(译码后误码率) plt.legend() plt.grid(True, whichboth) plt.title((15,11) 汉明码在 BSC 下的性能) plt.show()这段代码有几个参数需要你根据实际情况调整。n_info_bits决定了仿真的统计精度10000 个码块在 p0.01 时大约能产生 1500 个错误码字统计误差在可接受范围内。如果你要跑 p0.001 的点信息比特数至少要加到 10^6 量级否则误码率会掉到零——不是真的零错误而是样本不够。p_values的范围我选了 10^-3 到 10^-0.3覆盖了汉明码从基本没用到完全失效的区间。在 p 0.001 时汉明码的纠错增益很明显当 p 0.1 时译码后误码率甚至可能高于原始 p因为多位错误的比例急剧上升纠错反而引入了额外的错误传播。3.3 理论曲线和仿真曲线对不上的三个原因第一次跑完你可能会发现仿真 BER 在低 p 区域比理论值高在高 p 区域又比理论值低。这不是代码写错了而是理论公式的假设和仿真条件有偏差。第一个原因是理论公式假设每个错误码字恰好错 2 位但实际上错 3 位、4 位的情况也存在只是概率更低。在 p 较大时这些高阶项不能忽略导致理论值偏低。第二个原因是填充位的处理如果你的信息比特数不是 11 的整数倍填充的零比特在译码后会被丢弃但它们参与了编码和信道传输可能影响错误分布。第三个原因是随机数种子单次仿真的方差在低误码率区域很大需要多次独立运行取平均或者直接加大样本量。注意如果你在 BSC 仿真中用了理想硬判决以外的译码策略比如软判决误码率会显著低于上述理论曲线。但 (15,11) 汉明码的标准译码是硬判决软判决需要完全不同的算法框架不在本文讨论范围内。4. AWGN 信道仿真从 Eb/N0 到软判决的完整链路4.1 AWGN 和 BSC 的本质区别BSC 直接告诉你每个比特以概率 p 翻转而 AWGN 信道给你的是带噪声的模拟信号。要把它变成比特流你需要经过调制、加噪、解调三个步骤。对于 BPSK 调制最常用的基准映射规则是 0 → 11 → -1加噪后的接收信号为 y x n其中 n 是均值为零、方差为 σ² 的高斯噪声。关键参数是 Eb/N0每比特能量与噪声功率谱密度之比。对于 BPSK误比特率与 Eb/N0 的关系是P_b Q(sqrt(2 * Eb/N0))其中 Q 函数是标准正态分布的尾概率。在仿真中你需要把 Eb/N0 从 dB 转换成线性值然后计算噪声标准差 σ sqrt(1 / (2 * Eb/N0 * R))其中 R k/n 11/15 是码率。4.2 硬判决和软判决两种译码策略的对比AWGN 信道下汉明码有两种译码方式。硬判决是先对每个接收符号做 BPSK 解调y 0 判为 0y 0 判为 1然后套用 BSC 的译码逻辑。软判决则直接利用模拟的 y 值计算每个比特为 0 或 1 的似然比再做最小距离译码。软判决的性能通常比硬判决好 1-2 dB但实现复杂度更高。def simulate_awgn(info_bits, G, H, ebn0_db, k11, n15, use_softFalse): 在 AWGN 信道下仿真 (15,11) 汉明码 rate k / n ebn0_linear 10 ** (ebn0_db / 10) sigma np.sqrt(1 / (2 * ebn0_linear * rate)) # 编码 codewords, pad_len encode_stream(info_bits, G, k) n_blocks codewords.shape[0] # BPSK 调制0 - 1, 1 - -1 symbols 1 - 2 * codewords # 加高斯噪声 noise sigma * np.random.randn(n_blocks, n) received_analog symbols noise if use_soft: # 软判决直接找与接收信号欧氏距离最近的合法码字 # 生成所有 2^11 个合法码字对于 (15,11) 码2048 个码字 all_info np.array([[int(b) for b in format(i, 011b)] for i in range(2**11)]) all_codewords (all_info G) % 2 all_symbols 1 - 2 * all_codewords # 2048 x 15 decoded [] for r in received_analog: # 计算与所有合法码字的欧氏距离 distances np.sum((all_symbols - r) ** 2, axis1) best_idx np.argmin(distances) decoded.append(all_info[best_idx]) decoded np.array(decoded) else: # 硬判决先解调再套用 BSC 译码 received_bits (received_analog 0).astype(int) decoded, flags decode_stream(received_bits, H, k) # 统计误码率 decoded_flat decoded.flatten()[:len(info_bits)] bit_errors np.sum(decoded_flat ! info_bits) ber bit_errors / len(info_bits) return ber # 对比硬判决和软判决 np.random.seed(42) G, H build_hamming_15_11() info_bits np.random.randint(0, 2, 110000) ebn0_range np.arange(0, 11, 1) ber_hard [] ber_soft [] ber_uncoded [] for ebn0_db in ebn0_range: ber_hard.append(simulate_awgn(info_bits, G, H, ebn0_db, use_softFalse)) ber_soft.append(simulate_awgn(info_bits, G, H, ebn0_db, use_softTrue)) # 未编码 BPSK 的理论误码率 from scipy.stats import norm ebn0_lin 10 ** (ebn0_db / 10) ber_uncoded.append(norm.sf(np.sqrt(2 * ebn0_lin))) plt.figure(figsize(8, 5)) plt.semilogy(ebn0_range, ber_hard, o-, label硬判决) plt.semilogy(ebn0_range, ber_soft, s-, label软判决) plt.semilogy(ebn0_range, ber_uncoded, k--, label未编码 BPSK) plt.xlabel(Eb/N0 (dB)) plt.ylabel(误码率) plt.legend() plt.grid(True, whichboth) plt.title((15,11) 汉明码在 AWGN 下的性能) plt.show()软判决的实现思路是最大似然译码遍历所有 2^11 2048 个合法码字找与接收信号欧氏距离最近的那个。对于 (15,11) 码这个计算量完全可以接受。但如果你用的是更长的码比如 (255,247)穷举法就不现实了需要用 Viterbi 或 BCJR 等算法。4.3 编码增益到底有多少从曲线上读出的数字跑完上面的代码你会看到三条曲线。在 BER 10^-4 处未编码 BPSK 需要大约 8.4 dB硬判决汉明码需要约 7.8 dB软判决需要约 6.9 dB。也就是说硬判决带来约 0.6 dB 的编码增益软判决带来约 1.5 dB。这个数字不算惊艳但考虑到 (15,11) 码的码率高达 0.733这个增益是免费的——你只牺牲了 27% 的带宽。如果你把码长增加到 (31,26) 或 (63,57)编码增益会进一步提升但提升幅度递减。这就是汉明码的定位它适合对复杂度敏感、对增益要求不高的场景比如早期的计算机内存纠错、简单的遥测链路。在现代通信系统中汉明码通常被 LDPC 或 Polar 码取代但作为理解信道编码的入门工具它的价值无可替代。提示软判决的仿真速度比硬判决慢很多因为每个码块都要遍历 2048 个候选码字。如果你要跑高 Eb/N0 区域BER 10^-6建议先用硬判决快速定位性能拐点再针对关键点跑软判决。5. 避坑与排查那些让曲线不对劲的细节5.1 现象BSC 仿真在低 p 时 BER 突然变成零原因样本量不够。当 p 0.001 时一个 15 位码字中出现 2 位错误的概率约为 C(15,2) * p² ≈ 0.001也就是说平均每 1000 个码块才有 1 个不可纠错误。如果你只仿真了 1000 个码块很可能一个错误都没抓到BER 显示为零。解决把信息比特数加到 10^6 以上或者用方差缩减技术如重要性采样。我一般会先跑一个小样本估计大致 BER 量级再反推需要的样本量要观察到 100 个错误事件样本量至少是 100 / BER。5.2 现象AWGN 仿真中硬判决性能比理论 BSC 差很多原因Eb/N0 和 BSC 的 p 之间的转换关系搞错了。BSC 的 p 对应的是解调后的比特错误率而 AWGN 的 Eb/N0 对应的是模拟信噪比。对于 BPSK 硬判决两者的关系是 p Q(sqrt(2 * Eb/N0 * R))。如果你忘了乘码率 R算出来的 p 会偏小导致理论曲线和仿真曲线对不上。解决在代码里显式写出转换公式并用未编码 BPSK 的曲线做验证。如果未编码曲线和理论值吻合说明 Eb/N0 的计算没问题。5.3 现象软判决译码在某些 Eb/N0 下比硬判决还差原因欧氏距离计算时用了错误的符号映射。BPSK 的映射是 0 → 11 → -1如果你反过来0 → -11 → 1软判决的最小距离搜索会全部错位。硬判决因为只关心符号的正负反而不受影响。解决在调制和解调两端统一符号映射规则并在代码里加一个断言对全零码字调制后的符号应该全是 1。5.4 现象译码后的信息位和原始信息位长度不一致原因填充位没有正确去除。encode_stream在信息比特末尾补了零decode_stream返回的是包含填充位的 11 位块。如果你直接展平比较长度会对不上。解决在编码时记录 pad_len译码后根据 pad_len 截断。或者更简单生成信息比特时直接取 11 的整数倍避免填充。5.5 现象仿真曲线抖动严重不同随机种子结果差异大原因单次仿真的统计方差。在 BER 10^-5 量级即使 10^6 个比特也只能观察到约 10 个错误置信区间很宽。解决对每个 Eb/N0 点跑 5-10 次独立仿真取均值和标准差。或者用更高效的蒙特卡洛方法比如对错误事件进行加权采样。6. 进阶技巧用 syndrome 分布快速验证译码器正确性跑完误码率曲线只是第一步。如果你想确认译码器逻辑真的没问题我推荐一个比看 BER 曲线更直接的方法统计 syndrome 的分布。在无噪声条件下所有合法码字的 syndrome 应该全为零在 BSC 下syndrome 应该只在 0 和 H 的 15 个列向量之间取值且每个非零 syndrome 的出现概率与对应位置的错误概率成正比。def syndrome_distribution(G, H, p, n_blocks50000): 统计 BSC 下 syndrome 的分布验证译码器逻辑 k, n 11, 15 info_bits np.random.randint(0, 2, n_blocks * k) codewords, _ encode_stream(info_bits, G, k) error_mask np.random.rand(n_blocks, n) p received (codewords error_mask) % 2 syndrome_counts {} for r in received: s tuple((r.reshape(1, -1) H.T % 2).flatten()) syndrome_counts[s] syndrome_counts.get(s, 0) 1 # 按出现次数排序 sorted_syndromes sorted(syndrome_counts.items(), keylambda x: -x[1]) print(fp {p}, 共 {len(sorted_syndromes)} 种 syndrome) for s, count in sorted_syndromes[:5]: print(f syndrome {s}: {count} 次 ({count/n_blocks*100:.2f}%)) # 验证非零 syndrome 应该对应 H 的列 H_cols [tuple(H[:, j]) for j in range(n)] invalid [s for s in syndrome_counts if s ! (0,0,0,0) and s not in H_cols] print(f 无效 syndrome 数量: {len(invalid)}) return syndrome_counts G, H build_hamming_15_11() syndrome_distribution(G, H, p0.05)这个方法的优势在于它不依赖误码率统计直接检查译码器的中间输出。如果出现了不在 H 列中的 syndrome说明要么 H 矩阵构造有误要么信道模型引入了非比特翻转的错误比如擦除。在 p0.05 时你应该看到大约 46% 的码块 syndrome 为零无错误约 37% 的码块 syndrome 对应单个错误位置剩下的约 17% 对应多位错误。另一个实用技巧是用全零码字做冒烟测试。把信息位全设为零编码后应该得到全零码字因为 G 的前 11 列是单位阵。然后手动翻转第 j 位译码器应该输出全零信息位并报告纠错标志。这个测试能快速定位 G 和 H 的对应关系是否搞反了——这是我最常犯的错误没有之一。最后一个习惯每次修改编译码逻辑后先跑一遍无噪声回环测试编码 → 译码 → 比较确认无误后再加信道。这个习惯帮我省下了大量调试时间也避免了很多曲线看起来对但其实是错的的尴尬情况。希望帮到你。本文还有配套的精品资源点击获取
简介本资源面向通信原理、信道编码课程的学习者与仿真实践者围绕1511汉明码在BSC与AWGN两类信道下的误码率性能展开提供可直接运行的MATLAB完整代码。包内共12个文件以6个m脚本为核心另含2张仿真结果图、2份docx说明文档、1个txt关键词文件及1个asv备份文件压缩包约219KB结构紧凑、便于快速定位与复现。仿真分两条链路一是发送数据经15-11-4汉明编码后送入BSC信道再经汉明译码并统计BER二是编码后接BSSK调制、AWGN信道、BPSK解调与汉明译码最终计算误码率。运行脚本即可直接出图直观对比两种信道下编码前后的误码率曲线帮助读者理解汉明码纠错能力与信道噪声的关系。目前已有581人学习下载适合课程设计、实验报告与入门仿真练习参考。1. 汉明码过 BSC 和 AWGN一条 15 位码字为什么值得你亲手跑一遍如果你正在做信道编码的课程设计、通信仿真作业或者刚接手一个需要评估纠错码性能的模块大概率绕不开这个组合(15,11) 汉明码 BSC AWGN 误码率。它看起来像教科书里的标准例题但真正动手跑一遍你会发现BSC 下的理论曲线和 AWGN 下的仿真曲线经常对不上差个零点几 dB 就能让你怀疑自己是不是哪里写错了。这不是玄学而是两种信道模型对错误的定义根本不同。(15,11) 汉明码的含义很直白每 11 个信息比特编成 15 个传输比特多出的 4 个校验比特能纠正 1 位错误。BSC二进制对称信道用翻转概率 p 描述错误AWGN加性高斯白噪声用信噪比 Eb/N0 描述噪声强度。把同一个码分别扔进这两种信道画出误码率随参数变化的曲线你就能直观看到纠错码到底在什么条件下真正起作用什么条件下反而帮倒忙。这篇内容适合通信/电子相关方向的学生和工程师也适合任何想搞清楚编码增益到底怎么量化的人。下面从原理到代码一步步把它跑通。2. 先把 (15,11) 汉明码的编译码逻辑钉死2.1 生成矩阵和校验矩阵怎么来的汉明码的核心参数满足 n 2^m - 1k n - m。取 m4就得到 n15k11校验位数 r4。这不是随便凑的4 个校验位能表示 16 种状态其中 1 种表示无错剩下 15 种恰好对应 15 个可能出错的位置——这就是汉明码能纠 1 位错的根本原因。构造生成矩阵 G 的常见做法是先写出所有非零的 4 位列向量作为校验矩阵 H 的列然后通过列置换把 H 整理成 [P^T | I_r] 的形式对应的 G 就是 [I_k | P]。我一般直接用 Python 生成避免手算 15×11 的矩阵出错import numpy as np def build_hamming_15_11(): 构造 (15,11) 汉明码的生成矩阵 G 和校验矩阵 H m, n, k 4, 15, 11 # 列出所有非零 4 位二进制列向量按二进制值 1~15 排列 cols [] for i in range(1, 16): cols.append([(i (3 - j)) 1 for j in range(4)]) H_raw np.array(cols, dtypeint).T # 4x15 # 列置换把 H 变成 [P^T | I_4]需要找到 4 个线性无关且构成单位阵的列 # 这里直接选第 1,2,4,8 列对应二进制只有一位为 1 的列 perm [0, 1, 3, 7] [i for i in range(15) if i not in [0, 1, 3, 7]] H H_raw[:, perm] # 此时 H 的后 4 列应为单位阵验证一下 assert np.array_equal(H[:, 11:], np.eye(4, dtypeint)), 列置换失败 P H[:, :11].T # 11x4 G np.hstack([np.eye(11, dtypeint), P]) # 11x15 return G, H G, H build_hamming_15_11() print(G shape:, G.shape, H shape:, H.shape) # 验证正交性G H^T 应为全零矩阵模 2 print(G H^T mod 2:\n, (G H.T) % 2)这段代码的关键在于列置换那一步。H 的列顺序决定了哪些位置是校验位、哪些是信息位也直接影响后面译码时错误位置的计算。选第 1,2,4,8 列作为单位阵部分是因为它们的二进制表示只有一个非零位方便后续用 syndrome 直接读出错误位置。如果你换一组列G 和 H 都会变但纠错能力不变——这是线性分组码的性质不是 bug。2.2 编码11 位信息怎么变成 15 位码字编码就是模 2 矩阵乘法c u · G其中 u 是 1×11 的信息向量c 是 1×15 的码字。听起来简单但实际写代码时有两个容易翻车的地方一是数据类型二是批量处理时的维度对齐。def encode_block(u_bits, G): 对单个 11 位信息块编码返回 15 位码字 u np.array(u_bits, dtypeint).reshape(1, -1) c (u G) % 2 return c.flatten() def encode_stream(info_bits, G, k11): 对任意长度的比特流分段编码 pad_len (-len(info_bits)) % k padded np.concatenate([info_bits, np.zeros(pad_len, dtypeint)]) blocks padded.reshape(-1, k) codewords np.array([encode_block(b, G) for b in blocks]) return codewords, pad_len # 测试 info np.random.randint(0, 2, 11) cw encode_block(info, G) print(信息位:, info) print(码字: , cw) print(校验位:, cw[11:])encode_stream里的 pad_len 处理是血泪经验如果你的信息比特数不是 11 的整数倍不补齐直接 reshape 会报错或者静默截断。补齐的零比特在接收端要去掉否则误码率统计会把填充位也算进去导致结果偏低。这个坑我在第一次做仿真时踩过曲线漂亮得不像话后来发现是把填充的零当成了正确接收的信息位。2.3 译码syndrome 怎么定位错误位译码的核心是计算 syndromes r · H^T mod 2。如果 s 是全零向量说明接收码字没有错误或者错误恰好构成另一个合法码字但汉明码的最小距离是 3这种情况只可能发生在 2 位以上错误时。如果 s 非零它直接对应 H 中某一列那一列的位置就是错误位。def decode_block(r_bits, H): 对单个 15 位接收码字译码返回 11 位信息位和纠错标志 r np.array(r_bits, dtypeint).reshape(1, -1) s (r H.T) % 2 s_vec s.flatten() if np.all(s_vec 0): # 无错误 return r.flatten()[:11], 0 else: # 在 H 的列中查找匹配的 syndrome for j in range(15): if np.array_equal(H[:, j], s_vec): # 翻转第 j 位 corrected r.flatten().copy() corrected[j] ^ 1 return corrected[:11], 1 # syndrome 不在 H 的列中说明发生了不可纠错误≥2 位 return r.flatten()[:11], -1 def decode_stream(received, H, k11): 批量译码 results [] flags [] for r in received: info, flag decode_block(r, H) results.append(info) flags.append(flag) return np.array(results), np.array(flags)这里有个细节值得注意当 syndrome 非零但不在 H 的任何一列中时说明发生了至少 2 位错误汉明码无法纠正。我的处理是返回 -1 标志上层统计时可以单独计算不可纠错误的比例。很多教程代码直接忽略这种情况导致误码率在低信噪比下偏低——因为那些本该算错的帧被悄悄纠正成了错误的信息位但统计时没被发现。提示H 的列顺序必须和编码时用的 G 严格对应。如果你在编码阶段做了列置换译码阶段的 H 也要做同样的置换否则 syndrome 定位会全部错位。3. BSC 信道仿真翻转概率 p 怎么设、误码率怎么统计3.1 BSC 的本质和你该关注的参数BSC 是最简单的信道模型每个比特以概率 p 独立翻转以概率 1-p 正确传输。它不关心噪声的物理来源只用一个参数 p 描述错误率。在 (15,11) 汉明码的语境下BSC 的 p 就是原始比特错误率Raw BER而经过译码后的误码率Decoded BER才是你真正关心的指标。BSC 下汉明码的理论性能可以直接算译码后错误发生的条件是码字中至少 2 位出错因为 1 位错能被纠正。对于 (15,11) 码译码后码字错误概率为P_cw_err 1 - (1-p)^15 - 15p(1-p)^14这个公式假设译码器在检测到不可纠错误时不采取任何额外措施。如果你用的是纠错检错混合策略比如检测到 2 位错时丢弃该码字性能会略有不同。我一般先用这个公式画理论曲线再和仿真结果对比验证代码逻辑是否正确。3.2 仿真代码从比特流到误码率曲线import numpy as np import matplotlib.pyplot as plt def simulate_bsc(info_bits, G, H, p, k11): 在 BSC 信道下仿真 (15,11) 汉明码的误码率 # 编码 codewords, pad_len encode_stream(info_bits, G, k) n_blocks, n codewords.shape # BSC 翻转 error_mask np.random.rand(n_blocks, n) p received (codewords error_mask) % 2 # 译码 decoded, flags decode_stream(received, H, k) # 统计误码率去掉填充位 original info_bits decoded_flat decoded.flatten()[:len(original)] bit_errors np.sum(decoded_flat ! original) ber bit_errors / len(original) # 统计不可纠错误帧比例 uncorrectable np.sum(flags -1) / n_blocks return ber, uncorrectable # 主仿真循环 np.random.seed(42) G, H build_hamming_15_11() n_info_bits 110000 # 10000 个码块 info_bits np.random.randint(0, 2, n_info_bits) p_values np.logspace(-3, -0.3, 15) ber_results [] theory_results [] for p in p_values: ber, uncorr simulate_bsc(info_bits, G, H, p) ber_results.append(ber) # 理论值译码后误比特率近似为 (2/15) * P_cw_err每个错误码字平均错 2 位 p_cw_err 1 - (1-p)**15 - 15*p*(1-p)**14 theory_results.append(p_cw_err * 2 / 15) plt.figure(figsize(8, 5)) plt.semilogy(p_values, ber_results, o-, label仿真 BER) plt.semilogy(p_values, theory_results, s--, label理论近似) plt.xlabel(BSC 翻转概率 p) plt.ylabel(译码后误码率) plt.legend() plt.grid(True, whichboth) plt.title((15,11) 汉明码在 BSC 下的性能) plt.show()这段代码有几个参数需要你根据实际情况调整。n_info_bits决定了仿真的统计精度10000 个码块在 p0.01 时大约能产生 1500 个错误码字统计误差在可接受范围内。如果你要跑 p0.001 的点信息比特数至少要加到 10^6 量级否则误码率会掉到零——不是真的零错误而是样本不够。p_values的范围我选了 10^-3 到 10^-0.3覆盖了汉明码从基本没用到完全失效的区间。在 p 0.001 时汉明码的纠错增益很明显当 p 0.1 时译码后误码率甚至可能高于原始 p因为多位错误的比例急剧上升纠错反而引入了额外的错误传播。3.3 理论曲线和仿真曲线对不上的三个原因第一次跑完你可能会发现仿真 BER 在低 p 区域比理论值高在高 p 区域又比理论值低。这不是代码写错了而是理论公式的假设和仿真条件有偏差。第一个原因是理论公式假设每个错误码字恰好错 2 位但实际上错 3 位、4 位的情况也存在只是概率更低。在 p 较大时这些高阶项不能忽略导致理论值偏低。第二个原因是填充位的处理如果你的信息比特数不是 11 的整数倍填充的零比特在译码后会被丢弃但它们参与了编码和信道传输可能影响错误分布。第三个原因是随机数种子单次仿真的方差在低误码率区域很大需要多次独立运行取平均或者直接加大样本量。注意如果你在 BSC 仿真中用了理想硬判决以外的译码策略比如软判决误码率会显著低于上述理论曲线。但 (15,11) 汉明码的标准译码是硬判决软判决需要完全不同的算法框架不在本文讨论范围内。4. AWGN 信道仿真从 Eb/N0 到软判决的完整链路4.1 AWGN 和 BSC 的本质区别BSC 直接告诉你每个比特以概率 p 翻转而 AWGN 信道给你的是带噪声的模拟信号。要把它变成比特流你需要经过调制、加噪、解调三个步骤。对于 BPSK 调制最常用的基准映射规则是 0 → 11 → -1加噪后的接收信号为 y x n其中 n 是均值为零、方差为 σ² 的高斯噪声。关键参数是 Eb/N0每比特能量与噪声功率谱密度之比。对于 BPSK误比特率与 Eb/N0 的关系是P_b Q(sqrt(2 * Eb/N0))其中 Q 函数是标准正态分布的尾概率。在仿真中你需要把 Eb/N0 从 dB 转换成线性值然后计算噪声标准差 σ sqrt(1 / (2 * Eb/N0 * R))其中 R k/n 11/15 是码率。4.2 硬判决和软判决两种译码策略的对比AWGN 信道下汉明码有两种译码方式。硬判决是先对每个接收符号做 BPSK 解调y 0 判为 0y 0 判为 1然后套用 BSC 的译码逻辑。软判决则直接利用模拟的 y 值计算每个比特为 0 或 1 的似然比再做最小距离译码。软判决的性能通常比硬判决好 1-2 dB但实现复杂度更高。def simulate_awgn(info_bits, G, H, ebn0_db, k11, n15, use_softFalse): 在 AWGN 信道下仿真 (15,11) 汉明码 rate k / n ebn0_linear 10 ** (ebn0_db / 10) sigma np.sqrt(1 / (2 * ebn0_linear * rate)) # 编码 codewords, pad_len encode_stream(info_bits, G, k) n_blocks codewords.shape[0] # BPSK 调制0 - 1, 1 - -1 symbols 1 - 2 * codewords # 加高斯噪声 noise sigma * np.random.randn(n_blocks, n) received_analog symbols noise if use_soft: # 软判决直接找与接收信号欧氏距离最近的合法码字 # 生成所有 2^11 个合法码字对于 (15,11) 码2048 个码字 all_info np.array([[int(b) for b in format(i, 011b)] for i in range(2**11)]) all_codewords (all_info G) % 2 all_symbols 1 - 2 * all_codewords # 2048 x 15 decoded [] for r in received_analog: # 计算与所有合法码字的欧氏距离 distances np.sum((all_symbols - r) ** 2, axis1) best_idx np.argmin(distances) decoded.append(all_info[best_idx]) decoded np.array(decoded) else: # 硬判决先解调再套用 BSC 译码 received_bits (received_analog 0).astype(int) decoded, flags decode_stream(received_bits, H, k) # 统计误码率 decoded_flat decoded.flatten()[:len(info_bits)] bit_errors np.sum(decoded_flat ! info_bits) ber bit_errors / len(info_bits) return ber # 对比硬判决和软判决 np.random.seed(42) G, H build_hamming_15_11() info_bits np.random.randint(0, 2, 110000) ebn0_range np.arange(0, 11, 1) ber_hard [] ber_soft [] ber_uncoded [] for ebn0_db in ebn0_range: ber_hard.append(simulate_awgn(info_bits, G, H, ebn0_db, use_softFalse)) ber_soft.append(simulate_awgn(info_bits, G, H, ebn0_db, use_softTrue)) # 未编码 BPSK 的理论误码率 from scipy.stats import norm ebn0_lin 10 ** (ebn0_db / 10) ber_uncoded.append(norm.sf(np.sqrt(2 * ebn0_lin))) plt.figure(figsize(8, 5)) plt.semilogy(ebn0_range, ber_hard, o-, label硬判决) plt.semilogy(ebn0_range, ber_soft, s-, label软判决) plt.semilogy(ebn0_range, ber_uncoded, k--, label未编码 BPSK) plt.xlabel(Eb/N0 (dB)) plt.ylabel(误码率) plt.legend() plt.grid(True, whichboth) plt.title((15,11) 汉明码在 AWGN 下的性能) plt.show()软判决的实现思路是最大似然译码遍历所有 2^11 2048 个合法码字找与接收信号欧氏距离最近的那个。对于 (15,11) 码这个计算量完全可以接受。但如果你用的是更长的码比如 (255,247)穷举法就不现实了需要用 Viterbi 或 BCJR 等算法。4.3 编码增益到底有多少从曲线上读出的数字跑完上面的代码你会看到三条曲线。在 BER 10^-4 处未编码 BPSK 需要大约 8.4 dB硬判决汉明码需要约 7.8 dB软判决需要约 6.9 dB。也就是说硬判决带来约 0.6 dB 的编码增益软判决带来约 1.5 dB。这个数字不算惊艳但考虑到 (15,11) 码的码率高达 0.733这个增益是免费的——你只牺牲了 27% 的带宽。如果你把码长增加到 (31,26) 或 (63,57)编码增益会进一步提升但提升幅度递减。这就是汉明码的定位它适合对复杂度敏感、对增益要求不高的场景比如早期的计算机内存纠错、简单的遥测链路。在现代通信系统中汉明码通常被 LDPC 或 Polar 码取代但作为理解信道编码的入门工具它的价值无可替代。提示软判决的仿真速度比硬判决慢很多因为每个码块都要遍历 2048 个候选码字。如果你要跑高 Eb/N0 区域BER 10^-6建议先用硬判决快速定位性能拐点再针对关键点跑软判决。5. 避坑与排查那些让曲线不对劲的细节5.1 现象BSC 仿真在低 p 时 BER 突然变成零原因样本量不够。当 p 0.001 时一个 15 位码字中出现 2 位错误的概率约为 C(15,2) * p² ≈ 0.001也就是说平均每 1000 个码块才有 1 个不可纠错误。如果你只仿真了 1000 个码块很可能一个错误都没抓到BER 显示为零。解决把信息比特数加到 10^6 以上或者用方差缩减技术如重要性采样。我一般会先跑一个小样本估计大致 BER 量级再反推需要的样本量要观察到 100 个错误事件样本量至少是 100 / BER。5.2 现象AWGN 仿真中硬判决性能比理论 BSC 差很多原因Eb/N0 和 BSC 的 p 之间的转换关系搞错了。BSC 的 p 对应的是解调后的比特错误率而 AWGN 的 Eb/N0 对应的是模拟信噪比。对于 BPSK 硬判决两者的关系是 p Q(sqrt(2 * Eb/N0 * R))。如果你忘了乘码率 R算出来的 p 会偏小导致理论曲线和仿真曲线对不上。解决在代码里显式写出转换公式并用未编码 BPSK 的曲线做验证。如果未编码曲线和理论值吻合说明 Eb/N0 的计算没问题。5.3 现象软判决译码在某些 Eb/N0 下比硬判决还差原因欧氏距离计算时用了错误的符号映射。BPSK 的映射是 0 → 11 → -1如果你反过来0 → -11 → 1软判决的最小距离搜索会全部错位。硬判决因为只关心符号的正负反而不受影响。解决在调制和解调两端统一符号映射规则并在代码里加一个断言对全零码字调制后的符号应该全是 1。5.4 现象译码后的信息位和原始信息位长度不一致原因填充位没有正确去除。encode_stream在信息比特末尾补了零decode_stream返回的是包含填充位的 11 位块。如果你直接展平比较长度会对不上。解决在编码时记录 pad_len译码后根据 pad_len 截断。或者更简单生成信息比特时直接取 11 的整数倍避免填充。5.5 现象仿真曲线抖动严重不同随机种子结果差异大原因单次仿真的统计方差。在 BER 10^-5 量级即使 10^6 个比特也只能观察到约 10 个错误置信区间很宽。解决对每个 Eb/N0 点跑 5-10 次独立仿真取均值和标准差。或者用更高效的蒙特卡洛方法比如对错误事件进行加权采样。6. 进阶技巧用 syndrome 分布快速验证译码器正确性跑完误码率曲线只是第一步。如果你想确认译码器逻辑真的没问题我推荐一个比看 BER 曲线更直接的方法统计 syndrome 的分布。在无噪声条件下所有合法码字的 syndrome 应该全为零在 BSC 下syndrome 应该只在 0 和 H 的 15 个列向量之间取值且每个非零 syndrome 的出现概率与对应位置的错误概率成正比。def syndrome_distribution(G, H, p, n_blocks50000): 统计 BSC 下 syndrome 的分布验证译码器逻辑 k, n 11, 15 info_bits np.random.randint(0, 2, n_blocks * k) codewords, _ encode_stream(info_bits, G, k) error_mask np.random.rand(n_blocks, n) p received (codewords error_mask) % 2 syndrome_counts {} for r in received: s tuple((r.reshape(1, -1) H.T % 2).flatten()) syndrome_counts[s] syndrome_counts.get(s, 0) 1 # 按出现次数排序 sorted_syndromes sorted(syndrome_counts.items(), keylambda x: -x[1]) print(fp {p}, 共 {len(sorted_syndromes)} 种 syndrome) for s, count in sorted_syndromes[:5]: print(f syndrome {s}: {count} 次 ({count/n_blocks*100:.2f}%)) # 验证非零 syndrome 应该对应 H 的列 H_cols [tuple(H[:, j]) for j in range(n)] invalid [s for s in syndrome_counts if s ! (0,0,0,0) and s not in H_cols] print(f 无效 syndrome 数量: {len(invalid)}) return syndrome_counts G, H build_hamming_15_11() syndrome_distribution(G, H, p0.05)这个方法的优势在于它不依赖误码率统计直接检查译码器的中间输出。如果出现了不在 H 列中的 syndrome说明要么 H 矩阵构造有误要么信道模型引入了非比特翻转的错误比如擦除。在 p0.05 时你应该看到大约 46% 的码块 syndrome 为零无错误约 37% 的码块 syndrome 对应单个错误位置剩下的约 17% 对应多位错误。另一个实用技巧是用全零码字做冒烟测试。把信息位全设为零编码后应该得到全零码字因为 G 的前 11 列是单位阵。然后手动翻转第 j 位译码器应该输出全零信息位并报告纠错标志。这个测试能快速定位 G 和 H 的对应关系是否搞反了——这是我最常犯的错误没有之一。最后一个习惯每次修改编译码逻辑后先跑一遍无噪声回环测试编码 → 译码 → 比较确认无误后再加信道。这个习惯帮我省下了大量调试时间也避免了很多曲线看起来对但其实是错的的尴尬情况。希望帮到你。本文还有配套的精品资源点击获取
