用Python和Matplotlib搞定RML2016.10a数据集手把手教你画IQ信号的三种图附完整代码在无线通信和信号处理领域IQ信号分析是理解调制技术的基础。RML2016.10a作为业内广泛使用的公开数据集包含了11种数字调制信号在不同信噪比下的样本。但对于刚入门的开发者来说如何用Python将这些抽象的信号数据转化为直观的可视化图表往往是个令人头疼的问题。本文将带你从零开始使用Matplotlib这个强大的绘图库逐步实现IQ信号的三种关键可视化时域图、星座图和功率谱。不同于简单的代码堆砌我们会深入每个步骤背后的原理解释关键参数的意义并提供可直接复用的完整代码。无论你是通信工程的学生还是刚接触信号处理的Python开发者都能通过这个实战教程快速上手。1. 环境准备与数据加载在开始绘制之前我们需要搭建好Python环境并正确加载数据集。推荐使用Anaconda创建独立的Python 3.8环境避免包版本冲突。以下是必需的库及其作用# 必需库安装命令 pip install numpy matplotlib pickle5RML2016.10a数据集以pickle格式存储这种二进制格式能高效保存Python对象。加载时需要注意两点一是文件路径处理二是编码方式。以下是经过优化的数据加载代码import pickle import numpy as np from pathlib import Path def load_rml_data(file_path): 安全加载RML2016.10a数据集 try: with open(file_path, rb) as f: # 注意原始数据集使用bytes编码 data pickle.load(f, encodingbytes) print(数据集加载成功) return data except FileNotFoundError: print(f错误文件 {file_path} 不存在) return None except Exception as e: print(f加载失败{str(e)}) return None # 示例使用 data_path RML2016.10a_dict.pkl # 替换为你的实际路径 Xd load_rml_data(data_path) if Xd is not None: # 提取所有调制类型和信噪比 mods sorted(list({k[0] for k in Xd.keys()})) snrs sorted(list({k[1] for k in Xd.keys()})) print(f包含的调制类型{mods}) print(f信噪比范围(dB){snrs})提示如果遇到UnicodeDecodeError尝试添加encodinglatin1参数。数据集中的键是bytes类型比较时需要保持一致。数据集结构解析主字典Xd的键是(modulation, SNR)元组每个键对应的值是形状为(N, 2, 128)的numpy数组N是该(调制,SNR)组合的样本数2表示I/Q两路信号128是每个信号的采样点数2. 绘制时域波形图时域图是最直观的信号观察方式它能展示信号幅度随时间的变化。对于IQ信号我们需要分别绘制I路(同相)和Q路(正交)分量。2.1 基础时域图绘制以下是改进后的时域图绘制函数增加了更多实用功能import matplotlib.pyplot as plt def plot_time_domain(data_dict, modbQPSK, snr10, sample_idx0, save_dirtime_plots): 绘制指定信号的时域波形 参数 data_dict: 加载的数据字典 mod: 调制类型(bytes) snr: 信噪比(int) sample_idx: 要绘制的样本索引 save_dir: 图片保存目录 Path(save_dir).mkdir(exist_okTrue) try: signal data_dict[(mod, snr)][sample_idx] except KeyError: print(f错误找不到调制{mod}和SNR{snr}的组合) return fig, ax plt.subplots(figsize(10, 4)) time_axis np.arange(signal.shape[1]) # 创建时间轴 # 绘制I/Q两路信号 ax.plot(time_axis, signal[0], labelI路, colorblue, alpha0.7) ax.plot(time_axis, signal[1], labelQ路, colorred, alpha0.7) # 美化图形 ax.set_title(f{mod.decode()}调制 {snr}dB (样本{sample_idx})) ax.set_xlabel(采样点) ax.set_ylabel(幅度) ax.legend() ax.grid(True, linestyle--, alpha0.5) # 保存图片 filename f{mod.decode()}_snr{snr}_sample{sample_idx}_time.png plt.savefig(Path(save_dir)/filename, bbox_inchestight, dpi120) plt.close() print(f时域图已保存为 {filename}) # 示例绘制QPSK调制在10dB信噪比的第一个样本 plot_time_domain(Xd, modbQPSK, snr10, sample_idx0)2.2 时域图分析技巧观察时域图时重点关注以下特征幅度变化不同调制方式的幅度变化模式不同PSK类调制通常保持恒定包络QAM类调制会有明显的幅度波动周期性寻找信号中的重复模式噪声水平高SNR时信号干净低SNR时噪声明显常见问题解决图形显示不完整调整plt.subplots(figsize(w,h))尺寸中文显示乱码添加plt.rcParams[font.sans-serif] [SimHei]保存图片不完整使用bbox_inchestight参数3. 构建星座图星座图是数字通信中最重要的可视化工具之一它将信号的I/Q分量以散点图形式展示直观反映调制符号在复平面的分布。3.1 星座图绘制实现改进后的星座图绘制函数增加了聚类分析和样式自定义def plot_constellation(data_dict, modbQPSK, snr18, samples100, save_dirconstellation): 绘制指定调制和SNR下的星座图 参数 samples: 要绘制的样本数量 Path(save_dir).mkdir(exist_okTrue) try: # 合并多个样本以增强可视化效果 all_samples np.vstack([data_dict[(mod, snr)][i] for i in range(samples)]) i_samples all_samples[:, 0, :].flatten() q_samples all_samples[:, 1, :].flatten() except KeyError: print(f错误找不到调制{mod}和SNR{snr}的组合) return fig, ax plt.subplots(figsize(8, 8)) # 使用散点图绘制星座点 scatter ax.scatter(i_samples, q_samples, cnp.arctan2(q_samples, i_samples), # 用相位着色 cmaphsv, alpha0.6, s10) # 添加颜色条表示相位 cbar plt.colorbar(scatter, axax) cbar.set_label(相位(弧度)) # 设置图形属性 ax.set_title(f{mod.decode()}星座图 {snr}dB (共{samples}个样本)) ax.set_xlabel(I分量) ax.set_ylabel(Q分量) ax.grid(True, linestyle--, alpha0.5) ax.axhline(0, colorblack, linewidth0.5) ax.axvline(0, colorblack, linewidth0.5) # 保存图片 filename f{mod.decode()}_snr{snr}_constellation.png plt.savefig(Path(save_dir)/filename, bbox_inchestight, dpi120) plt.close() print(f星座图已保存为 {filename}) # 示例绘制16QAM的星座图 plot_constellation(Xd, modb16QAM, snr18, samples200)3.2 星座图解读指南不同调制方式的典型星座特征调制类型星座点数量典型分布模式BPSK2实轴上的两个点QPSK4四个对角点8PSK8均匀分布在单位圆上16QAM164x4的网格排列信噪比(SNR)对星座图的影响高SNR点集紧凑聚类明显低SNR点集扩散边界模糊注意实际分析时建议固定SNR比较不同调制或固定调制比较不同SNR避免交叉干扰。4. 分析功率谱密度功率谱展示了信号功率在频域的分布对于分析信号带宽和干扰非常有用。4.1 功率谱计算与绘制改进版本增加了对数坐标和窗函数处理def plot_power_spectrum(data_dict, modbBPSK, snr10, sample_idx0, save_dirspectrum): 绘制信号的功率谱密度 Path(save_dir).mkdir(exist_okTrue) try: i_signal data_dict[(mod, snr)][sample_idx, 0] q_signal data_dict[(mod, snr)][sample_idx, 1] except KeyError: print(f错误找不到调制{mod}和SNR{snr}的组合) return # 合成复信号 iq_signal i_signal 1j * q_signal # 使用汉宁窗减少频谱泄漏 window np.hanning(len(iq_signal)) windowed_signal iq_signal * window # 计算FFT和功率谱 spectrum np.fft.fft(windowed_signal) freq np.fft.fftfreq(len(spectrum), d1.0) # 假设采样率为1Hz power np.abs(spectrum) ** 2 / (len(spectrum) * sum(window ** 2)) # 转换为dB单位 power_db 10 * np.log10(power) # 绘制 fig, ax plt.subplots(figsize(10, 4)) ax.plot(np.fft.fftshift(freq), np.fft.fftshift(power_db), linewidth1, colorblue) ax.set_title(f{mod.decode()}功率谱 {snr}dB (样本{sample_idx})) ax.set_xlabel(归一化频率) ax.set_ylabel(功率(dB)) ax.grid(True, linestyle--, alpha0.5) # 保存 filename f{mod.decode()}_snr{snr}_sample{sample_idx}_spectrum.png plt.savefig(Path(save_dir)/filename, bbox_inchestight, dpi120) plt.close() print(f功率谱图已保存为 {filename}) # 示例绘制OFDM信号的功率谱 plot_power_spectrum(Xd, modbOFDM, snr10, sample_idx0)4.2 功率谱分析要点功率谱分析中的关键参数窗函数选择汉宁窗(Hanning)通用选择平衡频率分辨率和幅值精度矩形窗最高频率分辨率但可能导致频谱泄漏平顶窗最佳幅值精度但分辨率较低频谱特征识别主瓣宽度反映信号带宽旁瓣水平显示频谱泄漏程度峰值位置指示载波频率调制方式识别线索单载波调制(如BPSK、QPSK)集中主瓣多载波调制(如OFDM)平坦宽带特性调幅信号(如AM-DSB)明显载波峰和边带5. 高级技巧与批量处理掌握了基础可视化后我们可以进一步优化分析流程实现自动化批量处理。5.1 多图对比分析创建对比函数方便比较不同条件下的信号特征def compare_modulations(data_dict, mod_list, snr10, sample_idx0): 同时比较多种调制方式的三种图形 fig, axes plt.subplots(len(mod_list), 3, figsize(15, 4*len(mod_list))) for row, mod in enumerate(mod_list): # 获取数据 try: signal data_dict[(mod, snr)][sample_idx] iq_signal signal[0] 1j * signal[1] except KeyError: print(f跳过不存在的组合{mod}{snr}dB) continue # 时域图 axes[row, 0].plot(signal[0], labelI, alpha0.7) axes[row, 0].plot(signal[1], labelQ, alpha0.7) axes[row, 0].set_title(f{mod.decode()}时域) axes[row, 0].legend() # 星座图 axes[row, 1].scatter(signal[0], signal[1], s5, alpha0.5) axes[row, 1].set_title(f{mod.decode()}星座图) axes[row, 1].axis(equal) # 功率谱 spectrum np.abs(np.fft.fft(iq_signal))**2 freq np.fft.fftfreq(len(spectrum)) axes[row, 2].plot(np.fft.fftshift(freq), np.fft.fftshift(10*np.log10(spectrum))) axes[row, 2].set_title(f{mod.decode()}功率谱) plt.tight_layout() plt.savefig(fcompare_mods_snr{snr}.png, dpi150) plt.close() # 示例比较三种调制方式 mods_to_compare [bBPSK, bQPSK, b16QAM] compare_modulations(Xd, mods_to_compare, snr10)5.2 批量处理与报告生成自动化处理整个数据集的函数def batch_process_dataset(data_dict, output_diranalysis_results): 批量处理数据集中的所有调制和SNR组合 root_dir Path(output_dir) root_dir.mkdir(exist_okTrue) # 获取所有唯一的调制和SNR组合 mods sorted(list({k[0] for k in data_dict.keys()})) snrs sorted(list({k[1] for k in data_dict.keys()})) for mod in mods: mod_dir root_dir / mod.decode() mod_dir.mkdir(exist_okTrue) for snr in snrs: if (mod, snr) not in data_dict: continue # 为每个(调制,SNR)组合创建子目录 snr_dir mod_dir / fSNR{snr} snr_dir.mkdir(exist_okTrue) # 处理前5个样本 for sample_idx in range(min(5, len(data_dict[(mod, snr)]))): # 时域图 plot_time_domain(data_dict, mod, snr, sample_idx, save_dirsnr_dir/time_domain) # 星座图 (每样本单独绘制) plot_constellation(data_dict, mod, snr, samples1, save_dirsnr_dir/constellation) # 功率谱 plot_power_spectrum(data_dict, mod, snr, sample_idx, save_dirsnr_dir/spectrum) print(f批量处理完成结果保存在 {output_dir}) # 执行批量处理 (注意这会生成大量文件) # batch_process_dataset(Xd)5.3 交互式可视化进阶对于更深入的分析可以结合Jupyter Notebook和ipywidgets创建交互式界面from ipywidgets import interact, Dropdown, IntSlider def interactive_plot(data_dict): # 创建可交互控件 mod_options sorted([m.decode() for m in {k[0] for k in data_dict.keys()}]) snr_options sorted({k[1] for k in data_dict.keys()}) interact def explore_signals( modulationDropdown(optionsmod_options, valueQPSK), snrDropdown(optionssnr_options, value10), sampleIntSlider(min0, max99, value0) ): mod_bytes modulation.encode() if (mod_bytes, snr) not in data_dict: print(所选组合不存在) return # 在一个图形中显示三种可视化 plt.figure(figsize(15, 4)) # 时域图 plt.subplot(1, 3, 1) signal data_dict[(mod_bytes, snr)][sample] plt.plot(signal[0], labelI) plt.plot(signal[1], labelQ) plt.title(f{modulation}时域图\nSNR{snr}dB 样本{sample}) plt.legend() # 星座图 plt.subplot(1, 3, 2) plt.scatter(signal[0], signal[1], s10, alpha0.5) plt.title(f{modulation}星座图) plt.axis(equal) # 功率谱 plt.subplot(1, 3, 3) iq_signal signal[0] 1j * signal[1] spectrum np.abs(np.fft.fft(iq_signal))**2 freq np.fft.fftfreq(len(spectrum)) plt.plot(np.fft.fftshift(freq), np.fft.fftshift(10*np.log10(spectrum))) plt.title(f{modulation}功率谱) plt.tight_layout() plt.show() # 在Jupyter Notebook中调用 # interactive_plot(Xd)
用Python和Matplotlib搞定RML2016.10a数据集：手把手教你画IQ信号的三种图（附完整代码）
用Python和Matplotlib搞定RML2016.10a数据集手把手教你画IQ信号的三种图附完整代码在无线通信和信号处理领域IQ信号分析是理解调制技术的基础。RML2016.10a作为业内广泛使用的公开数据集包含了11种数字调制信号在不同信噪比下的样本。但对于刚入门的开发者来说如何用Python将这些抽象的信号数据转化为直观的可视化图表往往是个令人头疼的问题。本文将带你从零开始使用Matplotlib这个强大的绘图库逐步实现IQ信号的三种关键可视化时域图、星座图和功率谱。不同于简单的代码堆砌我们会深入每个步骤背后的原理解释关键参数的意义并提供可直接复用的完整代码。无论你是通信工程的学生还是刚接触信号处理的Python开发者都能通过这个实战教程快速上手。1. 环境准备与数据加载在开始绘制之前我们需要搭建好Python环境并正确加载数据集。推荐使用Anaconda创建独立的Python 3.8环境避免包版本冲突。以下是必需的库及其作用# 必需库安装命令 pip install numpy matplotlib pickle5RML2016.10a数据集以pickle格式存储这种二进制格式能高效保存Python对象。加载时需要注意两点一是文件路径处理二是编码方式。以下是经过优化的数据加载代码import pickle import numpy as np from pathlib import Path def load_rml_data(file_path): 安全加载RML2016.10a数据集 try: with open(file_path, rb) as f: # 注意原始数据集使用bytes编码 data pickle.load(f, encodingbytes) print(数据集加载成功) return data except FileNotFoundError: print(f错误文件 {file_path} 不存在) return None except Exception as e: print(f加载失败{str(e)}) return None # 示例使用 data_path RML2016.10a_dict.pkl # 替换为你的实际路径 Xd load_rml_data(data_path) if Xd is not None: # 提取所有调制类型和信噪比 mods sorted(list({k[0] for k in Xd.keys()})) snrs sorted(list({k[1] for k in Xd.keys()})) print(f包含的调制类型{mods}) print(f信噪比范围(dB){snrs})提示如果遇到UnicodeDecodeError尝试添加encodinglatin1参数。数据集中的键是bytes类型比较时需要保持一致。数据集结构解析主字典Xd的键是(modulation, SNR)元组每个键对应的值是形状为(N, 2, 128)的numpy数组N是该(调制,SNR)组合的样本数2表示I/Q两路信号128是每个信号的采样点数2. 绘制时域波形图时域图是最直观的信号观察方式它能展示信号幅度随时间的变化。对于IQ信号我们需要分别绘制I路(同相)和Q路(正交)分量。2.1 基础时域图绘制以下是改进后的时域图绘制函数增加了更多实用功能import matplotlib.pyplot as plt def plot_time_domain(data_dict, modbQPSK, snr10, sample_idx0, save_dirtime_plots): 绘制指定信号的时域波形 参数 data_dict: 加载的数据字典 mod: 调制类型(bytes) snr: 信噪比(int) sample_idx: 要绘制的样本索引 save_dir: 图片保存目录 Path(save_dir).mkdir(exist_okTrue) try: signal data_dict[(mod, snr)][sample_idx] except KeyError: print(f错误找不到调制{mod}和SNR{snr}的组合) return fig, ax plt.subplots(figsize(10, 4)) time_axis np.arange(signal.shape[1]) # 创建时间轴 # 绘制I/Q两路信号 ax.plot(time_axis, signal[0], labelI路, colorblue, alpha0.7) ax.plot(time_axis, signal[1], labelQ路, colorred, alpha0.7) # 美化图形 ax.set_title(f{mod.decode()}调制 {snr}dB (样本{sample_idx})) ax.set_xlabel(采样点) ax.set_ylabel(幅度) ax.legend() ax.grid(True, linestyle--, alpha0.5) # 保存图片 filename f{mod.decode()}_snr{snr}_sample{sample_idx}_time.png plt.savefig(Path(save_dir)/filename, bbox_inchestight, dpi120) plt.close() print(f时域图已保存为 {filename}) # 示例绘制QPSK调制在10dB信噪比的第一个样本 plot_time_domain(Xd, modbQPSK, snr10, sample_idx0)2.2 时域图分析技巧观察时域图时重点关注以下特征幅度变化不同调制方式的幅度变化模式不同PSK类调制通常保持恒定包络QAM类调制会有明显的幅度波动周期性寻找信号中的重复模式噪声水平高SNR时信号干净低SNR时噪声明显常见问题解决图形显示不完整调整plt.subplots(figsize(w,h))尺寸中文显示乱码添加plt.rcParams[font.sans-serif] [SimHei]保存图片不完整使用bbox_inchestight参数3. 构建星座图星座图是数字通信中最重要的可视化工具之一它将信号的I/Q分量以散点图形式展示直观反映调制符号在复平面的分布。3.1 星座图绘制实现改进后的星座图绘制函数增加了聚类分析和样式自定义def plot_constellation(data_dict, modbQPSK, snr18, samples100, save_dirconstellation): 绘制指定调制和SNR下的星座图 参数 samples: 要绘制的样本数量 Path(save_dir).mkdir(exist_okTrue) try: # 合并多个样本以增强可视化效果 all_samples np.vstack([data_dict[(mod, snr)][i] for i in range(samples)]) i_samples all_samples[:, 0, :].flatten() q_samples all_samples[:, 1, :].flatten() except KeyError: print(f错误找不到调制{mod}和SNR{snr}的组合) return fig, ax plt.subplots(figsize(8, 8)) # 使用散点图绘制星座点 scatter ax.scatter(i_samples, q_samples, cnp.arctan2(q_samples, i_samples), # 用相位着色 cmaphsv, alpha0.6, s10) # 添加颜色条表示相位 cbar plt.colorbar(scatter, axax) cbar.set_label(相位(弧度)) # 设置图形属性 ax.set_title(f{mod.decode()}星座图 {snr}dB (共{samples}个样本)) ax.set_xlabel(I分量) ax.set_ylabel(Q分量) ax.grid(True, linestyle--, alpha0.5) ax.axhline(0, colorblack, linewidth0.5) ax.axvline(0, colorblack, linewidth0.5) # 保存图片 filename f{mod.decode()}_snr{snr}_constellation.png plt.savefig(Path(save_dir)/filename, bbox_inchestight, dpi120) plt.close() print(f星座图已保存为 {filename}) # 示例绘制16QAM的星座图 plot_constellation(Xd, modb16QAM, snr18, samples200)3.2 星座图解读指南不同调制方式的典型星座特征调制类型星座点数量典型分布模式BPSK2实轴上的两个点QPSK4四个对角点8PSK8均匀分布在单位圆上16QAM164x4的网格排列信噪比(SNR)对星座图的影响高SNR点集紧凑聚类明显低SNR点集扩散边界模糊注意实际分析时建议固定SNR比较不同调制或固定调制比较不同SNR避免交叉干扰。4. 分析功率谱密度功率谱展示了信号功率在频域的分布对于分析信号带宽和干扰非常有用。4.1 功率谱计算与绘制改进版本增加了对数坐标和窗函数处理def plot_power_spectrum(data_dict, modbBPSK, snr10, sample_idx0, save_dirspectrum): 绘制信号的功率谱密度 Path(save_dir).mkdir(exist_okTrue) try: i_signal data_dict[(mod, snr)][sample_idx, 0] q_signal data_dict[(mod, snr)][sample_idx, 1] except KeyError: print(f错误找不到调制{mod}和SNR{snr}的组合) return # 合成复信号 iq_signal i_signal 1j * q_signal # 使用汉宁窗减少频谱泄漏 window np.hanning(len(iq_signal)) windowed_signal iq_signal * window # 计算FFT和功率谱 spectrum np.fft.fft(windowed_signal) freq np.fft.fftfreq(len(spectrum), d1.0) # 假设采样率为1Hz power np.abs(spectrum) ** 2 / (len(spectrum) * sum(window ** 2)) # 转换为dB单位 power_db 10 * np.log10(power) # 绘制 fig, ax plt.subplots(figsize(10, 4)) ax.plot(np.fft.fftshift(freq), np.fft.fftshift(power_db), linewidth1, colorblue) ax.set_title(f{mod.decode()}功率谱 {snr}dB (样本{sample_idx})) ax.set_xlabel(归一化频率) ax.set_ylabel(功率(dB)) ax.grid(True, linestyle--, alpha0.5) # 保存 filename f{mod.decode()}_snr{snr}_sample{sample_idx}_spectrum.png plt.savefig(Path(save_dir)/filename, bbox_inchestight, dpi120) plt.close() print(f功率谱图已保存为 {filename}) # 示例绘制OFDM信号的功率谱 plot_power_spectrum(Xd, modbOFDM, snr10, sample_idx0)4.2 功率谱分析要点功率谱分析中的关键参数窗函数选择汉宁窗(Hanning)通用选择平衡频率分辨率和幅值精度矩形窗最高频率分辨率但可能导致频谱泄漏平顶窗最佳幅值精度但分辨率较低频谱特征识别主瓣宽度反映信号带宽旁瓣水平显示频谱泄漏程度峰值位置指示载波频率调制方式识别线索单载波调制(如BPSK、QPSK)集中主瓣多载波调制(如OFDM)平坦宽带特性调幅信号(如AM-DSB)明显载波峰和边带5. 高级技巧与批量处理掌握了基础可视化后我们可以进一步优化分析流程实现自动化批量处理。5.1 多图对比分析创建对比函数方便比较不同条件下的信号特征def compare_modulations(data_dict, mod_list, snr10, sample_idx0): 同时比较多种调制方式的三种图形 fig, axes plt.subplots(len(mod_list), 3, figsize(15, 4*len(mod_list))) for row, mod in enumerate(mod_list): # 获取数据 try: signal data_dict[(mod, snr)][sample_idx] iq_signal signal[0] 1j * signal[1] except KeyError: print(f跳过不存在的组合{mod}{snr}dB) continue # 时域图 axes[row, 0].plot(signal[0], labelI, alpha0.7) axes[row, 0].plot(signal[1], labelQ, alpha0.7) axes[row, 0].set_title(f{mod.decode()}时域) axes[row, 0].legend() # 星座图 axes[row, 1].scatter(signal[0], signal[1], s5, alpha0.5) axes[row, 1].set_title(f{mod.decode()}星座图) axes[row, 1].axis(equal) # 功率谱 spectrum np.abs(np.fft.fft(iq_signal))**2 freq np.fft.fftfreq(len(spectrum)) axes[row, 2].plot(np.fft.fftshift(freq), np.fft.fftshift(10*np.log10(spectrum))) axes[row, 2].set_title(f{mod.decode()}功率谱) plt.tight_layout() plt.savefig(fcompare_mods_snr{snr}.png, dpi150) plt.close() # 示例比较三种调制方式 mods_to_compare [bBPSK, bQPSK, b16QAM] compare_modulations(Xd, mods_to_compare, snr10)5.2 批量处理与报告生成自动化处理整个数据集的函数def batch_process_dataset(data_dict, output_diranalysis_results): 批量处理数据集中的所有调制和SNR组合 root_dir Path(output_dir) root_dir.mkdir(exist_okTrue) # 获取所有唯一的调制和SNR组合 mods sorted(list({k[0] for k in data_dict.keys()})) snrs sorted(list({k[1] for k in data_dict.keys()})) for mod in mods: mod_dir root_dir / mod.decode() mod_dir.mkdir(exist_okTrue) for snr in snrs: if (mod, snr) not in data_dict: continue # 为每个(调制,SNR)组合创建子目录 snr_dir mod_dir / fSNR{snr} snr_dir.mkdir(exist_okTrue) # 处理前5个样本 for sample_idx in range(min(5, len(data_dict[(mod, snr)]))): # 时域图 plot_time_domain(data_dict, mod, snr, sample_idx, save_dirsnr_dir/time_domain) # 星座图 (每样本单独绘制) plot_constellation(data_dict, mod, snr, samples1, save_dirsnr_dir/constellation) # 功率谱 plot_power_spectrum(data_dict, mod, snr, sample_idx, save_dirsnr_dir/spectrum) print(f批量处理完成结果保存在 {output_dir}) # 执行批量处理 (注意这会生成大量文件) # batch_process_dataset(Xd)5.3 交互式可视化进阶对于更深入的分析可以结合Jupyter Notebook和ipywidgets创建交互式界面from ipywidgets import interact, Dropdown, IntSlider def interactive_plot(data_dict): # 创建可交互控件 mod_options sorted([m.decode() for m in {k[0] for k in data_dict.keys()}]) snr_options sorted({k[1] for k in data_dict.keys()}) interact def explore_signals( modulationDropdown(optionsmod_options, valueQPSK), snrDropdown(optionssnr_options, value10), sampleIntSlider(min0, max99, value0) ): mod_bytes modulation.encode() if (mod_bytes, snr) not in data_dict: print(所选组合不存在) return # 在一个图形中显示三种可视化 plt.figure(figsize(15, 4)) # 时域图 plt.subplot(1, 3, 1) signal data_dict[(mod_bytes, snr)][sample] plt.plot(signal[0], labelI) plt.plot(signal[1], labelQ) plt.title(f{modulation}时域图\nSNR{snr}dB 样本{sample}) plt.legend() # 星座图 plt.subplot(1, 3, 2) plt.scatter(signal[0], signal[1], s10, alpha0.5) plt.title(f{modulation}星座图) plt.axis(equal) # 功率谱 plt.subplot(1, 3, 3) iq_signal signal[0] 1j * signal[1] spectrum np.abs(np.fft.fft(iq_signal))**2 freq np.fft.fftfreq(len(spectrum)) plt.plot(np.fft.fftshift(freq), np.fft.fftshift(10*np.log10(spectrum))) plt.title(f{modulation}功率谱) plt.tight_layout() plt.show() # 在Jupyter Notebook中调用 # interactive_plot(Xd)
