Python+Matplotlib实战：AM与FM波形可视化全解析

在通信工程的学习中，调幅(AM)和调频(FM)是两个最基础也最容易混淆的概念。很多初学者面对教材中抽象的数学公式和理论描述时，常常感到一头雾水。本文将带你用Python和Matplotlib这两个强大的工具，通过代码实现和可视化对比，彻底搞懂这两种调制方式的本质区别。

1. 基础准备：搭建Python信号处理环境

在开始绘制AM和FM波形之前，我们需要配置好Python环境并导入必要的库。推荐使用Anaconda作为Python发行版，它已经集成了我们所需的大多数科学计算包。

首先安装核心依赖库：

pip install numpy matplotlib scipy

然后创建一个新的Python脚本文件，导入以下模块：

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

为了确保我们的模拟尽可能接近真实情况，我们需要定义一些基本参数：

# 时间参数
duration = 0.02  # 信号持续时间(秒)
sample_rate = 44100  # 采样率(Hz)
t = np.linspace(0, duration, int(duration * sample_rate), endpoint=False)

# 载波信号参数
carrier_freq = 1000  # 1kHz载波频率

# 调制信号参数
mod_freq = 100  # 100Hz调制频率
mod_index = 0.5  # 调制指数

2. 调幅(AM)波形生成与可视化

调幅是通过改变载波信号的幅度来传递信息的技术。让我们从生成基本的AM信号开始。

2.1 AM信号数学原理

AM信号的数学表达式为：

s(t) = [1 + m(t)] * c(t)

其中：

• m(t)是调制信号
• c(t)是载波信号
• 1是为了保证调制后的信号不会出现负值

2.2 Python实现AM调制

# 生成载波信号
carrier = np.sin(2 * np.pi * carrier_freq * t)

# 生成调制信号(正弦波)
modulating = np.sin(2 * np.pi * mod_freq * t)

# 生成AM信号
am_wave = (1 + mod_index * modulating) * carrier

2.3 可视化AM波形

plt.figure(figsize=(12, 8))

# 绘制调制信号
plt.subplot(3, 1, 1)
plt.plot(t, modulating)
plt.title('调制信号(100Hz)')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

# 绘制载波信号
plt.subplot(3, 1, 2)
plt.plot(t, carrier)
plt.title('载波信号(1kHz)')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

# 绘制AM信号
plt.subplot(3, 1, 3)
plt.plot(t, am_wave)
plt.title('调幅(AM)信号')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

运行这段代码，你将看到三个子图分别展示了调制信号、载波信号和最终的AM信号。注意观察AM信号的"包络"形状如何跟随调制信号变化。

2.4 AM信号频谱分析

为了更全面地理解AM信号，我们还需要分析它的频谱特性：

def plot_spectrum(signal, sample_rate, title):
    n = len(signal)
    freq = np.fft.rfftfreq(n, d=1/sample_rate)
    spectrum = np.abs(np.fft.rfft(signal)/n)
    
    plt.figure(figsize=(10, 4))
    plt.plot(freq, spectrum)
    plt.title(title)
    plt.xlabel('频率(Hz)')
    plt.ylabel('幅度')
    plt.grid()
    plt.show()

plot_spectrum(am_wave, sample_rate, 'AM信号频谱')

在频谱图中，你会看到三个明显的峰：中心频率(载波频率)和两个边带频率(载波频率±调制频率)。

3. 调频(FM)波形生成与可视化

调频是通过改变载波信号的频率来传递信息的技术。与AM不同，FM信号的幅度保持不变。

3.1 FM信号数学原理

FM信号的数学表达式为：

s(t) = sin(2πf_c t + 2πk_f ∫m(τ)dτ)

其中：

• f_c是载波频率
• k_f是频率偏差常数
• m(t)是调制信号

3.2 Python实现FM调制

# 计算频率调制后的相位
phase = 2 * np.pi * carrier_freq * t + 2 * np.pi * mod_index * np.cumsum(modulating) / sample_rate

# 生成FM信号
fm_wave = np.sin(phase)

3.3 可视化FM波形

plt.figure(figsize=(12, 8))

# 绘制调制信号
plt.subplot(3, 1, 1)
plt.plot(t, modulating)
plt.title('调制信号(100Hz)')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

# 绘制载波信号
plt.subplot(3, 1, 2)
plt.plot(t, carrier)
plt.title('载波信号(1kHz)')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

# 绘制FM信号
plt.subplot(3, 1, 3)
plt.plot(t, fm_wave)
plt.title('调频(FM)信号')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

观察FM信号，你会发现它的幅度保持不变，但波形的"疏密"程度随着调制信号变化而变化。

3.4 FM信号频谱分析

plot_spectrum(fm_wave, sample_rate, 'FM信号频谱')

FM信号的频谱比AM复杂得多，你会看到多个边带频率，这是FM信号的一个重要特征。

4. AM与FM波形对比分析

现在我们已经分别生成了AM和FM信号，让我们将它们放在一起比较，更直观地理解它们的区别。

4.1 时域波形对比

plt.figure(figsize=(12, 6))

plt.subplot(2, 1, 1)
plt.plot(t, am_wave)
plt.title('AM信号')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.subplot(2, 1, 2)
plt.plot(t, fm_wave)
plt.title('FM信号')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

关键区别点：

• AM信号 ：幅度变化明显，频率固定
• FM信号 ：幅度固定，频率变化明显（通过波形疏密体现）

4.2 频域特性对比

plt.figure(figsize=(12, 6))

# AM频谱
plt.subplot(2, 1, 1)
freq = np.fft.rfftfreq(len(am_wave), d=1/sample_rate)
spectrum = np.abs(np.fft.rfft(am_wave)/len(am_wave))
plt.plot(freq, spectrum)
plt.title('AM信号频谱')
plt.xlabel('频率(Hz)')
plt.ylabel('幅度')

# FM频谱
plt.subplot(2, 1, 2)
freq = np.fft.rfftfreq(len(fm_wave), d=1/sample_rate)
spectrum = np.abs(np.fft.rfft(fm_wave)/len(fm_wave))
plt.plot(freq, spectrum)
plt.title('FM信号频谱')
plt.xlabel('频率(Hz)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

频谱对比要点：

• AM频谱 ：简单的载波频率和两个边带
• FM频谱 ：复杂的多边带结构，带宽更宽

4.3 抗干扰能力对比

为了展示AM和FM在抗干扰能力上的差异，我们可以给信号添加一些噪声：

# 添加高斯白噪声
noise_level = 0.3
am_noisy = am_wave + noise_level * np.random.normal(size=len(am_wave))
fm_noisy = fm_wave + noise_level * np.random.normal(size=len(fm_wave))

# 绘制带噪声的信号
plt.figure(figsize=(12, 6))

plt.subplot(2, 1, 1)
plt.plot(t, am_noisy)
plt.title('带噪声的AM信号')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.subplot(2, 1, 2)
plt.plot(t, fm_noisy)
plt.title('带噪声的FM信号')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

从图中可以明显看出，FM信号在噪声环境下更能保持其信息完整性，而AM信号的质量下降更为明显。

5. 进阶应用：实际场景中的调制技术

理解了基本原理后，我们可以探索一些更接近实际应用的调制技术。

5.1 语音信号调制

让我们尝试用实际的语音信号而不是简单的正弦波作为调制信号。首先，我们需要录制或加载一个语音文件：

from scipy.io import wavfile

# 读取语音文件(假设有一个test.wav文件)
sample_rate_voice, voice_data = wavfile.read('test.wav')
voice_data = voice_data / np.max(np.abs(voice_data))  # 归一化

# 截取一小段语音
voice_segment = voice_data[:int(0.02 * sample_rate_voice)]

# 重新采样以匹配我们的时间轴
from scipy import interpolate
f = interpolate.interp1d(np.linspace(0, duration, len(voice_segment)), voice_segment, kind='linear')
voice_resampled = f(t)

现在��们可以用这个语音信号作为调制信号：

# AM调制语音
am_voice = (1 + 0.5 * voice_resampled) * carrier

# FM调制语音
phase_voice = 2 * np.pi * carrier_freq * t + 2 * np.pi * 5 * np.cumsum(voice_resampled) / sample_rate
fm_voice = np.sin(phase_voice)

# 绘制结果
plt.figure(figsize=(12, 6))

plt.subplot(2, 1, 1)
plt.plot(t, am_voice)
plt.title('语音AM调制')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.subplot(2, 1, 2)
plt.plot(t, fm_voice)
plt.title('语音FM调制')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

5.2 数字信号调制

我们还可以尝试用数字信号（如方波）作为调制信号：

# 生成数字调制信号
digital_signal = signal.square(2 * np.pi * mod_freq * t)

# AM数字调制
am_digital = (1 + 0.5 * digital_signal) * carrier

# FM数字调制
phase_digital = 2 * np.pi * carrier_freq * t + 2 * np.pi * 5 * np.cumsum(digital_signal) / sample_rate
fm_digital = np.sin(phase_digital)

# 绘制结果
plt.figure(figsize=(12, 6))

plt.subplot(2, 1, 1)
plt.plot(t, am_digital)
plt.title('数字信号AM调制')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.subplot(2, 1, 2)
plt.plot(t, fm_digital)
plt.title('数字信号FM调制')
plt.xlabel('时间(s)')
plt.ylabel('幅度')

plt.tight_layout()
plt.show()

6. 性能优化与实用技巧

在实际应用中，我们还需要考虑一些性能优化和实用技巧。

6.1 计算效率优化

对于长时间的信号模拟，直接计算可能会很慢。我们可以使用一些优化技巧：

# 使用预计算相位提高FM计算效率
def efficient_fm(mod_signal, carrier_freq, mod_index, sample_rate):
    phase = 2 * np.pi * carrier_freq * np.arange(len(mod_signal)) / sample_rate
    phase += 2 * np.pi * mod_index * np.cumsum(mod_signal) / sample_rate
    return np.sin(phase)

6.2 交互式可视化

使用Matplotlib的交互式功能可以更好地探索信号特性：

from matplotlib.widgets import Slider

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))
plt.subplots_adjust(bottom=0.25)

# 初始信号
l1, = ax1.plot(t, am_wave)
l2, = ax2.plot(t, fm_wave)
ax1.set_title('AM信号')
ax2.set_title('FM信号')

# 添加滑动条
axfreq = plt.axes([0.25, 0.1, 0.65, 0.03])
freq_slider = Slider(
    ax=axfreq,
    label='调制频率(Hz)',
    valmin=10,
    valmax=500,
    valinit=mod_freq,
)

def update(val):
    current_freq = freq_slider.val
    new_mod = np.sin(2 * np.pi * current_freq * t)
    
    # 更新AM信号
    new_am = (1 + mod_index * new_mod) * carrier
    l1.set_ydata(new_am)
    
    # 更新FM信号
    new_phase = 2 * np.pi * carrier_freq * t + 2 * np.pi * mod_index * np.cumsum(new_mod) / sample_rate
    new_fm = np.sin(new_phase)
    l2.set_ydata(new_fm)
    
    fig.canvas.draw_idle()

freq_slider.on_changed(update)
plt.show()

这个交互式界面允许你实时调整调制频率，观察AM和FM信号如何变化。