WEBSDR

WEBSDR将本地收听的电台信号共享到互联网上，让您可以随时随地选择频率收听FM电台，而不用购买任何专业硬件设备。网站也附带了实时接收的频谱与瀑布图，是学习通信、信号处理的优秀平台。

概览

硬件

我们目前使用820T2+RTL2832UUSB软件无线电，它支持DVB-T+FM+DAB，最大采样率为3.3MHZ。

软件

软件代码部分使用Python进行IQ数据处理与解调，计划使用WebSocket传输实时数据到服务器上，通过Canvas渲染数据，调用Web Audio API等实时播放音频。

实现过程

下图是一个简要的程序实现流程。

流程.jpg

首先，我们通过820T2+RTL2832UUSB软件无线电设备在一个信号良好的地方（比如建筑物高层外围）收集附近的无线电信号，得到IQ数据。这里我们使用RTL-SDR项目支持的设备的简单Python接口pyrtlsdr,一个依赖C语言的librtlsdr的Python包装器（基于Realtek RTL2832U的SDR的驱动程序）来驱动设备并获得IQ数据。

获取IQ数据后，接下来进行数字信号处理（DSP）。

首先使用非常适合于进行交互式绘图的matplotlib子包pylab的psd函数（Power Spectral Density Estimates Using FFT）计算功率谱密度，得到信号的频谱。目前我们以91.2MHz为中心频率及2.8MHz的采样率进行采样，从网站渲染的频谱图可以看见，平时能收听到所在地（北京）3~4个无线电台，具有典型性。
接着，使用Python中最经典的开源的数学、科学和工程计算包scipy分析信号。对于每次的采样数据，应用抗混叠滤波器（这里使用了带汉明窗的30点FIR滤波器）后，对信号进行下采样；对于信号解调，有很多对FM信号进行解调的方法，我们选取了一种高效而简单的FM解调方法。信号在时域中的微分等效于信号的傅里叶变换乘以虚斜坡函数。也就是说，要对信号求导，请将其传递给具有响应 H(ω)=jω 的滤波器。使用firls和differentiator选项获得逼近理想的微分器,为节约运行时间，代码部分已经直接以数组形式呈现。

最后将IQ信号实部和虚部分别卷积处理后，再次下采样输出为音频信号，保存为流媒体格式。该部分核心核心代码如下：

for data in datas:
   a = -2j*np.pi*(CFFREQ-RFFREQ)*(np.arange(1, len(data)+1)/RFRATE)
   x = np.exp(a)
   x = np.transpose(x)
   data = data * x
   data = signal.decimate(data, DOWN_FACTOR, ftype="fir")
   # design differentiate
   # b = signal.firls(30,[0 .9],[0 1],'differentiator'); 
   b = [0.0005, -0.0017, 0.0032, -0.0052, 0.0079, -0.0115, 0.0162, -0.0223, 0.0302, -0.0406, 0.0548, -0.0752, 0.1077, -0.1699, 0.3502,
         0, -0.3502, 0.1699, -0.1077, 0.0752, -0.0548, 0.0406, -0.0302, 0.0223, -0.0162, 0.0115, -0.0079, 0.0052, -0.0032, 0.0017, -0.0005]
   ndata = data/abs(data)
   rd = ndata.real
   ids = ndata.imag
   audiodata = (rd*signal.convolve(ids, b, 'same')-ids *
                 signal.convolve(rd, b, 'same'))/(rd*rd+ids*ids)  # rd*rd+ids*ids=1
   audiodata = signal.decimate(audiodata, AUDIO_FACTOR, ftype="fir")
   audiodata_amp = audiodata*1e4
   # astype用于转化dateframe某一列的数据类型;这里是转为i2:int16
   snd_data = audiodata_amp.astype(np.dtype('<i2')).tostring()
   wav.append(snd_data)  # 向音频Queue添加数据
   save_wav(WAVE_OUTPUT_FILENAME, CHANNELS, 2, AUDIORATE, wav)

最后，在DSP处理完成之后，上传到Web服务器上。网站服务器根据功率谱密度通过echarts框架的JavaScript代码实时渲染频谱图和瀑布图，同时函数触发器判断用户实时选择操作与服务器完成交互。根据我们测试，传统的实时解调最多只能同时支持4~8人收听不同的信号（Intel i7 CPU），为避免大规模的访问导致服务器带宽、性能不足，我们接入了内容分发网络（CDN）技术，依靠腾讯云部署在各地的边缘服务器，通过中心平台的负载均衡、内容分发、调度等功能模块，使用户就近获取所需内容，降低网络拥塞，提高用户访问响应速度和命中率。这样虽然牺牲了一部分实时性，即有部分更新缓存延迟，但是可以支持更多用户同时使用网站、收听信号，解决了高并发的一大难题。

整个流程自动推进，并在主机上不断运行。在异步处理和多线程的运行形式下，主要功能已经无人值守地实现。