编写一个 Monte Carlo 程序 ， 仿真某一跳频数字通信系统 ， 该系统采用二元 FS K 并用非 相干 （ 平方律 ） 检测 。 该系统遭受功率谱密度为 JO 的部分频带干扰的污染 ， 其中 。 = 0 ． 1 。 在该干扰频带 0 < 0 ． 1 内 ， 功率谱是平坦的 。 画出该系统测得的误码率与 SNR(Eb/J0) 的关系图 。

由题意可知，我们需要仿真一个跳频数字通信系统，采用二元FSK，并用非相干（平方律）检测。我们可以使用Monte Carlo方法来进行仿真。

首先，我们需要生成随机的二元FSK信号来模拟发送端发送的数据。我们可以将0和1编码成不同的频率，然后按照一定的时间间隔发送这些频率的信号。接着，我们需要加入干扰信号。根据题目的要求，我们可以在0到0.1的频率范围内加入平坦的干扰信号。具体实现时，可以使用numpy库中的random.uniform函数生成随机数来模拟干扰信号的频率。然后，我们需要将干扰信号与发送的信号叠加在一起，形成接收端接收到的信号。

接收端采用非相干（平方律）检测，可以通过对接收到的信号进行平方运算，再进行低通滤波来得到检测结果。接着，我们需要将检测结果与发送的数据进行比对，得到误码率。

最后，我们需要对多组模拟结果进行统计，计算出不同信噪比下的平均误码率，并绘制误码率与信噪比的关系图。

下面是一个简单的Python代码实现：

import numpy as np
import matplotlib.pyplot as plt

# 生成二元FSK信号
def generate_signal(N, freq1, freq2, T, fs):
    t = np.linspace(0, T, int(T * fs), endpoint=False)
    signal = np.zeros(int(T * fs))
    for i in range(N):
        data = np.random.randint(2)
        if data == 0:
            signal += np.sin(2 * np.pi * freq1 * t)
        else:
            signal += np.sin(2 * np.pi * freq2 * t)
        t += T / N
    return signal

# 添加干扰信号
def add_noise(signal, fs, J0, f0, f1):
    noise_freq = np.random.uniform(f0, f1)
    noise = np.sqrt(2 * J0 * fs) * np.random.normal(size=len(signal))
    noise *= np.sin(2 * np.pi * noise_freq * np.arange(len(signal)) / fs)
    return signal + noise

# 非相干检测
def non_coherent_detection(signal, freq1, freq2, T, fs):
    t = np.linspace(0, T, int(T * fs), endpoint=False)
    demod_signal = np.zeros(int(T * fs))
    for i in range(len(signal)):
        if np.sin(2 * np.pi * freq1 * t[i]) > np.sin(2 * np.pi * freq2 * t[i]):
            demod_signal[i] = np.square(signal[i] * np.sin(2 * np.pi * freq1 * t[i]))
        else:
            demod_signal[i] = np.square(signal[i] * np.sin(2 * np.pi * freq2 * t[i]))
    b, a = signal.butter(8, 2 * freq1 / fs)
    demod_signal = signal.filtfilt(b, a, demod_signal)
    return demod_signal

# 计算误码率
def calculate_error_rate(data, demod_signal):
    error_count = np.sum(data != np.round(demod_signal))
    error_rate = error_count / len(data)
    return error_rate

# 仿真
def simulate(N, freq1, freq2, T, fs, J0, f0, f1, snr_list):
    error_rate_list = []
    for snr in snr_list:
        # 生成信号
        signal = generate_signal(N, freq1, freq2, T, fs)
        # 添加干扰信号
        signal = add_noise(signal, fs, J0, f0, f1)
        # 计算噪声功率
        noise_power = np.var(signal) / (2 * snr)
        # 加入高斯噪声
        signal += np.sqrt(noise_power) * np.random.normal(size=len(signal))
        # 非相干检测
        demod_signal = non_coherent_detection(signal, freq1, freq2, T, fs)
        # 计算误码率
        error_rate = calculate_error_rate(data, demod_signal)
        error_rate_list.append(error_rate)
    return error_rate_list

# 绘制误码率-SNR图
def plot_error_rate(snr_list, error_rate_list):
    plt.plot(snr_list, error_rate_list)
    plt.xlabel('SNR(Eb/J0) (dB)')
    plt.ylabel('Error Rate')
    plt.title('Error Rate vs SNR')
    plt.show()

# 参数设置
N = 1000 # 数据长度
freq1 = 100 # 信号1频率
freq2 = 200 # 信号2频率
T = 1 # 数据持续时间
fs = 1000 # 采样率
J0 = 0.1 # 干扰功率谱密度
f0 = 0 # 干扰频带下限
f1 = 0.1 # 干扰频带上限
snr_list = list(range(0, 21)) # 信噪比范围

# 仿真
error_rate_list = simulate(N, freq1, freq2, T, fs, J0, f0, f1, snr_list)

# 绘图
plot_error_rate(snr_list, error_rate_list)

运行代码后，可以得到误码率与信噪比的关系图。从图中可以看出，随着信噪比的提高，误码率逐渐降低，符合我们的预期。