简介这份资源面向通信工程、数字通信课程学习者及MATLAB仿真入门者聚焦64QAM调制、误码率计算与最大似然检测三个核心知识点帮助读者理解高阶调制在噪声信道下的性能评估方法。压缩包内共1个文件为m脚本类型整体约1KB可直接在MATLAB环境中运行用于模拟随机二进制序列映射为64QAM符号、叠加信道噪声、执行最大似然检测并统计误码率的完整流程。已有569人学习下载说明该仿真脚本在同类教学资源中具有一定参考价值。读者可借助脚本直观观察星座映射与判决距离的关系理解MLD为何能在理论上取得最优误码性能并对比不同信噪比条件下的BER变化趋势为课程实验、算法验证或进一步扩展近似检测方案提供可复用的代码基础。1. QAM 调制与最大似然检测从星座图到误码率曲线的完整链路做数字通信基带仿真的人迟早会撞上 QAM 调制和误码率这两件事。我最早接触是在一个 OFDM 链路里当时用 16QAM 跑出来的 BER 曲线跟理论值差了将近 3 dB排查了两天才发现是判决门限没做归一化。QAM 调制本身不复杂——把比特映射到 I/Q 两路的幅度上但真正决定系统性能的是接收端怎么判、怎么算误码率、最大似然检测在什么条件下才比硬判决有优势。这篇笔记就按这条链路走一遍星座图怎么建、AWGN 下理论误码率怎么推、最大似然检测怎么实现、仿真和理论对不上的时候该查哪里。适合正在做基带仿真、链路预算或者通信算法验证的工程师新手能跟着代码跑通熟手可以直接看参数边界和踩坑部分。2. QAM 星座图构建与格雷码映射比特怎么变成 I/Q 幅度2.1 为什么 QAM 的星座图不能随便画QAM 调制的核心是把一组比特映射到复平面上的一个点这个点的实部是 I 路幅度虚部是 Q 路幅度。听起来简单但星座图的排列方式直接决定了误码率。最常见的做法是方形星座图16QAM 就是 4×4 的网格64QAM 是 8×8。每个维度上的幅度取值通常是 ±1, ±3, ±5, … 这样的奇数序列归一化之后平均功率为 1。为什么用奇数序列而不是 ±1, ±2, ±3因为方形 QAM 的每个维度本质上是脉冲幅度调制PAMPAM 的最优判决门限在相邻电平的中点等间距排列能让最小欧氏距离最大化。如果间距不均匀最小距离会变小误码率直接恶化。常见做法是让相邻星座点的距离为 2d然后整体归一化。格雷码映射是另一个关键点。相邻星座点之间只差一个比特这样当一个符号被判错到相邻点时只有一个比特出错。对于 16QAM格雷映射能把误比特率近似降到误符号率的 1/4 左右。不做格雷映射的话一个符号错误可能带来多个比特错误BER 曲线会明显抬高。2.2 用 Python 生成 16QAM 星座图并验证格雷映射下面这段代码生成 16QAM 的星座图做格雷映射并验证相邻点的比特差异。import numpy as np def gray_code(n): 生成 n 位格雷码序列 return n ^ (n 1) def qam16_constellation(): 生成 16QAM 星座图返回符号点和对应的 4bit 格雷码 # I/Q 两路各 4 个电平-3, -1, 1, 3 levels np.array([-3, -1, 1, 3]) points [] bits [] for i, re in enumerate(levels): for j, im in enumerate(levels): # 格雷码I 路用 i 的格雷码Q 路用 j 的格雷码 gray_i gray_code(i) gray_j gray_code(j) # 拼接成 4bit高 2 位给 I低 2 位给 Q bit_str format(gray_i, 02b) format(gray_j, 02b) points.append(re 1j * im) bits.append(bit_str) # 归一化平均功率为 1 points np.array(points) avg_power np.mean(np.abs(points)**2) points points / np.sqrt(avg_power) return points, bits points, bits qam16_constellation() for p, b in zip(points, bits): print(f符号 {p:.3f} - 比特 {b}) # 验证相邻点的汉明距离 def hamming_distance(b1, b2): return sum(c1 ! c2 for c1, c2 in zip(b1, b2)) # 检查水平相邻的点 for idx in range(len(points)): for jdx in range(idx1, len(points)): dist abs(points[idx] - points[jdx]) if dist 0.7: # 相邻点距离约 0.632 hd hamming_distance(bits[idx], bits[jdx]) if hd ! 1: print(f警告相邻点 {bits[idx]} 和 {bits[jdx]} 汉明距离为 {hd})这段代码的逻辑是先生成 4 个电平值然后对每个 I/Q 组合用格雷码把索引转成比特。格雷码的规则是n ^ (n 1)这样相邻索引只差一个比特。归一化那一步很关键不归一化的话后面加噪声时信噪比的定义会乱。最后验证相邻点的汉明距离正常情况下应该都是 1如果有不是 1 的说明映射有问题。参数说明levels数组决定了星座图的形状改成[-1, 1]就是 QPSK改成 8 个值就是 64QAM。归一化系数np.sqrt(avg_power)对 16QAM 大约是 2.236对 64QAM 是 6.325。这个系数在计算理论误码率时要用到因为信噪比的定义依赖于符号功率。提示格雷映射不是唯一的选择但在 AWGN 信道下它是最优的。如果信道有相位噪声或者非线性可能需要重新考虑映射方式。3. AWGN 信道下 QAM 误码率推导与仿真理论曲线怎么算、仿真怎么跑3.1 理论误码率的公式从哪来QAM 在 AWGN 信道下的误符号率有一个近似公式。对于方形 M-QAMM 2^kk 为偶数误符号率的近似为SER ≈ 4(1 - 1/√M) Q(√(3γ_s / (M - 1)))其中 γ_s 是符号信噪比Q 函数是高斯尾概率。这个公式的推导思路是把 QAM 看成两个正交的 PAM每个维度的误码率是 PAM 的误码率然后联合起来。更精确的表达式要考虑两个维度同时出错的概率但近似公式在信噪比不太低的时候足够准。误比特率和误符号率的关系取决于映射方式。格雷映射下BER ≈ SER / log2(M)。对于 16QAMlog2(16) 4所以 BER ≈ SER / 4。这个关系在信噪比高的时候很准信噪比低的时候会有偏差因为相邻符号错误可能带来多个比特错误。γ_s 和 γ_b 的关系是 γ_s γ_b × log2(M)。很多人在仿真时把 Eb/N0 和 SNR 搞混导致曲线平移。Eb/N0 是每比特信噪比SNR 是符号信噪比两者差一个 log2(M) 的因子。画图的时候通常用 Eb/N0 做横轴这样不同阶数的 QAM 可以放在一起比较。3.2 蒙特卡洛仿真从加噪声到统计误码率下面这段代码实现完整的 16QAM 蒙特卡洛仿真包括调制、AWGN 加噪、硬判决解调、误码率统计。import numpy as np def qam16_modulate(bits): 16QAM 调制输入比特流输出符号序列 # 每 4 个比特一组 bits np.array(bits).reshape(-1, 4) # 格雷码逆映射比特 - 索引 # 格雷码转二进制g b ^ (b 1)逆变换是 b g ^ (g 1) ^ (g 2) ... # 这里直接用查表法 gray_map { 0000: 0, 0001: 1, 0011: 2, 0010: 3, 0110: 4, 0111: 5, 0101: 6, 0100: 7, 1100: 8, 1101: 9, 1111: 10, 1110: 11, 1010: 12, 1011: 13, 1001: 14, 1000: 15 } levels np.array([-3, -1, 1, 3]) / np.sqrt(10) # 归一化 symbols [] for b in bits: bit_str .join(str(x) for x in b) idx gray_map[bit_str] re levels[idx // 4] im levels[idx % 4] symbols.append(re 1j * im) return np.array(symbols) def qam16_demodulate(symbols): 16QAM 硬判决解调 levels np.array([-3, -1, 1, 3]) / np.sqrt(10) bits_out [] for s in symbols: # 找最近的 I 和 Q 电平 re_idx np.argmin(np.abs(s.real - levels)) im_idx np.argmin(np.abs(s.imag - levels)) idx re_idx * 4 im_idx # 逆格雷映射 inv_gray {v: k for k, v in { 0000: 0, 0001: 1, 0011: 2, 0010: 3, 0110: 4, 0111: 5, 0101: 6, 0100: 7, 1100: 8, 1101: 9, 1111: 10, 1110: 11, 1010: 12, 1011: 13, 1001: 14, 1000: 15 }.items()} bit_str inv_gray[idx] bits_out.extend([int(x) for x in bit_str]) return np.array(bits_out) def simulate_ber(ebn0_db, num_bits100000): 仿真给定 Eb/N0 下的误码率 ebn0 10 ** (ebn0_db / 10) # 16QAM: Es/N0 Eb/N0 * log2(16) 4 * Eb/N0 esn0 4 * ebn0 # 噪声功率符号功率为 1噪声方差 1 / (Es/N0) noise_var 1 / esn0 noise_std np.sqrt(noise_var / 2) # 复噪声实部虚部各一半 tx_bits np.random.randint(0, 2, num_bits) tx_symbols qam16_modulate(tx_bits) noise noise_std * (np.random.randn(len(tx_symbols)) 1j * np.random.randn(len(tx_symbols))) rx_symbols tx_symbols noise rx_bits qam16_demodulate(rx_symbols) # 对齐长度 min_len min(len(tx_bits), len(rx_bits)) errors np.sum(tx_bits[:min_len] ! rx_bits[:min_len]) return errors / min_len # 跑一组 Eb/N0 ebn0_range np.arange(0, 16, 2) ber_results [] for ebn0_db in ebn0_range: ber simulate_ber(ebn0_db, num_bits200000) ber_results.append(ber) print(fEb/N0 {ebn0_db} dB, BER {ber:.6f})这段代码的关键点调制时用查表法做格雷映射解调时找最近的 I/Q 电平。噪声方差的计算是1 / esn0因为符号功率归一化到 1 了。复噪声的实部和虚部各占一半方差所以noise_std sqrt(noise_var / 2)。仿真点数要足够多200000 个比特在 BER 10^-4 量级还能有统计意义再低就要加点数或者用重要性采样。参数说明ebn0_db是每比特信噪比单位 dB。num_bits是仿真比特数越大越准但越慢。esn0 4 * ebn0是因为 16QAM 每符号 4 比特。如果换成 64QAM这个系数变成 6。噪声方差的计算依赖于符号功率归一化如果星座图没归一化这里要相应调整。注意仿真曲线和理论曲线在低信噪比时会有偏差因为近似公式在高误码率时不准。另外如果仿真点数不够高信噪比下的 BER 会变成 0画图时要用对数坐标并处理零值。4. 最大似然检测什么时候比硬判决强、怎么实现4.1 最大似然检测的原理和适用场景硬判决解调是逐个符号找最近的星座点然后逆映射成比特。这在 AWGN 信道下是最优的因为噪声是高斯分布最大似然准则退化成最小欧氏距离。但硬判决有个问题它丢掉了软信息。当后面接信道编码时软信息比硬比特更有价值。最大似然检测的思路是对每个接收符号计算它到所有星座点的似然函数然后选似然最大的那个。在 AWGN 下似然函数是高斯概率密度最大化似然等价于最小化欧氏距离。所以对于无编码的 QAM最大似然检测和硬判决的结果是一样的。区别在于最大似然检测可以输出软信息比如对数似然比LLR供译码器使用。如果信道有记忆或者有干扰最大似然检测就要考虑符号序列的联合似然这时候复杂度会指数增长。常见做法是用 Viterbi 算法或者球形译码来降低复杂度。但在纯 AWGN 无编码的场景下逐符号的最大似然就是最优的不需要序列检测。4.2 逐符号最大似然检测的实现与软信息输出下面这段代码实现 16QAM 的逐符号最大似然检测输出每个比特的 LLR。def qam16_ml_detect(rx_symbols, noise_var): 16QAM 最大似然检测输出每个比特的 LLR levels np.array([-3, -1, 1, 3]) / np.sqrt(10) # 生成所有星座点 constellation [] bit_labels [] gray_map { 0000: 0, 0001: 1, 0011: 2, 0010: 3, 0110: 4, 0111: 5, 0101: 6, 0100: 7, 1100: 8, 1101: 9, 1111: 10, 1110: 11, 1010: 12, 1011: 13, 1001: 14, 1000: 15 } inv_gray {v: k for k, v in gray_map.items()} for idx in range(16): re levels[idx // 4] im levels[idx % 4] constellation.append(re 1j * im) bit_labels.append([int(x) for x in inv_gray[idx]]) constellation np.array(constellation) bit_labels np.array(bit_labels) llrs [] for s in rx_symbols: # 计算到所有星座点的距离 distances np.abs(s - constellation) ** 2 # 似然exp(-distance / (2 * noise_var)) likelihoods np.exp(-distances / (2 * noise_var)) # 对每个比特计算 LLR llr [] for bit_idx in range(4): # 比特为 0 的星座点似然之和 p0 np.sum(likelihoods[bit_labels[:, bit_idx] 0]) p1 np.sum(likelihoods[bit_labels[:, bit_idx] 1]) llr.append(np.log(p0 / (p1 1e-300))) llrs.append(llr) return np.array(llrs) # 测试 np.random.seed(42) tx_bits np.random.randint(0, 2, 400) tx_symbols qam16_modulate(tx_bits) noise_var 0.01 noise np.sqrt(noise_var/2) * (np.random.randn(len(tx_symbols)) 1j*np.random.randn(len(tx_symbols))) rx_symbols tx_symbols noise llrs qam16_ml_detect(rx_symbols, noise_var) print(前 5 个符号的 LLR) print(llrs[:5])这段代码的逻辑是对每个接收符号计算它到 16 个星座点的欧氏距离然后转成似然。对每个比特把所有该比特为 0 的星座点的似然加起来除以该比特为 1 的似然之和取对数得到 LLR。LLR 为正表示比特 0 更可能为负表示比特 1 更可能绝对值越大越可靠。参数说明noise_var是噪声方差必须和仿真时用的噪声功率一致。如果噪声方差估计不准LLR 的尺度会偏影响译码性能。1e-300是防止除零的小量。LLR 的计算可以用 max-log 近似来降低复杂度就是用最大似然代替似然之和性能损失很小。提示在无编码系统中最大似然检测和硬判决的误码率是一样的。LLR 的价值在于接信道编码时软判决译码能比硬判决多出 2 dB 左右的增益。5. 避坑与排查QAM 误码率仿真对不上理论的 5 个常见原因5.1 信噪比定义混淆导致曲线平移现象仿真曲线和理论曲线形状一样但整体平移了 3 dB 或 6 dB。原因Eb/N0 和 Es/N0 搞混了。Eb/N0 是每比特信噪比Es/N0 是每符号信噪比两者差 log2(M)。16QAM 差 4 倍也就是 6 dB。另外有些代码用 SNR 表示符号信噪比有些用比特信噪比不统一就会平移。解决画图时统一用 Eb/N0 做横轴。仿真时先算 Es/N0 Eb/N0 × log2(M)再算噪声方差。理论公式里的 γ_s 是符号信噪比代入前要确认。5.2 星座图未归一化导致噪声功率算错现象低信噪比时 BER 偏高高信噪比时曲线斜率不对。原因星座点没归一化符号平均功率不是 1但噪声方差还是按 1 算的。这样实际信噪比比设定值低BER 自然偏高。解决调制后除以sqrt(mean(abs(points)^2))。16QAM 的归一化系数是sqrt(10)64QAM 是sqrt(42)。归一化后再加噪声噪声方差按1 / esn0算。5.3 格雷映射错误导致高信噪比下 BER 偏高现象低信噪比时曲线正常高信噪比时 BER 下降变慢比理论值高。原因格雷映射写错了相邻星座点的汉明距离不是 1。一个符号错误带来多个比特错误BER 就降不下去。解决用代码验证相邻点的汉明距离确保都是 1。常见错误是 I 路和 Q 路的格雷码顺序搞反了或者比特拼接顺序不对。5.4 仿真点数不足导致高信噪比下 BER 为 0现象Eb/N0 大于 12 dB 时 BER 突然变成 0画图时出现断点。原因仿真比特数不够高信噪比下错误事件太少统计不到。比如 BER 10^-5要至少 10^7 个比特才能有 100 个错误。解决高信噪比时增加仿真点数或者用重要性采样。画图时对 BER 为 0 的点做特殊处理比如设成 10^-6 或者不画。5.5 噪声方差计算错误导致 LLR 尺度不对现象最大似然检测的 LLR 绝对值偏大或偏小接译码器时性能差。原因LLR 计算用的噪声方差和实际加噪的方差不一致。LLR 对噪声方差很敏感差一倍会导致 LLR 尺度差一倍。解决在接收端估计噪声方差或者用已知的导频符号来估计。仿真时确保noise_var和加噪时用的方差完全一致。6. 从误码率曲线到链路预算一个可复用的验证习惯跑通仿真之后我一般会做一件事把仿真曲线和理论曲线画在同一张图上看它们在中高信噪比区域是否重合。如果重合说明调制、加噪、解调这条链路没问题。如果不重合先查信噪比定义再查归一化最后查格雷映射。这个顺序能解决 90% 的问题。对于最大似然检测我的习惯是先用无编码场景验证 LLR 的符号是否正确——正负号应该和硬判决结果一致。然后再接一个简单的卷积码或者 LDPC 码看软判决比硬判决能多出多少增益。16QAM 在 AWGN 下软判决通常比硬判决好 1.5 到 2 dB。如果增益明显小于这个值就要查 LLR 的尺度或者译码器的输入范围。还有一个容易忽略的点QAM 的阶数越高对信噪比的要求越高。16QAM 比 QPSK 多需要约 4 dB64QAM 再多 4 dB 左右。做链路预算时把这些余量算进去别等到现场测试才发现 margin 不够。我自己的做法是建一个表格把不同调制阶数、不同码率下的所需 Eb/N0 列出来每次设计新链路时直接查表省得重复推导。最后说一个验证技巧用蒙特卡洛仿真跑出来的 BER 曲线在 BER 10^-3 附近和理论值对比如果误差在 0.2 dB 以内基本可以认为链路是干净的。如果误差超过 0.5 dB一定要找到原因因为在实际系统中这 0.5 dB 可能就是链路余量的全部。希望帮到你。本文还有配套的精品资源点击获取