通信星座图与时频特征提取可视化 - 第2节 02 IQ数据采集与预处理：从USRP到ZCU111的基带信号获取与校准

排障先看这三点

先核对IQ数据采集的前置条件、异常信号和验收结果
再用伪代码把实现动作固定下来
最后用稳定性与可观测性验证结果是否可复现

联调卡点

IQ数据采集与预处理能跑不代表稳定，真正要确认的是对象边界、状态变化和验证证据。

本节围绕星座图建立一条更容易复测的联调路径。

基带信号获取的工程起点：从天线到数字IQ的链路校准

在生成星座图、谱图或时频图之前，必须解决一个核心工程问题：如何从射频前端获取干净、对齐的基带IQ数据。无论是使用USRP（通用软件无线电外设）还是ZCU111（基于Zynq Ultrascale+ RFSoC的开发平台），原始ADC采样数据都携带直流偏置（DC Offset）和I/Q不平衡（I/Q Imbalance）两类系统性误差。前者源于混频器自混频或ADC的固定偏置，后者则来自模拟正交混频器的幅度/相位失配。若不校准，后续的星座图会出现中心偏移或椭圆畸变，谱图则会在零频处出现虚假尖峰

本节聚焦于从硬件触发采集到数据预处理的全流程，重点说明如何通过软件算法在数字域完成校正，并给出可复用的检查点与判定条件

IQ数据采集流程：USRP与ZCU111的触发与捕获

两种平台的采集流程均遵循“初始化参数 → 触发捕获 → 读取缓冲区 → 预处理”的通用路径，但在触发机制和缓冲区管理上存在关键差异

USRP数据采集流程：基于UHD驱动的流式触发

USRP通过UHD（USRP Hardware Driver）库控制。典型流程中，uhd::usrp::multi_usrp::make()创建会话对象后，需设置中心频率、采样率、增益和天线端口。触发方式通常采用“流式连续捕获”或“单次突发捕获”。工程实践中，更推荐使用set_time_unknown_pps()进行时间同步，然后通过issue_stream_cmd(uhd::stream_cmd_t::STREAM_MODE_NUM_SAMPS_AND_DONE)指定精确的样本数触发单次捕获。关键检查点在于：捕获前必须调用get_rx_freq()确认锁相环锁定状态，若返回频率与设定值偏差超过1kHz，应判定为硬件失锁并重试

ZCU111数据采集：基于RFSoC的寄存器级触发

ZCU111使用Xilinx RFSoC的Data Converter IP核。采集流程需通过AXI4-Lite接口配置ADC的NCO（数控振荡器）频率、抽取因子和混频器模式。触发动作通常由xsysmon或自定义的接口信号脉冲启动，数据通过DMA写入DDR。与USRP不同，ZCU111的预处理必须在PL（可编程逻辑）端完成，因为原始数据流速率高达数GSPS，软件侧无法实时处理。因此，直流偏置校正通常在PL端使用累加平均器实现，而I/Q不平衡校正则在PS（处理系统）端通过软件算法后处理

真实项目场景

在某5G NR OTA测试项目中，团队使用ZCU111采集256-QAM信号。首次捕获的星座图出现明显的椭圆拉伸，经检查发现PL端的混频器相位未校准。通过写入0x00到ADC_TILE_0_USER_MIXER_PHASE寄存器并重新触发，椭圆度从12%降至1.5%以下，验证了I/Q相位校正的必要性

直流偏置与I

校正的核心思路是：在数字域估计误差参数，然后对IQ样本进行反向补偿。对于直流偏置，采用长时间平均法：采集一段无信号输入时的样本，计算I路和Q路的均值，然后在后续每个样本中减去该均值。对于I/Q不平衡，则使用Gram-Schmidt正交化或最小二乘估计法

工程动作

在USRP中，UHD驱动已内置set_rx_dc_offset(true)和set_rx_iq_balance(true)自动校正开关。但在高动态范围场景下，建议关闭自动校正，手动执行以下两步：1. 在无信号时采集1024个样本，计算I/Q均值作为直流偏置；2. 利用已知导频或信号统计特性，计算I/Q幅度比和相位差，构建校正矩阵

以下伪代码展示了ZCU111平台上的I/Q不平衡校正实现，该代码运行在PS端的ARM Cortex-A53上，处理从PL端DMA传输来的IQ数据块

# ZCU111 I/Q Imbalance Correction (Python on PS side)
import numpy as np
def calibrate_iq(iq_samples, pilot_freq=1e6, fs=245.76e6):
    # 1. 直流偏置估计
    dc_i = np.mean(iq_samples.real)
    dc_q = np.mean(iq_samples.imag)
    iq_samples -= (dc_i + 1j * dc_q)
    # 2. I/Q不平衡估计（基于信号功率）
    i_power = np.var(iq_samples.real)
    q_power = np.var(iq_samples.imag)
    iq_corr = np.mean(iq_samples.real * iq_samples.imag)
    # 3. 构建校正矩阵
    alpha = np.sqrt(q_power / i_power)  # 幅度比
    phi = np.arcsin(iq_corr / np.sqrt(i_power * q_power))  # 相位误差
    # 4. 应用Gram-Schmidt正交化
    i_corrected = iq_samples.real
    q_corrected = (iq_samples.imag - np.sin(phi) * iq_samples.real) / np.cos(phi)
    q_corrected /= alpha
    return i_corrected + 1j * q_corrected

阅读这段代码时，重点看IQ数据采集的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

该代码通过计算I/Q两路的方差和协方差，估计出幅度比alpha和相位误差phi，然后对Q路进行线性组合补偿。验证动作是：校正后星座图的误差矢量幅度（EVM）应下降至少3dB

关键判断

当校正后EVM仍高于-25dB时，应优先检查ADC的时钟抖动或电源纹波，而非继续优化算法参数。硬件底噪是数字校正的理论上限

02 IQ数据采集与预处理：从USRP到ZCU111的基带信号获取与校准