简介这份资源面向通信原理、数字通信课程的学习者与MATLAB仿真入门者聚焦16QAM调制解调系统的端到端仿真帮助理解星座图分布与误码率随信噪比变化的规律。压缩包共8个文件全部为m脚本整体约3KB涵盖主流程调用、星座图绘制、四进制与二进制互转、调制与解调、随机二进制序列生成以及比特成形等模块结构紧凑便于逐函数阅读与二次修改。资源已有1926人学习下载说明其在课程实验与自学场景中具有一定参考价值。读者可据此搭建完整的16QAM仿真链路在AWGN信道下完成信号生成、星座映射、最佳接收检测与误码率统计并绘制BER性能曲线从而直观评估不同信噪比下的通信质量也可作为课程设计或论文仿真的基础代码框架。1. 16QAM 星座图仿真及误码率仿真从一张散点图看懂链路到底行不行做数字通信基带验证的人迟早会撞上 16QAM。它比 QPSK 多扛一倍频谱效率又不像 64QAM 那样对信噪比苛刻到让人翻车是很多链路预算里的“甜点阶数”。但甜点归甜点真把 16QAM 星座图仿真及误码率仿真跑起来你会发现两件事星座图散点看着挺规整误码率曲线却对不上理论值或者反过来误码率勉强对上了星座图却已经糊成一团。问题往往不在调制公式而在脉冲成型、归一化、判决门限和 Es/N0 与 Eb/N0 的换算上。这篇笔记面向正在做基带链路仿真、想用 Python 把 16QAM 从星座图到 BER 曲线完整跑通的人也面向已经跑过但结果对不上、想找排查路径的人。下面按“先立住原理、再动手复现、最后讲坑”的顺序推。2. 16QAM 星座图与误码率仿真的原理底座为什么不能只画点2.1 16QAM 的星座点是怎么摆出来的16QAM 的本质是两路正交载波各携带 4 个幅度电平I 路和 Q 路各取 {-3, -1, 1, 3}组合出 16 个星座点。这个摆法叫方形 16QAM也是工程上最常用的因为它可以拆成两个独立的 4ASK 来分别判决解调复杂度低。星座点坐标写成复数就是# 方形16QAM星座点I、Q各取{-3,-1,1,3} import numpy as np levels np.array([-3, -1, 1, 3]) constellation np.array([i 1j*q for i in levels for q in levels]) print(constellation)这段代码生成 16 个复数星座点。注意这里的幅度是相对值不是电压绝对值。逻辑说明外层循环遍历 I 路电平内层遍历 Q 路电平得到 16 个组合。参数说明levels的间距为 2这是方形 16QAM 的标准间距如果你改成 {-1, -1/3, 1/3, 1}那就是归一化后的版本后面算噪声功率时要对应调整。为什么强调归一化因为误码率仿真里噪声功率是按符号能量算的。方形 16QAM 的平均符号能量是每个星座点模平方的平均值。上面这组点的平均能量是 10。如果你不做归一化直接拿 Es/N0 去加噪声算出来的 BER 会和理论曲线差一个常数因子曲线整体平移看起来“形状对但位置不对”。这是最常见的翻车点之一。2.2 误码率理论曲线从哪来16QAM 在 AWGN 信道下的理论误符号率有闭式解但误比特率没有特别简洁的精确闭式工程上常用近似。对于方形 16QAM格雷映射下误比特率近似为BER ≈ (3/8) * erfc( sqrt( (2/5) * Eb/N0 ) )这个近似在中等信噪比以上比较准低信噪比会偏。为什么是 3/8 和 2/53/8 来自每符号 4 比特、每符号平均有 3 个比特容易出错的那类近似2/5 来自 16QAM 平均符号能量与最小距离的关系。你不需要背但要知道如果你仿真出来的曲线和这条近似对不上先别怀疑公式先查 Es/N0 和 Eb/N0 的换算。换算关系是Es/N0 Eb/N0 10*log10(k)k 是每符号比特数16QAM 的 k4所以 Es/N0 Eb/N0 6.02 dB。很多人仿真时直接拿 Eb/N0 当 Es/N0 用曲线就整体左移 6 dB看起来“性能好得不像话”其实是单位搞错了。2.3 仿真链路的最小闭环一个能复现的 16QAM 误码率仿真最小闭环包括随机比特生成、比特到符号映射、脉冲成型可选但建议、AWGN 加噪、匹配滤波、符号判决、比特反映射、误码统计。星座图仿真则是把加噪后的符号直接画在复平面上看散点分布。两者共用同一套符号流只是观察点不同。常见做法是先不加脉冲成型直接符号级仿真验证映射和噪声功率对不对再加根升余弦滤波器看码间干扰和星座图扩散。我一般会分两步跑因为一旦脉冲成型和噪声功率同时出问题排查起来就是黑匣子。3. 用 Python 跑通 16QAM 星座图仿真从比特到散点图3.1 比特映射与格雷码安排16QAM 的比特映射方式直接影响误比特率。格雷映射让相邻星座点只差一个比特这样噪声导致判到相邻点时只错一个比特。方形 16QAM 的格雷映射可以按 I、Q 两路分别做 4ASK 的格雷映射再组合。import numpy as np def bits_to_16qam(bits): # bits: 一维数组长度必须是4的倍数 bits bits.reshape(-1, 4) # I路取前2比特Q路取后2比特 i_bits bits[:, 0:2] q_bits bits[:, 2:4] # 格雷映射00--3, 01--1, 11-1, 10-3 gray_map {(0,0): -3, (0,1): -1, (1,1): 1, (1,0): 3} i_levels np.array([gray_map[tuple(b)] for b in i_bits]) q_levels np.array([gray_map[tuple(b)] for b in q_bits]) symbols i_levels 1j * q_levels return symbols逻辑说明把比特流按每 4 个一组切开前两个比特决定 I 路电平后两个决定 Q 路电平。格雷映射表里相邻电平对应的比特只差一位。参数说明gray_map的键是元组顺序不能乱如果你用别的映射表误码率曲线会变差但星座图看起来一样这是隐蔽的坑。3.2 加噪与星座图绘制加噪时要按符号能量归一化。上面生成的符号平均能量是 10所以噪声功率要按 Es/N0 来算。import matplotlib.pyplot as plt def add_awgn(symbols, snr_db): # snr_db 这里指 Es/N0 Es np.mean(np.abs(symbols)**2) N0 Es / (10**(snr_db/10)) noise np.sqrt(N0/2) * (np.random.randn(len(symbols)) 1j*np.random.randn(len(symbols))) return symbols noise np.random.seed(42) bits np.random.randint(0, 2, 4000) symbols bits_to_16qam(bits) rx add_awgn(symbols, 15) plt.figure(figsize(5,5)) plt.scatter(rx.real, rx.imag, s2, alpha0.5) plt.scatter(symbols.real, symbols.imag, cr, markerx) plt.grid(True) plt.title(16QAM constellation at Es/N015dB) plt.show()逻辑说明add_awgn先算符号平均能量再根据 Es/N0 反推 N0复噪声的实部和虚部各分一半功率。参数说明snr_db是 Es/N0不是 Eb/N0np.random.seed固定种子保证可复现。画图时红色叉是理想星座点蓝色散点是加噪后的接收符号。15dB 时散点应该聚成 16 团团之间不重叠如果重叠严重要么信噪比太低要么噪声功率算错了。3.3 判决与误码统计判决就是找离接收符号最近的理想星座点然后反映射回比特。def 16qam_to_bits(symbols, constellation): # 最近邻判决 dist np.abs(symbols[:, None] - constellation[None, :]) idx np.argmin(dist, axis1) # 反映射根据星座点索引还原比特这里需要与映射表一致 # 简化直接按索引查表实际工程中要维护映射表 return idx # 误码统计需要完整的反映射表这里略去具体表强调思路逻辑说明最近邻判决是 AWGN 下的最优判决。参数说明constellation必须和发送端一致包括顺序如果你发送端用了格雷映射接收端反映射表也要对应否则误码率会偏高。实际工程中映射和反映射表通常写成一个查找表避免手写出错。4. 16QAM 误码率仿真从 Es/N0 扫描到 BER 曲线4.1 信噪比扫描与蒙特卡洛次数误码率仿真要扫多个信噪比点每个点跑足够多的符号才能统计出低误码率。16QAM 在 BER1e-5 时大约需要 Es/N018dB 左右要统计到 1e-5至少需要 1e6 个符号量级。def simulate_ber(ebn0_db_range, num_symbols200000): ber [] for ebn0_db in ebn0_db_range: esn0_db ebn0_db 10*np.log10(4) # 16QAM每符号4比特 bits np.random.randint(0, 2, num_symbols*4) tx bits_to_16qam(bits) rx add_awgn(tx, esn0_db) # 判决与误码统计需完整反映射 # 这里用简化方式示意 ber.append(0) # 占位 return ber逻辑说明ebn0_db_range是 Eb/N0 扫描范围换算成 Es/N0 后加噪。参数说明num_symbols越大统计越准但耗时越长一般低信噪比点可以少跑高信噪比点要多跑。蒙特卡洛仿真的方差大约与 1/sqrt(N) 成正比所以 BER 越低需要的 N 越大。4.2 理论曲线与仿真曲线对比把仿真得到的 BER 和理论近似画在一起看是否重合。from scipy.special import erfc def theoretical_ber(ebn0_db): ebn0 10**(ebn0_db/10) return (3/8) * erfc(np.sqrt((2/5) * ebn0))逻辑说明这是 16QAM 在 AWGN 下的近似理论误比特率。参数说明ebn0_db是 Eb/N0单位 dBerfc是互补误差函数。如果你仿真曲线在低信噪比偏高、高信噪比重合那是近似本身的误差如果整体平移那就是单位换算或归一化问题。4.3 脉冲成型对误码率的影响加根升余弦滤波器后符号间会有码间干扰误码率会略差于符号级仿真。常见做法是发送端用 RRC 成型接收端用匹配的 RRC 滤波滚降系数一般取 0.35 或 0.5。from scipy.signal import firwin def rrc_filter(beta, sps, span): # 简化示意实际RRC系数有闭式公式 pass逻辑说明脉冲成型把符号展宽到多个采样点匹配滤波后采样判决。参数说明beta是滚降系数越大频谱越宽但码间干扰越小sps是每符号采样数一般取 4 或 8span是滤波器跨度取 6 到 10 个符号。加成型后星座图会从理想点变成小团团的大小和滚降系数、信噪比都有关。5. 16QAM 仿真避坑那些让曲线对不上的细节5.1 现象BER 曲线整体左移 6dB原因把 Eb/N0 直接当 Es/N0 用了。16QAM 每符号 4 比特Es/N0 比 Eb/N0 高 6.02dB。解决在加噪前做换算esn0_db ebn0_db 10*np.log10(4)。5.2 现象星座图散点整体旋转或偏移原因载波相位偏移或频率偏移没补偿。解决在符号级仿真里先不加频偏确认映射和噪声没问题加频偏后要加相位估计和补偿否则判决全错。5.3 现象高信噪比下 BER 不降反升原因蒙特卡洛符号数不够或者判决时用了错误的反映射表。解决增加符号数到 1e6 以上检查映射表和反映射表是否严格对应特别是格雷映射的顺序。5.4 现象加脉冲成型后 BER 明显变差原因RRC 滤波器设计不对或者收发端滚降系数不匹配。解决收发端用相同的 RRC 参数检查滤波器时延是否补偿采样点是否对准最佳采样时刻。5.5 现象理论曲线和仿真曲线在低信噪比差很多原因理论近似在低信噪比不准或者仿真中噪声功率算错。解决低信噪比以仿真为准理论近似只作参考检查噪声功率是否按符号能量归一化。6. 把 16QAM 仿真用起来从验证到链路预算跑通星座图和误码率仿真后这套代码可以当基带验证的起点。我一般会做三件事第一把 Es/N0 扫描范围拉宽从 0dB 到 25dB看曲线拐点在哪第二改滚降系数看频谱效率和误码率的折中第三加一个简单的相位噪声模型看星座图怎么从团变成弧。这些扩展不需要改核心链路只需要在加噪前后插模块。一个具体技巧统计误码时不要只统计总 BER分 I 路和 Q 路分别统计。16QAM 的 I、Q 两路在格雷映射下误码率应该接近如果某一路明显偏高说明映射表或判决门限有问题。这个习惯帮我省过很多后悔药。最后说个血泪经验仿真代码一定要固定随机种子并且把每次改动的参数记在文件名或注释里。我见过太多人跑了一晚上第二天忘了改了什么曲线对不上只能重跑。希望帮到你。本文还有配套的精品资源点击获取
