4. 眼图生成与质量评估

任务说明

本案例针对一条未经均衡的SerDes接收链路，给定一段包含码间干扰（ISI）的接收波形采样数据，要求：

1. 根据采样数据恢复时钟并叠加生成眼图；
2. 从眼图中计算眼高（Eye Height）、眼宽（Eye Width）、眼交叉点百分比（Eye Crossing Percentage）三个核心质量指标；
3. 依据计算结果判定信号质量等级，输出评估结论。

实现方案

采用Python实现完整处理链路。核心思路：对接收波形按UI（Unit Interval）宽度切分，将每个UI内的采样点按相位对齐后叠加绘制眼图；随后在眼图中央区域（水平方向50% UI处）统计垂直方向幅值分布，取上下两个最大密度簇的中心之差作为眼高；在垂直方向50%幅值处统计水平方向过零点分布，取两个过零点簇中心之差作为眼宽。交叉点百分比通过统计眼图左右交叉点幅值的平均值与信号摆幅的比值获得。

import numpy as np
import matplotlib.pyplot as plt

# ========== 输入数据（模拟未均衡链路接收波形，含ISI） ==========
# 采样率：64 samples/UI，共64个UI
samples_per_ui = 64
num_ui = 64
total_samples = samples_per_ui * num_ui

# 生成带ISI的PAM-2信号（1V摆幅，0.5V共模）
np.random.seed(42)
data_bits = np.random.randint(0, 2, num_ui) * 2 - 1  # ±1V

# 构造带符号间干扰的脉冲响应（主抽头+前后拖尾）
impulse_response = np.array([0.08, 0.15, 0.6, 0.15, 0.08])
tx_signal = np.zeros(total_samples)
for i, bit in enumerate(data_bits):
    start = i * samples_per_ui
    for j, tap in enumerate(impulse_response):
        pos = start + j * 12  # 每个抽头间隔12个采样点
        if pos < total_samples:
            tx_signal[pos:pos+12] += bit * tap

# 添加高斯噪声
noise = np.random.normal(0, 0.03, total_samples)
rx_signal = tx_signal + noise

# ========== 1. 时钟恢复（简单过零检测） ==========
# 检测上升沿过零点作为时钟基准
threshold = 0.0
crossings = []
for i in range(1, total_samples):
    if rx_signal[i-1] < threshold and rx_signal[i] >= threshold:
        crossings.append(i)
# 取前num_ui个过零点作为UI起始
ui_starts = crossings[:num_ui]

# ========== 2. 眼图叠加 ==========
eye_traces = []
for start in ui_starts:
    segment = rx_signal[start:start+samples_per_ui]
    if len(segment) == samples_per_ui:
        eye_traces.append(segment)
eye_data = np.array(eye_traces)  # shape: (num_ui, samples_per_ui)

# ========== 3. 眼图指标计算 ==========
# 3.1 眼高：在眼图中央（第32个采样点）统计幅值分布
center_idx = samples_per_ui // 2
center_amplitudes = eye_data[:, center_idx]

# 用KMeans思想分两簇（简化：按中值分割）
median_val = np.median(center_amplitudes)
upper_cluster = center_amplitudes[center_amplitudes > median_val]
lower_cluster = center_amplitudes[center_amplitudes <= median_val]
eye_high = np.mean(upper_cluster) - np.mean(lower_cluster)

# 3.2 眼宽：在垂直50%幅值处统计过零点
mid_level = (np.mean(upper_cluster) + np.mean(lower_cluster)) / 2
crossing_positions = []
for trace in eye_data:
    for i in range(1, samples_per_ui):
        if trace[i-1] < mid_level and trace[i] >= mid_level:
            crossing_positions.append(i)
            break
        elif trace[i-1] > mid_level and trace[i] <= mid_level:
            crossing_positions.append(i)
            break

# 过零点分为左右两簇（前半UI和后半UI）
left_cross = [p for p in crossing_positions if p < samples_per_ui/2]
right_cross = [p for p in crossing_positions if p >= samples_per_ui/2]
if left_cross and right_cross:
    eye_width_ui = (np.mean(right_cross) - np.mean(left_cross)) / samples_per_ui
else:
    eye_width_ui = 0.0

# 3.3 交叉点百分比
cross_amplitudes = []
for trace in eye_data:
    for i in range(1, samples_per_ui):
        if trace[i-1] < mid_level and trace[i] >= mid_level:
            cross_amplitudes.append((trace[i-1]+trace[i])/2)
            break
if cross_amplitudes:
    crossing_pct = (np.mean(cross_amplitudes) - np.min(eye_data)) / (np.max(eye_data) - np.min(eye_data)) * 100
else:
    crossing_pct = 50.0

# ========== 4. 质量评估 ==========
# 判定标准：眼高≥0.5V为优，0.3~0.5V为良，<0.3V为差；眼宽≥0.7UI为优，0.5~0.7为良，<0.5为差
if eye_high >= 0.5 and eye_width_ui >= 0.7:
    quality = "优"
elif eye_high >= 0.3 and eye_width_ui >= 0.5:
    quality = "良"
else:
    quality = "差"

# ========== 5. 输出结果 ==========
print(f"眼高: {eye_high:.3f} V")
print(f"眼宽: {eye_width_ui:.3f} UI")
print(f"交叉点百分比: {crossing_pct:.1f}%")
print(f"信号质量等级: {quality}")

# ========== 6. 绘制眼图 ==========
plt.figure(figsize=(10, 6))
for trace in eye_data[:32]:  # 显示前32个UI
    plt.plot(np.arange(samples_per_ui), trace, color='blue', alpha=0.3, linewidth=0.8)
plt.xlabel('采样点 (1 UI = 64 samples)')
plt.ylabel('幅值 (V)')
plt.title('未均衡信号眼图')
plt.grid(True, alpha=0.3)
plt.axhline(mid_level, color='red', linestyle='--', linewidth=1, label=f'判决电平 {mid_level:.2f}V')
plt.legend()
plt.savefig('eye_diagram.png', dpi=150)
plt.close()
print("眼图已保存为 eye_diagram.png")

运行与验证

将上述代码保存为 eye_diagram_analysis.py，在安装有 numpy 和 matplotlib 的Python 3环境中运行：

python eye_diagram_analysis.py

程序执行后，终端输出眼高、眼宽、交叉点百分比和信号质量等级，同时当前目录生成 eye_diagram.png 眼图文件。

判定标准

• 功能正确性：程序能输出四个指标值，且眼图文件成功生成；
• 指标合理性：眼高应在0.2~0.8V之间（本案例含ISI，预期约0.4~0.6V），眼宽应在0.4~0.9UI之间，交叉点百分比应在40%~60%之间；
• 可复现性：固定随机种子（42）后，多次运行结果一致；
• 视觉验证：打开 eye_diagram.png，应看到清晰的“眼睛”张开形态，中央区域有明显空白，上下两簇轨迹分离。