MATLAB阵列信号代码转Python结果异常，求对应函数方法指导

问题说明 #

将一段可正常运行的MATLAB阵列信号生成代码转换为Python版本后，运行结果与MATLAB不一致，核心原因是Python代码中存在变量名错误、索引逻辑偏差、矩阵乘法方式误用等问题，以下是问题详情及修正方案。

原MATLAB代码 #

Sensors = 10; % 接收阵元数量
samples = 10000; % 信号样本组数
p = 10; % 信号源数量
theta1 = [10 20 40 60 100 120 140 80 90 110];
angles = theta1*(pi/180); % 角度转换为弧度
X = zeros(Sensors,samples); % 初始化输出信号矩阵

for k=1:p-1
    % 计算阵列因子
    Array_factor = exp(j*pi*cos(angles(1,k))*(0:Sensors-1));
    % 生成实部随机符号序列
    br = ones(1,samples);
    temp = rand(1,samples);
    br(find(temp<.5))=-1;
    % 生成虚部随机符号序列
    bi = ones(1,samples);
    temp = rand(1,samples);
    bi(find(temp<.5))=-1;
    % 构造复数信号
    b = br+j*bi;
    % 叠加信号到输出矩阵
    X = X + Array_factor'*b;
end

转换后的Python代码（存在错误） #

import numpy as np

# 接收阵元数量
num_sensors = 10

# 信号样本组数（错误：原MATLAB为10000，此处写成10）
samples = 10

# 信号源数量
p = 10

theta1 = [10,20,40,60,100,120,140,80,90,110]

# 角度转换为弧度（得到列表而非numpy数组）
angles = [i*(np.pi/180) for i in theta1]

# 初始化输出信号矩阵
X = np.zeros((num_sensors,samples), dtype = complex)

# 错误：循环范围与MATLAB索引逻辑不符，且变量名错误（num_sensors写成sensors）
for k in range(1,p-1):
    # 错误：变量名未定义（sensors），且阵列因子维度处理有误
    array_factor = np.exp(1j*np.pi*np.cos(angles[k])*np.arange(sensors))
    
    # 生成实部随机符号序列
    br = np.ones(samples)
    temp = np.random.rand(samples)
    br[temp < 0.5] = -1

    # 生成虚部随机符号序列
    bi = np.ones(samples)
    temp = np.random.rand(samples)
    bi[temp<0.5] = -1

    # 构造复数信号
    b = br + 1j*bi

    # 错误：矩阵乘法方式错误，np.dot无法实现MATLAB中列向量乘行向量的外积效果
    X += np.dot(array_factor,b)

print(X)

修正后的Python代码 #

import numpy as np

# 接收阵元数量
num_sensors = 10

# 信号样本组数
samples = 10000

# 信号源数量
p = 10

theta1 = np.array([10,20,40,60,100,120,140,80,90,110])

# 角度转换为弧度（转为numpy数组，方便索引计算）
angles = theta1 * (np.pi / 180)

# 初始化输出信号矩阵
X = np.zeros((num_sensors, samples), dtype=np.complex128)

# 对应MATLAB的k=1到p-1（Python中索引从0开始，取前p-1个角度）
for k in range(p-1):
    # 计算阵列因子，生成长度为num_sensors的1D数组
    array_factor = np.exp(1j * np.pi * np.cos(angles[k]) * np.arange(num_sensors))
    
    # 生成实部随机符号序列
    br = np.ones(samples)
    temp = np.random.rand(samples)
    br[temp < 0.5] = -1

    # 生成虚部随机符号序列
    bi = np.ones(samples)
    temp = np.random.rand(samples)
    bi[temp < 0.5] = -1

    # 构造复数信号
    b = br + 1j * bi

    # 使用外积实现MATLAB中Array_factor'*b的效果，得到num_sensors×samples的矩阵
    X += np.outer(array_factor, b)

# 验证输出维度
print(f"X的维度：{X.shape}")
print(f"b的维度：{b.shape}")

关键修正点说明 #

• 变量名一致性：将错误的sensors改为定义好的num_sensors，避免未定义错误
• 循环索引匹配：MATLAB是1-based索引，k=1:p-1对应前9个角度；Python用0-based索引，range(p-1)取0到8，对应相同的角度范围
• 矩阵乘法修正：用np.outer(array_factor, b)实现MATLAB中列向量乘行向量的外积操作，得到正确的num_sensors×samples矩阵
• 样本数量修正：将samples改回原MATLAB的10000，保证输出维度符合预期
• 数据类型优化：将theta1转为numpy数组，角度计算更高效，索引更方便

内容的提问来源于stack exchange，提问作者owais ishtiaq