1. 课程导入
软件定义无线电（Software Defined Radio，SDR）把传统由模拟器件承担的混频、滤波、解调等功能迁移到可编程数字域，使无线系统的能力边界由软件决定。也正因如此，SDR 的测试对象不再是一块固定功能的硬件板卡，而是一整套“硬件平台 + 固件 + 波形软件 + 参数配置”的组合体。当波形版本频繁迭代、参数组合成倍增长、外场采集数据需要反复复现时，手工点测和人工比对就难以为继。本课程要解决的核心问题正是：如何用自动化测试与数据回放，把 SDR 的验证工作从“靠人盯”变成“靠系统跑”。
一、学习目标：从会操作到会构建验证系统
本课程不是单纯的仪器操作课，而是面向验证工程能力的系统课。学完之后，你应当能够独立完成一条从数据到结论的闭环链路。具体目标可以归纳为四个层次：
- 认知层：理解 SDR 测试与传统射频测试的差异，明确自动化测试、数据回放、半实物仿真三者的边界与联系。
- 工具层：熟练使用主流 SDR 平台、矢量信号源/分析仪、Python 与 SCPI 控制库，搭建可复用的测试脚本框架。
- 方法层：掌握测试用例建模、参数扫描、断言判定、结果归档与报告生成的方法，能设计可回归的测试集。
- 系统层：能够规划数据回放系统的采集、存储、调度、注入与比对架构，并定位回放失真、时序错位等典型问题。
二、核心价值：为什么必须做自动化与回放
SDR 的验证痛点集中在三处：组合爆炸、场景难复现、回归成本高。一个波形可能涉及中心频率、带宽、采样率、调制方式、编码速率、增益等多维参数，人工穷举不现实；外场偶发的干扰和衰落场景一旦错过就很难再次遇到；每次固件升级后，若不能快速重跑历史用例，回归验证就会成为瓶颈。
自动化测试的价值在于把重复劳动交给脚本，把人的精力留给异常分析；数据回放的价值在于把“一次性现场”变成“可反复调用的资产”。两者结合后，测试从“事件驱动”转为“资产驱动”：采集一次，回放千次，每次结果都可量化、可对比、可追溯。下面的信号链示意图展示了本课程关注的核心对象与数据流向。
三、整体知识框架：五个模块层层递进
课程内容按“基础—工具—方法—系统—实战”组织，前后依赖关系明确。下表给出模块划分与关键产出，便于你建立全局地图。
| 模块 | 核心内容 | 关键产出 |
|---|---|---|
| 基础认知 | SDR 架构、IQ 数据、采样定理、测试指标体系 | 能读懂波形参数与测试需求 |
| 工具与环境 | SDR 平台、仪器控制、Python 测试库、环境搭建 | 可运行的自动化测试环境 |
| 自动化方法 | 用例建模、参数扫描、断言判定、报告生成 | 可回归的测试脚本集 |
| 数据回放系统 | 采集存储、格式转换、调度回放、时序对齐 | 可复用的回放资产库 |
| 综合实战 | 端到端链路验证、故障定位、性能优化 | 完整验证方案与复盘报告 |
四、典型应用场景与最小示例
这些能力在真实工程中对应若干高频场景：波形版本回归（每次固件升级自动重跑历史用例）、外场数据复现（把采集到的干扰场景搬回实验室反复注入）、多参数组合扫描（频率、带宽、增益的网格化测试）、长时间稳定性测试（连续回放并监控指标漂移）。
下面是一段典型的自动化回放控制脚本骨架，体现了“配置—回放—采集—判定”的基本节奏：
from sdr_test import SDRDevice, WavePlayer, Analyzer
dut = SDRDevice("192.168.1.20")
player = WavePlayer("scenario_lte_20m.iq")
analyzer = Analyzer("192.168.1.30")
dut.set_center_freq(2.4e9)
dut.set_sample_rate(30.72e6)
dut.set_tx_gain(-10)
player.align_trigger(dut) # 时序对齐
player.play(repeat=100) # 回放 100 次
evm = analyzer.measure_evm()
assert evm < 3.0, f"EVM 超限: {evm}%"
print("回归通过，EVM =", evm)
五、常见误区与复盘提示
- 把自动化等同于“录脚本”：没有用例建模和断言的脚本只是批量操作，无法形成回归能力。
- 忽视元数据：IQ 文件若缺少采样率、中心频率、时间戳，回放时极易失真且难以定位。
- 时序对齐被低估：触发不同步会导致采集窗口错位，表现为“指标随机波动”，实为同步问题。
- 只测通过不测失败：缺少异常注入和边界用例，系统鲁棒性无法验证。