【Python源码】6G：PyTorch OFDM 教学仿真平台

📡 PyTorch 3GPP NR OFDM 教学仿真平台

PyTorch 深度学习与无线通信的完美融合 · 3GPP 标准逐行复现 从 Tensor 基础到 Autograd 信道估计 · 探索 AI for Science 的通信基石

📌 为什么通过本项目学习 PyTorch？

对着 PyTorch 文档 里的 backward() 发愁？只知道调库 import torch.nn 却不懂底层微分原理？想做 AI 通信 (AI-RAN) 却发现传统 MATLAB 仿真无法平滑迁移？

本平台提供了一套 教科书级 的 PyTorch 通信仿真教程，将抽象的张量操作映射到具象的物理层信号处理。

痛点 (学习困境)	本平台解决方案
🔴 张量操作抽象(dim, broadcast)	✅ 通信场景化：用 `[Batch, Ant, Subcarrier]` 解释维度，秒懂广播机制
🔴Autograd 黑盒	✅ 物理意义解构：用"信道估计"演示梯度下降，`backward` 就是求导
🔴MATLAB 迁移难	✅3GPP 标准复现：用 PyTorch Tensor 重写 TS 38.211，对标 MATLAB 写法
🔴 频域处理易错	✅ 标准 OFDM 流程：完美处理 `fftshift`、CP、子载波映射，符合 5G 标准

🎯 核心价值

🔬 学术研究价值 (AI for Comm)

可微分通信：全链路 Tensor 实现，支持端到端反向传播
梯度下降信道估计：深入理解 MSE Loss 与 SGD 在物理层的作用
高性能仿真：利用 GPU 加速大规模并行 OFDM 仿真
3GPP 对标：严格遵循 TS 38.211 Numerology 定义

💼 工程应用价值 (5G NR)

模块解耦：Numerology / Modulator / Channel 均模块化设计
工业级实现：支持 BPSK 到 1024QAM 全阶调制
完整链路：从比特流到波形的 E2E 收发演示
代码规范：类型提示 (Type Hint) + 详细中文注释

⚡ 技术亮点

🏗️ 课程阶段架构 (Staged Arch)

bash 复制代码

src/
├── 【阶段一：Tensor 与基础信号处理】
│   ├── tensor_basics.py      # 张量基础：广播、视图、复数操作
│   ├── modulation.py         # 3GPP 调制：BPSK/QPSK/16QAM...1024QAM (Gray Mapping)
│   ├── nr_ofdm.py            # [TS 38.211] NRNumerology & NROFDMModulator
│   └── nr_ofdm_system.py     # E2E 系统：BER 仿真链路
│
├── 【阶段二：Autograd 与信道估计】
│   └── channel_estimation.py # 🔥 自动求导核心演示：基于梯度的信道估计
│
├── 【通用模块】
│   └── channel.py            # AWGN 信道模型
│   
└── 【演示与可视化】
    ├── examples/
    │   ├── demo_nr_ofdm_ber.py   # 阶段一：OFDM 星座图与 BER 曲线
    │   └── src/channel_estimation.py ... (直接运行模块)

📊 性能实测

阶段一：OFDM BER (3GPP Compliance)

SNR (dB)	QPSK (Sim)	16QAM (Sim)	64QAM (Sim)	Theory Match
0	1.31e-01	2.63e-01	2.50e-01	✅
10	2.06e-04	4.26e-02	4.29e-02	✅
20	0	0	0	✅

阶段二：自动求导信道估计 (h_true = 0.8 + 0.6j)

优化器	迭代次数	最终误差	收敛特性
Manual	50	0.0026	快速，演示原理
SGD	50	0.0026	稳定，标准 GD
Adam	50	0.0170	振荡收敛

💻 核心代码展示

🔥 3GPP OFDM 调制 (`src/nr_ofdm.py`)

python 复制代码

def modulate(self, freq_grid: torch.Tensor, symbol_idx: int = 0) -> torch.Tensor:
    """
    频域 → 时域 (IFFT + CP) [TS 38.211]
    """
    # 1. IFFT (PyTorch 原生 FFT 支持)
    #    输入为标准 FFT 格式 (DC at index 0)
    time_signal = torch.fft.ifft(freq_grid)
    
    # 2. 添加 Cyclic Prefix (CP)
    cp_length = self.numerology.get_cp_samples(self.n_fft, symbol_idx)
    time_signal_with_cp = torch.cat([time_signal[-cp_length:], time_signal])
    
    return time_signal_with_cp

🚀 自动求导信道估计 (`src/channel_estimation.py`)

ini 复制代码

# 核心逻辑：利用 backward() 自动计算 ∂Loss/∂h
h_hat.requires_grad = True  # 告诉 PyTorch 追踪梯度

for i in range(n_iterations):
    y_pred = h_hat * x      # 前向传播 (Forward)
    loss = torch.mean(torch.abs(y - y_pred) ** 2) # 计算 MSE
    
    loss.backward()         # 反向传播 (Backward) -> 自动计算 h_hat.grad
    
    with torch.no_grad():   # 参数更新
        h_hat -= lr * h_hat.grad
    h_hat.grad.zero_()      # 梯度清零

🎬 一键运行