用Python和NumPy手把手复现DCO-OFDM与ACO-OFDM：从DFT对称性到可见光通信仿真

用Python和NumPy手把手复现DCO-OFDM与ACO-OFDM：从DFT对称性到可见光通信仿真

在可见光通信（VLC）系统中，如何高效地将数字信号转换为适合光强度调制的非负实信号，一直是工程师们关注的焦点。DCO-OFDM和ACO-OFDM作为两种主流的解决方案，其核心都建立在离散傅里叶变换（DFT）的对称性原理之上。本文将带你用Python和NumPy从零开始实现这两种调制方案，通过代码直观理解数学原理与实际应用之间的桥梁。

1. 理解DFT对称性与实信号生成

任何想要实现OFDM系统的工程师，都必须先掌握一个基本事实：时域实信号的频域表示必须满足共轭对称性。这个看似简单的数学性质，却是整个OFDM系统的基石。

让我们用NumPy来验证这个特性。首先创建一个满足共轭对称的频域信号：

import numpy as np N = 64 # DFT点数 k = np.arange(N) X = np.zeros(N, dtype=complex) # 随机生成前N/2-1个子载波（不包括直流和Nyquist频率） X[1:N//2] = np.random.randn(N//2-1) + 1j*np.random.randn(N//2-1) # 设置共轭对称部分 X[N//2+1:] = np.conj(X[1:N//2][::-1]) # 直流分量必须为实数 X[0] = np.random.randn() # Nyquist频率分量（当N为偶数时）也必须为实数 X[N//2] = np.random.randn()

现在进行逆变换并检查时域信号的虚部：

x = np.fft.ifft(X) print("时域信号最大虚部绝对值:", np.max(np.abs(x.imag)))

你会发现虚部几乎为零（实际是浮点误差），这正是共轭对称性带来的结果。这个简单的实验揭示了OFDM系统设计的第一原则：要生成实值的时域OFDM符号，频域分配必须精心设计以满足共轭对称。

2. DCO-OFDM实现与直流偏置优化

DCO-OFDM（直流偏置光OFDM）的核心思想很简单：生成实值OFDM符号后，加上足够大的直流偏置使其非负。但实际操作中，直流偏置的选择直接影响系统功率效率。

让我们实现一个完整的DCO-OFM调制流程：

def dco_ofdm_modulate(bit_sequence, N, clip_ratio=0.1): # 将比特序列映射为QAM符号 M = 4 # QAM阶数 qam_symbols = qam_mapping(bit_sequence, M) # 频域符号分配（满足共轭对称） X = np.zeros(N, dtype=complex) active_carriers = N//2 - 1 X[1:1+active_carriers//2] = qam_symbols[:active_carriers//2] X[-active_carriers//2:] = np.conj(qam_symbols[active_carriers//2:][::-1]) # IFFT变换 x = np.fft.ifft(X).real # 计算所需直流偏置 dc_bias = -np.min(x) * (1 + clip_ratio) x_dc = x + dc_bias # 削波处理 x_clipped = np.clip(x_dc, 0, None) return x_clipped, dc_bias

关键参数clip_ratio控制削波程度。通过实验我们可以观察不同偏置下的信号波形：

import matplotlib.pyplot as plt N = 64 bits = np.random.randint(0, 2, 200) x_clipped1, dc1 = dco_ofdm_modulate(bits, N, 0.05) x_clipped2, dc2 = dco_ofdm_modulate(bits, N, 0.2) plt.figure(figsize=(10, 4)) plt.subplot(1,2,1) plt.plot(x_clipped1) plt.title(f'Clip ratio=5%, DC bias={dc1:.2f}') plt.subplot(1,2,2) plt.plot(x_clipped2) plt.title(f'Clip ratio=20%, DC bias={dc2:.2f}') plt.tight_layout() plt.show()

从实验结果可以看出：

• 较小的clip_ratio：需要更大的直流偏置，功率效率低但削波噪声小
• 较大的clip_ratio：直流偏置较小，功率效率高但削波噪声影响更显著

实际系统中需要在功率效率和信号质量之间做出权衡。一个实用的技巧是根据信号统计特性动态调整偏置量：

def adaptive_dc_bias(x, target_clip_prob=0.01): hist, bin_edges = np.histogram(x, bins=100, density=True) cdf = np.cumsum(hist) * (bin_edges[1]-bin_edges[0]) clip_threshold = bin_edges[np.where(cdf >= target_clip_prob)[0][0]] return -clip_threshold

3. ACO-OFDM实现与奇子载波调制

ACO-OFDM（非对称削波光OFDM）采用了一种更巧妙的方案：仅使用奇数子载波传输数据，利用其特殊的时域对称性，使得直接削波不会丢失信息。

实现ACO-OFDM的关键步骤如下：

def aco_ofdm_modulate(bit_sequence, N): assert N % 2 == 0, "N must be even for ACO-OFDM" # 比特到QAM符号映射 M = 4 qam_symbols = qam_mapping(bit_sequence, M) # 仅使用奇数子载波 X = np.zeros(N, dtype=complex) odd_indices = np.arange(1, N//2, 2) X[odd_indices] = qam_symbols[:len(odd_indices)] X[N - odd_indices] = np.conj(qam_symbols[:len(odd_indices)]) # IFFT变换 x = np.fft.ifft(X).real # 非对称削波 x_clipped = np.where(x > 0, x, 0) return x_clipped

ACO-OFDM最神奇的特性在于：削波噪声只会出现在偶数子载波上，而数据仅通过奇数子载波传输。我们可以通过仿真验证这一特性：

def analyze_aco_clipping_noise(N=64, num_symbols=1000): # 生成测试信号 bits = np.random.randint(0, 2, num_symbols * (N//4 - 1) * 2) # 假设QPSK tx_signal = np.zeros(N * num_symbols) for i in range(num_symbols): symbol_bits = bits[i*(N//4 -1)*2 : (i+1)*(N//4 -1)*2] tx_signal[i*N : (i+1)*N] = aco_ofdm_modulate(symbol_bits, N) # 分析频域特性 X = np.fft.fft(tx_signal.reshape(num_symbols, N), axis=1) X_avg = np.mean(np.abs(X), axis=0) plt.figure() plt.stem(np.arange(N), X_avg) plt.xlabel('子载波索引') plt.ylabel('平均幅度') plt.title('ACO-OFDM削波后的频域能量分布') plt.show()

运行这个分析函数，你会清楚地看到能量主要集中在奇数子载波上，这正是ACO-OFDM抗削波噪声的核心机制。

4. 性能比较与系统设计考量

在实际系统设计中，选择DCO-OFDM还是ACO-OFDM需要考虑多个因素。我们通过一组对比实验来量化它们的差异：

误码率性能对比可以通过以下仿真代码实现：

def simulate_ber(snr_range, N=64, modulation='qpsk'): ber_dco = [] ber_aco = [] for snr_db in snr_range: # 生成随机比特流 num_bits = 10000 tx_bits = np.random.randint(0, 2, num_bits) # DCO-OFDM传输 x_dco = dco_ofdm_modulate(tx_bits, N) # 添加AWGN噪声 noise_power = 10**(-snr_db/10) noise = np.sqrt(noise_power) * np.random.randn(len(x_dco)) rx_dco = x_dco + noise # 解调与BER计算 ... # ACO-OFDM传输 x_aco = aco_ofdm_modulate(tx_bits, N) noise = np.sqrt(noise_power) * np.random.randn(len(x_aco)) rx_aco = x_aco + noise # 解调与BER计算 ... ber_dco.append(ber_dco) ber_aco.append(ber_aco) return ber_dco, ber_aco snr_range = np.arange(0, 20, 2) ber_dco, ber_aco = simulate_ber(snr_range) plt.figure() plt.semilogy(snr_range, ber_dco, label='DCO-OFDM') plt.semilogy(snr_range, ber_aco, label='ACO-OFDM') plt.xlabel('SNR (dB)') plt.ylabel('BER') plt.legend() plt.grid(True) plt.title('DCO-OFDM与ACO-OFDM性能比较') plt.show()

从仿真结果中我们可以得出几个实用结论：

1. 在高SNR区域：DCO-OFDM由于更高的频谱效率表现更好
2. 在低SNR区域：ACO-OFDM因其对削波噪声的免疫力更具优势
3. 功率受限系统：ACO-OFDM通常是更好的选择

5. 可见光通信系统集成实践

将我们实现的OFDM模块集成到完整的VLC仿真系统中，还需要考虑以下关键组件：

发射端处理链：

1. 前向纠错编码（如LDPC）
2. 比特交织
3. QAM映射
4. OFDM调制（DCO/ACO）
5. 添加同步前缀
6. 数模转换

接收端处理链：

1. 定时同步
2. 频偏估计与补偿
3. 去除循环前缀
4. FFT变换
5. 信道估计与均衡
6. QAM解映射
7. 解交织与解码

一个实用的帧结构设计示例：

def build_vlc_frame(payload_bits, N=64, cp_len=16, ofdm_type='dco'): # 添加帧头（同步序列） preamble = generate_preamble() # OFDM调制 if ofdm_type == 'dco': ofdm_symbol = dco_ofdm_modulate(payload_bits, N) else: ofdm_symbol = aco_ofdm_modulate(payload_bits, N) # 添加循环前缀 cp = ofdm_symbol[-cp_len:] frame = np.concatenate([preamble, cp, ofdm_symbol]) return frame

信道模型对系统性能影响显著。典型的室内VLC信道可以建模为：

def vlc_channel_model(tx_signal, distance, led_half_angle=60): # 路径损耗 angle_rad = np.deg2rad(led_half_angle) path_loss = (distance**2) / (np.cos(angle_rad)**2) # 多径效应（简化模型） impulse_response = np.exp(-np.arange(0, 10, 0.1)) impulse_response /= np.sum(impulse_response) # 卷积信道效应 rx_signal = np.convolve(tx_signal, impulse_response, mode='same') rx_signal = rx_signal / path_loss return rx_signal

在实际项目中，我曾遇到一个有趣的现象：当LED半角较小时，ACO-OFDM的性能优势会变得更加明显。这是因为窄角度导致接收功率降低，使得功率效率变得更为关键。这个发现促使我们在低照度应用场景中优先考虑ACO-OFDM方案。