别再死记硬背了！用Python+Matplotlib手动画出曼彻斯特、HDB3等8种编码波形（附代码）

用Python动态绘制8种数字编码波形：从理论到代码的沉浸式学习

在计算机网络与通信工程的学习中，数字编码理论常常让初学者感到抽象难懂。NRZ、RZ、曼彻斯特、HDB3这些术语背后，其实隐藏着精妙的信号设计哲学。本文将带你用Python的Matplotlib库，通过编写代码动态生成并对比8种常见编码的波形图，让枯燥的理论变成可视化的艺术。

1. 环境准备与基础概念

在开始绘制编码波形前，我们需要搭建Python环境并理解一些核心概念。推荐使用Anaconda创建独立环境，避免库版本冲突：

conda create -n signal_encoding python=3.8 conda activate signal_encoding pip install matplotlib numpy

数字编码的本质是将二进制数据转换为适合传输的电信号。不同的编码方案在以下维度存在差异：

• 同步能力：接收方能否准确识别比特边界
• 直流分量：信号中是否存在恒定电压偏移
• 带宽需求：编码后信号占用的频率范围
• 抗干扰性：对噪声和失真的容忍度

表：常见编码方案关键特性对比

2. 基础编码实现：NRZ与RZ家族

让我们从最简单的单极性不归零码(NRZ)开始。这种编码用高电平表示1，低电平表示0，在整个比特周期保持电平不变：

import numpy as np import matplotlib.pyplot as plt def nrz_encode(bits, bit_rate): time = np.linspace(0, len(bits)/bit_rate, len(bits)*100) signal = np.zeros(len(time)) for i, bit in enumerate(bits): signal[i*100:(i+1)*100] = bit return time, signal bits = [1,0,1,1,0,0,1,0] time, signal = nrz_encode(bits, bit_rate=1) plt.plot(time, signal) plt.title('NRZ Encoding') plt.show()

单极性归零码(RZ)的改进在于每个比特周期中间会回归零电平。这种编码虽然增加了同步信息，但也带来了带宽需求上升的问题：

def rz_encode(bits, bit_rate): time = np.linspace(0, len(bits)/bit_rate, len(bits)*100) signal = np.zeros(len(time)) for i, bit in enumerate(bits): signal[i*100:(i+0.5)*100] = bit signal[(i+0.5)*100:(i+1)*100] = 0 return time, signal

提示：双极性编码(NRZ/RZ)使用正负电平表示数据，能有效减小直流分量。在实现上只需将代码中的bit值映射为±1即可。

3. 自同步编码：曼彻斯特家族

曼彻斯特编码通过每个比特中间的跳变携带同步信息，其实现逻辑如下：

def manchester_encode(bits, bit_rate): time = np.linspace(0, len(bits)/bit_rate, len(bits)*100) signal = np.zeros(len(time)) for i, bit in enumerate(bits): if bit == 1: signal[i*100:(i+0.5)*100] = -1 signal[(i+0.5)*100:(i+1)*100] = 1 else: signal[i*100:(i+0.5)*100] = 1 signal[(i+0.5)*100:(i+1)*100] = -1 return time, signal

差分曼彻斯特编码则在比特开始处增加了一个参考跳变，其编码规则为：

1. 比特开始处有跳变表示0
2. 无跳变表示1
3. 比特中间始终有跳变

def diff_manchester_encode(bits, bit_rate): time = np.linspace(0, len(bits)/bit_rate, len(bits)*100) signal = np.ones(len(time)) last_level = 1 for i, bit in enumerate(bits): # 比特开始跳变规则 if bit == 0: last_level *= -1 signal[i*100:(i+0.5)*100] = last_level # 比特中间跳变 last_level *= -1 signal[(i+0.5)*100:(i+1)*100] = last_level return time, signal

4. 高级编码：AMI与HDB3实战

交替双极性反转码(AMI)通过交替极性解决直流分量问题，但当遇到连续0时仍会丢失同步信息：

def ami_encode(bits, bit_rate): time = np.linspace(0, len(bits)/bit_rate, len(bits)*100) signal = np.zeros(len(time)) polarity = 1 for i, bit in enumerate(bits): if bit == 1: signal[i*100:(i+1)*100] = polarity polarity *= -1 return time, signal

HDB3码在AMI基础上增加了破坏脉冲规则，有效解决了连续0问题。其编码过程较为复杂，需要跟踪多个状态：

def hdb3_encode(bits, bit_rate): time = np.linspace(0, len(bits)/bit_rate, len(bits)*100) signal = np.zeros(len(time)) polarity = 1 zero_count = 0 last_v_polarity = 0 i = 0 while i < len(bits): if bits[i] == 1: signal[i*100:(i+1)*100] = polarity polarity *= -1 zero_count = 0 i += 1 else: zero_count += 1 if zero_count == 4: if last_v_polarity == 0 or last_v_polarity != polarity: # 000V情况 signal[(i-3)*100:(i+1)*100] = [0,0,0,polarity] last_v_polarity = polarity polarity *= -1 else: # B00V情况 signal[(i-3)*100:(i+1)*100] = [-polarity,0,0,polarity] last_v_polarity = polarity zero_count = 0 i += 1 else: i += 1 return time, signal

注意：HDB3解码时需要检测破坏脉冲(V脉冲)，即与前一个非零脉冲同极性的脉冲，然后将其后第三个脉冲视为0。

5. 波形可视化与对比分析

将多种编码波形绘制在同一坐标系中，可以直观比较它们的特性差异：

encodings = { "NRZ": nrz_encode, "RZ": rz_encode, "Manchester": manchester_encode, "Diff Manchester": diff_manchester_encode, "AMI": ami_encode, "HDB3": hdb3_encode } bits = [1,0,1,1,0,0,0,0,1,0,1,0,0,0,0,0,1,1] plt.figure(figsize=(12, 8)) for idx, (name, encoder) in enumerate(encodings.items(), 1): plt.subplot(len(encodings), 1, idx) time, signal = encoder(bits, 1) plt.plot(time, signal) plt.title(name) plt.ylim(-1.5, 1.5) plt.tight_layout() plt.show()

从波形对比中可以观察到：

• NRZ/RZ：结构简单但存在直流分量
• 曼彻斯特：同步信息丰富但带宽需求高
• HDB3：兼顾同步与带宽效率，适合长距离传输

在实际项目中，选择编码方案时需要权衡以下因素：

1. 信道特性：带宽限制、噪声水平
2. 同步需求：时钟恢复难度
3. 实现复杂度：编解码电路或算法成本
4. 功耗考虑：信号跳变频率影响功耗

6. 常见问题与调试技巧

在实现编码波形生成时，有几个容易出错的点值得注意：

时间轴对齐问题

# 错误示例：时间点数量不匹配 time = np.linspace(0, len(bits), len(bits)*100) # 错误：未考虑bit_rate signal = np.zeros(len(bits)*100) # 正确长度 # 正确做法 time = np.linspace(0, len(bits)/bit_rate, len(bits)*100)

边界条件处理

在HDB3编码中，需要特别注意连续0出现在数据流开头或结尾时的处理：

# 在hdb3_encode函数开始处添加初始化 if len(bits) < 4: return time, np.zeros(len(time)) # 处理短于4bit的情况

可视化优化技巧

为使波形更专业，可以添加网格和比特分割线：

plt.grid(True, which='both', linestyle='--', alpha=0.5) for i in range(len(bits)+1): plt.axvline(x=i/bit_rate, color='gray', linestyle=':', alpha=0.5)

在通信系统仿真项目中，我经常需要将编码模块集成到更大的系统中。一个实用的建议是将编码器封装为类，方便维护状态：

class ManchesterEncoder: def __init__(self, bit_rate=1): self.bit_rate = bit_rate def encode(self, bits): time = np.linspace(0, len(bits)/self.bit_rate, len(bits)*100) signal = np.zeros(len(time)) for i, bit in enumerate(bits): if bit == 1: signal[i*100:(i+0.5)*100] = -1 signal[(i+0.5)*100:(i+1)*100] = 1 else: signal[i*100:(i+0.5)*100] = 1 signal[(i+0.5)*100:(i+1)*100] = -1 return time, signal