04 IQ数据预处理：直流偏置消除与功率归一化工程实现

⭐IQ信号预处理：从原始采集到稳定特征的第一步

IQ数据预处理的验收口径

在“通信调制识别毕业设计（Communication Modulation Recognition Graduation Project）”中，直接从接收机或仿真软件获取的IQ数据通常包含两类常见污染：直流偏置（DC Offset）和功率不一致性。直流偏置会使星座图整体偏移，破坏调制信号的对称性；而功率差异则导致特征提取器对不同信噪比或增益设置下的同一调制类型产生错误分类。本节的核心判断是：必须在特征提取前完成“直流偏置消除”与“功率归一化”两项预处理，否则后续的深度学习或统计分类器将学到错误的分布偏移，而非真正的调制特征

🧭预处理主链路：直流偏置消除与功率归一化工程实现

本节的主链路围绕“数据预处理通信调制识别毕业设计”展开，核心动作分为两步：直流偏置消除（DC Offset Removal）和功率归一化（Power Normalization）。下面给出一个可直接运行的Python伪代码片段，它演示了如何对一组IQ样本进行这两步操作

import numpy as np
def preprocess_iq(iq_samples: np.ndarray) -> np.ndarray:
    """
    对IQ数据进行直流偏置消除与功率归一化。
    输入: iq_samples, shape=(N, 2) 或 (N,), 其中最后一维为 [I, Q]
    输出: 预处理后的IQ数据，shape同输入
    """
    # 1. 直流偏置消除
    dc_i = np.mean(iq_samples[:, 0])
    dc_q = np.mean(iq_samples[:, 1])
    iq_samples[:, 0] -= dc_i
    iq_samples[:, 1] -= dc_q
    # 2. 功率归一化（使平均功率为1）
    power = np.mean(iq_samples[:, 0]**2 + iq_samples[:, 1]**2)
    if power > 0:
        iq_samples /= np.sqrt(power)
    return iq_samples
# 使用示例：假设 raw_iq 为 (10000, 2) 的numpy数组
# clean_iq = preprocess_iq(raw_iq)

阅读这段代码时，重点看IQ数据预处理的API示例，以及它如何用稳定性与可观测性证明结果可复测。

上述代码中，np.mean 用于估计每个通道的直流分量，np.sqrt(power) 作为归一化因子。关键边界条件在于：当信号完全静默（功率为0）时，power > 0 判断避免了除零错误。该预处理脚本验证了“功率归一化通信调制识别毕业设计”环节的可靠性——归一化后的IQ数据平均功率恒为1，使得后续特征提取器对不同接收增益下的同一调制类型具有鲁棒性

⭐异常信号与处理边界：预处理环节的常见陷阱

即使代码逻辑正确，工程实现中仍存在几个容易出错的步骤。下表总结了预处理环节的典型异常信号与处理边界，帮助你在“review_summary通信调制识别毕业设计”阶段快速定位问题

完成上述预处理后，建议将处理后的IQ数据保存为独立的numpy文件或HDF5数据集，并在文件名中标注“preprocessed”字样。这样在后续“review_summary通信调制识别毕业设计”环节中，可以快速回溯数据链路，确认预处理步骤是否被正确执行。整个流程的核心产出是一个可复用的 preprocess_iq 函数，它构成了整个调制识别流水线的第一个稳定基座