QPSK基础与多径信道Matlab仿真

最新推荐文章于 2024-08-12 11:45:31 发布

Cc小跟班

最新推荐文章于 2024-08-12 11:45:31 发布

阅读量9.7k

点赞数 22

分类专栏：【算法知识】相关文章标签： matlab QPSK 多径信道

本文链接：https://blog.csdn.net/aixdm/article/details/112390352

版权

【算法知识】相关专栏收录该内容

39 篇文章 0 订阅

订阅专栏

文章目录

~~此博文是对于QPSK信号基本原理和经过多径仿真情况下的仿真，未考虑电路和载波！~~

1.基础原理与仿真程序

原理

正交相移键控(Quadrature Phase Shift Keying，QPSK)是一种数字调制方式。

星座图（constellation diagram）有助于定义信号元素的振幅和相位，尤其当我们使用两个载波(一个同相，而另一个正交)时。当处理多电平ASK,PSK或QAM(见下一个节)时，星座图很有用。
111111

~~两种常见用QPSK星座图相位~~

程序

a.利用Matlab中调制(pskmod)解调(depskmod)函数实现

M=4;
a=randi([0 1],1,10);
a2= reshape(a,log2(M),[])'           %★以每组2比特进行分组，M=4
a10= bi2de(a2)                       %二进制转化为十进制
yt=pskmod(a10,M,pi/4)
yj=pskdemod(yt,M,pi/4)
De_data1 = reshape(yj,[],1)
De_data2 = de2bi(De_data1,2)
b = reshape(De_data2',1,[])

b.自编原理型实现（+awgn）

输入一组随机初始信息x=[01矩阵]；
按两两一组通过for循环判别4种组合，分别对应星座图4个点;
做星座图
调制和解调相对应

%此代码实现QPSK调制与解调，并加噪做误码率曲线
close all;clc;
SNR=1:20;                            %信噪比变化范围
snr=10.^(SNR/10);                    %将信噪比转化成直角坐标
N=100000;                            %仿真点数
M=1;
a=randi([0,1],1,N);                  %产生一组随机初始信息矩阵
[r,c] = size(a);                     %读取行r、列c
y=[];   
 for u=1:r                           %建立for循环嵌套,寻找4种组合→映射到星座图位置
     p=1;    
    for t=1:2:c
        k=t+1;
        if a(u,t)==0&&a(u,k)==0 
            y(u,p)=-1-1i;
        elseif a(u,t)==0&&a(u,k)==1
            y(u,p)=-1+1i;
        elseif a(u,t)==1&&a(u,k)==0 
          y(u,p)=1-1i;
        else
          y(u,p)=1+1i; 
        end
        p=p+1;
    end                              %"y1=pskmod(y0,M)"Matlab自带的psk调制函数
 end                                 % "scatterplot(y)"可做画星座图 验证
for i=1:length(SNR)   
    N0=1/2/snr(i);                   %计算噪声功率
    N0_dB=10*log10(N0);              %将噪声功率转换为dBW
    ni=wgn(1,N/2,N0_dB);             %产生高斯噪声
    ys=y+ni;                         %通过高斯信道
  
  [n,m] = size(ys);  
  q=[];                              % BER_S=zeros(1,20);BER_S可预先分配空间，提升性能
  for b=1:n                          % 与调制对应，用for循环QPSK解调（将4个星座点数据输出为01序列）
       j=1;            
    for d=1:m
        if real(ys(b,d))<0&&imag(ys(b,d))<0
            q(b,j)=0;q(b,j+1)=0; 
        elseif real(ys(b,d))<0&&imag(ys(b,d))>0
            q(b,j)=0;q(b,j+1)=1;
        elseif  real(ys(b,d))>0&&imag(ys(b,d))<0
            q(b,j)=1;q(b,j+1)=0;
        elseif real(ys(b,d))>0&&imag(ys(b,d))>0
            q(b,j)=1;q(b,j+1)=1;
        end
        j=j+2;
    end
  end                                %"y2=pskdemod(y1,M)"Matlab自带的psk解调函数
  [number1,BER_S(i)] = symerr(a,q);  %计算错误比特数和误码率（误比特率）== bit_A=length(find(a~=q))%统计错误比特数 p=number1/N;  
end
 BER_T=1/2*erfc(sqrt(snr/2));        %AWGN信道下QPSK理论误码率 
%绘制图形
figure;
semilogy(SNR,BER_S,'-k*');hold on;
semilogy(SNR,BER_T,'-go');hold on;
legend('仿真','理论');
axis([-1,10,10^-4,1]);
title('QPSK误码性能分析');
xlabel('信噪比SNR(dB)');ylabel('BER');

运行结果

2.QPSK多径信道仿真

多径信道：信号通过多条路径抵达接收端，由散射等引起，是时延。

均衡：校正信道引入的失真，使得信道和均衡器的传输函数的乘积为常数，消除码间串扰。

ZF：Zero forcing迫零均衡，就是忽略噪声，迫使噪声为0。简单，但放大了噪声，性能最差；

MMSE：Minimum Mean Square Error,最小均方误差均衡，让系统最小均衡误差达到最小从而推出均衡矩阵，考虑了噪声因素，性能比ZF好；

MLSE：Maximum Likelihood Sequence Estimation, 最大似然均衡，考虑了有效发送序列与信道冲击响应卷积后可能形成的所有序列，从中找到与接收信号有最小距离的序列，性能优于另外两种，但复杂度最大。

下边程序为QPSK信号通过多径信道，并且做了上述三种均衡来补偿，并做误码率曲线做性能对比

程序

close all;clc;
%% 参数设置
SNR=1:20;                   %信噪比变化范围
snr=10.^(SNR/10);           %将信噪比转化成直角坐标
M=4;
N=200;
pathnum=3;
l_cp=pathnum+1;
w1=zeros(2*M,N);
w2=zeros(2*M,N);
w3=zeros(2*M,N);
%生成输入所有可能序列，备MLSE使用
xq=[0.7071 + 0.7071i;-0.7071 - 0.7071i;0.7071 - 0.7071i;-0.7071 + 0.7071i];
b=[0.7071 + 0.7071i,-0.7071 - 0.7071i,0.7071 - 0.7071i,-0.7071 + 0.7071i];
    for nmnm=M:-1:2
        xq=Tmultiply(xq,b);
    end
    xq;
    length(xq);                     %4^M次方个组合    
%% 初始序列生成qpsk调制
for ii=1:length(SNR)  
    a=randi([0 1],1,2*M*N);
    a2= reshape(a,log2(4),[])';         
    a10= bi2de(a2);                    
    xt=pskmod(a10,4,pi/4);
    x=reshape(xt,M,N);              %M×N
    x1=zeros(M+l_cp,1);
    x2=zeros(M,1);
    for jj=1:N
%% 多径信道      
        h=(randn(1,pathnum)+1i*randn(1,pathnum))*sqrt(1/2/pathnum);%信道设置
        x2=x(:,jj);
        x1=[x2(M-l_cp+1:M);x2];     %+cp x1=[M+1×1]
        y0=conv(x1,h);              %y=x*h
        y=y0(l_cp+1:l_cp+M,:);      %-cp  Y=[M×1]  
%% awgn
        [m,n]=size(y);
        N0=1/2/snr(ii);                  
        N0_dB=10*log10(N0);            
        ni=wgn(m,n,N0_dB);
        ys=y+ni;
%% 接收端
% 均衡矩阵
        H=zeros(M,M);
        H1=zeros(M,1);
        for kk=1:pathnum
            H1(kk)=h(kk);     
        end
        H(:,1)=H1;     %第一列
        for cc=1:M-1
            H(:,cc+1)=circshift(H1,cc);  
        end            %第一列依次循环移位置2→M-1列
        %H·X=Y
        H;
% ZF均衡
        x_dect1=H\ys;                       
        xxx1=reshape(x_dect1,[],1);               
        yj1=pskdemod(xxx1,4,pi/4);
        De_data11 = reshape(yj1,[],1);
        De_data21 = de2bi(De_data11,2);
        w1(:,jj)= reshape(De_data21',[],1);
% MMSE均衡
        [nn1,mm1]=size(H*H');
        W=H'*pinv(H*H'+1/SNR(ii)*eye(nn1,mm1));
        x_dect2=W*ys;               
        xxx2=reshape(x_dect2,[],1);               
        yj2=pskdemod(xxx2,4,pi/4);
        De_data12 = reshape(yj2,[],1);
        De_data22 = de2bi(De_data12,2);
        w2(:,jj)= reshape(De_data22',[],1); 
% ML均衡
        size(H);
        for iii=1:4^M
            xg(iii)=norm(ys-H*xq(iii,:).');
        end
        minxg=min(xg);
        for jjj=1:4^M
            if xg(jjj)==minxg
                aaa=jjj;  
            end
        end
        xxx=reshape(xq(aaa,:),[],1);            
        yj=pskdemod(xxx,4,pi/4); 
        De_data1 = reshape(yj,[],1);
        De_data2 = de2bi(De_data1,2);
        w3(:,jj)= reshape(De_data2',[],1);
    end
    q1=reshape(w1,1,2*M*N);
    [number1,BER_S1(ii)] = symerr(a,q1);   %计算错误比特数和误码率
    
    q2=reshape(w2,1,2*M*N);
    [number1,BER_S2(ii)] = symerr(a,q2);   %计算错误比特数和误码率
  
    q3=reshape(w3,1,2*M*N);
    [number1,BER_S3(ii)] = symerr(a,q3);   %计算错误比特数和误码率
end
BER_S1
BER_S2
BER_S3
%% 绘制图形
figure;
semilogy(SNR,BER_S1,'-b*');hold on;
semilogy(SNR,BER_S2,'-r*');hold on;
semilogy(SNR,BER_S3,'-g*');hold on;
text(10,0.079,'ZF');
text(10,0.038,'MMSE');
text(10,0.01,'ML');
axis([-1,20,10^-4,1]);
title('误码性能分析');
xlabel('信噪比SNR(dB)');ylabel('误码率BER');

Tmultiply

一个自建子函数，用于实现以下功能：

一个位置上有m种可能，一共n个位置，求所有可能的组合
解法：分解法
把这个过程拆分为2个为一组的多个二元运算。
假设n=3，m=2，那2^3=222=(22)2=42，转换成数组也是一样的
所以可以定义一种特殊的乘法:两个数组中的元素两两组合
假设：m=[1,2]
mmm=(mm)m
mm=[1,2][1,2]=[[1, 1], [1, 2], [2, 1], [2, 2]]
(mm)*m=[[1, 1, 1], [1, 1, 2], [1, 2, 1], [1, 2, 2], [2, 1, 1], [2, 1, 2], [2, 2, 1], [2, 2, 2]]
只需要使用这种特殊的乘法，每次都乘上一个m，n-1次运算后便可得到结果。


function r=Tmultiply(a,b)
    r=[]; k=1;
    [p,~]=size(a);
    [~,nn]=size(b);
    for i=1:p
        for j=1:nn  
          r(k,:)=[a(i,:),b(:,j)];
          k=k+1;
        end
    end

运行结果

在这里插入图片描述

可以看到，性能优劣和最初原理分析时所述一致。

增大序列长度M和序列数N会使曲线更平滑，但由于MLSE均衡复杂度大（需要生成4^M个序列），计算过程也会相对较慢。

3.归一化相关

转于：Here

星座映射归一化因子是如何得到的？

答：所有能量求平均后开方得到的就是波形幅度值，其倒数就是归一化因子。比如，

比如16QAM，取值为，能量为2有4个星座点，为10有8个点（±1±3i），为18有4个点，共有能量72+80+8=160，然后这16个点的等概率分布是16分之1，所以要160除以16=10，这是平均能量，其平均后的波形幅度为sqrt（10），而QPSK共4个能量为2的星座，出现概率为四分之一，所以为8除以4=2，结果为sqrt（2），其他类推。

能量（功率）归一化有什么用？

答：添加功率归一化因子，目的在于使得不同调制方式（或者说对于所有映射方式）都能够取得相同的平均功率。

实际上，归一化是为了方便系统性能的比较，所以就要分清比较的模块是什么。比如，信道编码的增益问题，无论有无信道编码，比特能量是一样的，所以比较要以Eb/No为基准，而不是以进入信道前的符号能量Es/No为基准。再比如，在比较空时码系统和单天线系统中，还是以进入时空码编码前信号能量为基准，那么发送时的总能量一致，即时空码系统中各天线发射功率总和应和单天线系统发射功率相同。一般而言，归一化都在发射端处理。

在仿真OFDM的IFFT变换时，为什么要乘以sqrt (fft的点数) 进行归一化？

答：在matlab中做完IFFT后要乘以sqrt(fft的点数)，这样才能保证时域和频域上的功率相同，否则在计算功率上容易出错，如果不乘的话你只要知道也是可以的。至于信号功率归一化，是为了更方便的计算SNR，是为了在相同的标准下比较性能。

ps

Ⅰ.归一化不太会（信号噪声…）
Ⅱ.通信小白，摸索ing

相关博文

1.OFDM基础与多径仿真
2.QPSK/OFDM多径时变信道仿真

Cc小跟班

关注

22
点赞
踩
216

收藏

觉得还不错? 一键收藏
5
评论
QPSK基础与多径信道Matlab仿真

%QPSKclose all;clc;%思路：1.输入一组随机初始信息x=[01矩阵]；% 2.按两两一组通过for循环判别4种组合，分别对应星座图4个点% 3.做星座图 % a.过程中考虑过将01序列两两分开表示出来，不知是否有必要，未实现% b.考虑两两分开后直接定位一个组合，映射到星族图，未实现.利用y-a=randi([0,1],1,20) %产生一组随机初始信息矩阵[r,c] = size(a) % 读取行r、列cy=
复制链接

扫一扫

专栏目录