星座图与错误概率关系

本文通过学习整理 通信原理(樊昌信) 与 数字通信(Proakis) 里的 星座图与错误概率关系

回答几个问题：

1.为什么能用星座图判决符号？星座图是如何判决符号的？

2.为什么星座图有表示错误概率的能力？错误概率为什么与星座图中最近距离有关？

一、星座图介绍

$M$ 个有限能量信号波形集 { s m ( t ) } \{s_m(t)\} {sm​(t)} 可以表示成维数 $N\le M$ 的标准正交函数的加权线性组合，通过对 { s m ( t ) } \{s_m(t)\} {sm​(t)} 应用施密特正交化过程可获得基函数 { ϕ n ( t ) } \{{\phi}_n(t)\} {ϕn​(t)}。零均值高斯白噪声也可以按照基函数 { ϕ n ( t ) } \{{\phi}_n(t)\} {ϕn​(t)} 进行展开

例如对 QAM 调制来说，对其中一个码元
$$e_m(t)=A_{m}cos({\omega }_{c}t+{\theta }_m)=A_{m}cos({\theta }_m)cos({\omega }_{c}t)-A_{m}sin({\theta }_m)sin({\omega }_{c}t)$$将其按照 IQ正交分解，得到两个基函数 ${\varphi }_1(t)=cos({\omega }_{c}t),{\varphi }_2(t)=sin({\omega }_{c}t)$，这两个是标准（模为1）正交（点积为0）基函数。令 $X_m=A_{m}cos({\theta }_m),Y_m=A_{m}sin({\theta }_m)$，那么码元可以表示为
$$e_m(t)=X_{m}cos({\omega }_{c}t)+Y_{m}sin({\omega }_{c}t)$$对于 QAM 信号 $s_m(t)$ 来说，可以将其用基函数表达并写成坐标形式
$$s_m(t)=X_m{\varphi }_1(t)+Y_m{\varphi }_2(t)=(X_m,Y_m)$$令 ${\varphi }_1(t),{\varphi }_2(t)$ 为横纵坐标，在平面上画出对应的星座点，如下图所示。

二、矢量信道描述

对于 AWGN 信道，信号 $s_m(t)$ 过信道的数学描述为
$$r(t)=s_m(t)+n(t)$$式中，$s_m(t)$ 是发送信号，是 $M$ 个可能信号之一； $n(t)$ 是高斯白噪声过程的一个样本波形，其均值为0功率谱密度为 $N_0/2$；$r(t)$ 是接收信号。

根据前面描述，可以用标准正交基表示信号 $s_m(t)$。可以证明任何标准正交基都可以用于零均值白高斯过程的展开式，展开式的系数是 IID 均值为 0、方差为 $N_0/2$ 的高斯随机变量。对于上述举的例子来说，噪声过程不能以基函数 { ϕ n ( t ) } \{{\phi}_n(t)\} {ϕn​(t)} 全部展开（大数定律告诉我们，不可能用有限的基函数来表示一个高斯过程），那么将 $n(t)$ 分成两个分量：一个分量（记为 $n_1(t)$）是噪声中以 { ϕ n ( t ) } \{{\phi}_n(t)\} {ϕn​(t)} 展开的部分，即噪声在这些基函数构建的空间中的投影；另一个分量（记为 $n_2(t)$）是噪声中不能用基函数表示的部分，即
$$n(t)=n_1(t)+n_2(t)=\sum _{j=1}^M{n}_j{\varphi }_j(t)+n_2(t)$$可以证明
$$\begin{array}{rl}\mathrm{COV}\left[n_j{n}_2(t)\right]& =E\left[n_j{n}_2(t)\right]=E\left[n_{j}n(t)\right]-E\left[n_j{n}_1(t)\right]\\ & =E\left[n(t){\int }_{-\infty }^{\infty }n(s){\varphi }_j(s)ds\right]-E\left[n_j\sum _{i=1}^N{n}_i{\varphi }_i(t)\right]\\ & =\frac{N_0}{2}{\int }_{-\infty }^{\infty }\delta (t-s){\varphi }_j(s)ds-\frac{N_0}{2}{\varphi }_j(t)=\frac{N_0}{2}{\varphi }_j(t)-\frac{N_0}{2}{\varphi }_j(t)=0\end{array}$$即 $n_2(t)$ 与所有的 $n_j$ 都不相关，因为他们是联合高斯的， $n_2(t)$ 与所有的 $n_j$ 都独立，因此它与 $n_1(t)$ 独立。因此对于接收信号 $r(t)$，$n_2(t)$ 独立于 $n_1(t)$ ，因此不能提供有关发送信号所在基函数的任何信息，因此 $n_2(t)$ 对检测过程没有影响，可以忽略且不影响检测器性能。

根据上述讨论可见，对最佳检测器的设计，波形 AWGN 信道为
$$r(t)=s_m(t)+n(t),1\le m\le M$$等效于 $N$ 维的矢量信道
$$\mathbf{r}={\mathbf{s}}_m+\mathbf{n},1\le m\le M$$上述可见 AWGN 信道对信号的影响就是在原始星座点加上一个二维的高斯随机变量。

三、最佳检测

3.1 最佳判决规则

接收机对接收信号 $r(t)$ 进行观察，并据此作出关于哪一个消息 $m(1\le m\le M)$ 被发送的最佳判决。最佳判决是指导致最小差错概率的判决规则，即由
$$P_e=P[\hat{m}\ne m]$$确定的发送消息 $m$ 与判决结果 $\hat{m}$ 之间的不一致的概率最小化的判决规则。对于最佳检测器，使差错概率最小等价使正确判决的概率最大，在给定接收 $\mathbf{r}$ 的条件下正确的判决概率为
$$\begin{array}{rl}P[正确判决]& =\int P[正确判决|\mathbf{r}]p(\mathbf{r})d\mathbf{r}\\ & =\int P[判决为\hat{m}|\mathbf{r}]p(\mathbf{r})d\mathbf{r}\end{array}$$ $p(\mathbf{r})$ 是非负的，如果对每一个 $\mathbf{r}$ 最大化 $P[\hat{m}|\mathbf{r}]$，使得正确判决概率最大。这意味着最佳检测规则是：根据对 $\mathbf{r}$ 的观察选取使 $P[m|\mathbf{r}]$ 最大的消息 $m$ 判决，即使得选到最大的 $P[\hat{m}|\mathbf{r}]$，判决过程可以表示为
$$\hat{m}=\underset{1\le m\le M}{\mathrm{argmax}}P[m\mid \mathbf{r}]$$因为发送信息 $m$ 等价于发送 $s_m$，最佳判决规则可表示为
$$\hat{m}=\underset{1\le m\le M}{\mathrm{argmax}}P[s_m\mid \mathbf{r}]$$这两个最佳判决规则即为最大后验概率规则(MAP规则)，还可以简化为
$$\hat{m}=\underset{1\le m\le M}{\mathrm{argmax}}\frac{P_{m}p[\mathbf{r}\mid s_m]}{P(\mathbf{r})}=\underset{1\le m\le M}{\mathrm{argmax}}{P}_{m}p[\mathbf{r}\mid s_m]$$当发送先验概率等概情况下，最佳判决规则可简化为
$$\hat{m}=\underset{1\le m\le M}{\mathrm{argmax}}p[\mathbf{r}\mid s_m]$$该式称为最大似然接收机(ML接收机)，$p[\mathbf{r}\mid s_m]$ 称为消息 $m$ 的似然函数。当先验概率不等概时，ML 检测器不是最佳检测器。

3.2 矢量 AWGN 信道的最佳检测

噪声矢量 $\mathbf{n}$ 的 PDF 为
$$p(n)={\left(\frac{1}{\sqrt{\pi N_0}}\right)}^N{e}^{-\frac{{\sum }_{j=1}^N{n}_j^2}{2{\sigma }^2}}={\left(\frac{1}{\sqrt{\pi N_0}}\right)}^N{e}^{-\frac{\Vert n{\Vert }^2}{N_0}}$$那么对于 MAP 检测器有
$$\begin{array}{rl}\text{m}& =\arg \underset{1\le m\le M}{\max }\left[P_{m}p(\mathbf{r}|{\mathbf{s}}_m)\right]\\ & =\arg \underset{1\le m\le M}{\max }{P}_m\left[p_n(\mathbf{r}-s_m)\right]\\ & =\arg \underset{1\le m\le M}{\max }\left[P_m{\left(\frac{1}{\sqrt{\pi N_0}}\right)}^N{e}^{-\frac{\Vert r-s_m{\Vert }^2}{N_0}}\right]\\ & \stackrel{(a)}{=}\arg \underset{1\le m\le M}{\max }[P_m{e}^{-\frac{\Vert \mathbf{r}-{\mathbf{s}}_m{\Vert }^2}{N_0}}]\\ & \stackrel{(b)}{=}\arg \underset{1\le m\le M}{\max }\left[\ln P_m-\frac{\Vert \mathbf{r}-s_m{\Vert }^2}{N_0}\right]\\ & \stackrel{(c)}{=}\arg \underset{1\le m\le M}{\max }\left[\frac{N_0}{2}\ln P_m-\frac{1}{2}\Vert \mathbf{r}-{\mathbf{s}}_m{\Vert }^2\right]\\ & =\arg \underset{1\le m\le M}{\max }\left[\frac{N_0}{2}\ln P_m-\frac{1}{2}\left(\Vert \mathbf{r}{\Vert }^2+\Vert {\mathbf{s}}_m{\Vert }^2-2\mathbf{r}\cdot {\mathbf{s}}_m\right)\right]\\ & \stackrel{(d)}{=}\arg \underset{1\le m\le M}{\max }\left[\frac{N_0}{2}\ln P_m-\frac{1}{2}{\mathcal{E}}_m+\mathbf{r}\cdot {\mathbf{s}}_m\right]\\ & \stackrel{(e)}{=}\arg \underset{1\le m\le M}{\max }\left[{\eta }_m+r\cdot s_m\right]\end{array}$$定义 ${\eta }_m=\frac{N_0}{2}\ln P_m-\frac{1}{2}{\mathcal{E}}_m$，其中 ${\mathcal{E}}_m=\Vert {\mathbf{s}}_m{\Vert }^2$ 为发送信号 ${\mathbf{s}}_m$ 的能量。

当发送信息等概时，该关系式可以简化，写作
$$\begin{array}{rl}\text{m}& =\arg \underset{1\le m\le M}{\max }\left[\frac{N_0}{2}\ln P_m-\frac{1}{2}\Vert \mathbf{r}-s_m{\Vert }^2\right]\\ & =\arg \underset{1\le m\le M}{\max }\left[-\Vert \mathbf{r}-{\mathbf{s}}_m{\Vert }^2\right]\\ & =\arg \underset{1\le m\le M}{\min }\Vert \mathbf{r}-{\mathbf{s}}_m\Vert \end{array}$$该式的几何解释非常明显。接收机接收 $\mathbf{r}$ 并以标准欧式距离在基函数 { ϕ n ( t ) } \{{\phi}_n(t)\} {ϕn​(t)} 下在所有 ${\mathbf{s}}_m$ 中寻找与 $\mathbf{r}$ 距离最近者，这样的检测器被称为最近邻或最小距离检测器。在这种情况下，判决域 $D_m$ 与 $D_{m+1}$ 的边界是与 ${\mathbf{s}}_m$ 和 ${\mathbf{s}}_{m+1}$ 等距离点的集合，就是这两个点的垂直平分线，一般来讲该边界是一个超平面。如下图所示是一个具有 4 个信号点的二维 (N=2) 的星座，实线表示判决域的边界，它是连接各信号点虚线的垂直平分线。

3.3 等概二进制信号传输方式的差错概率

在这种情况下，发送机将两个等概的信号 $s_1(t)$ 和 $s_2(t)$ 在 AWGN 信道下传输。因为信号是等概的这两个判决域由 $s_1(t)$ 与 $s_2(t)$ 连线的垂直平分线来划分。由于对称性，发送 $s_1(t)$ 或 $s_2(t)$ 的差错概率相等，因此 $P_b=P[判决错误\mid 发送{\mathbf{s}}_1]$。下图展示了判决域与 ${\mathbf{s}}_1$ 和 ${\mathbf{s}}_2$ 示意图。

当发送 ${\mathbf{s}}_1$ 时，如果 $\mathbf{r}$ 位于判决域 $D_2$ 一侧则会发生差错，这意味着 $\mathbf{r}-{\mathbf{s}}_1$ 在 ${\mathbf{s}}_2-{\mathbf{s}}_1$ 上的投影（即 A 点）与 ${\mathbf{s}}_1$ 之间的距离大于 $d_{12}/2$ ，其中 $d_{12}=\Vert {\mathbf{s}}_2-{\mathbf{s}}_1\Vert$。注意，因为发送 ${\mathbf{s}}_1$ ， $\mathbf{n}=\mathbf{r}-{\mathbf{s}}_1$， $\mathbf{r}-{\mathbf{s}}_1$ 在 ${\mathbf{s}}_2-{\mathbf{s}}_1$ 上的投影变为等于 $\mathbf{n}({\mathbf{s}}_2-{\mathbf{s}}_1)/d_{12}$ ，所以差错概率为
$$P_b=P\left[\frac{\mathbf{n}\cdot ({\mathbf{s}}_2-{\mathbf{s}}_1)}{d_{12}}>\frac{d_{12}}{2}\right]$$
或
$$P_b=P\left[\mathbf{n}\cdot ({\mathbf{s}}_2-{\mathbf{s}}_1)>\frac{d_{12}^2}{2}\right]$$
注意到 $\mathbf{n}\cdot ({\mathbf{s}}_2-{\mathbf{s}}_1)$ 是零均值高斯随机变量，其方差为 $d_{12}^2{N}_0/2$。因此可得
$$\begin{array}{c}{P}_b=Q\left(\frac{\frac{d_{12}^2}{2}}{d_{12}\sqrt{\frac{N_0}{2}}}\right)\\ =Q\left(\sqrt{\frac{d_{12}^2}{2N_0}}\right)\end{array}$$
上式具有通用性，它适用于所有等概二进制信号传输系统，而不管信号的形状如何。因为 $Q(\cdot )$ 是递减函数，为了使差错概率最小，必须使信号之间的距离最大。距离 $d_{12}$ 为
$$d_{12}^2={\int }_{-\infty }^{\infty }{\left(s_1(t)-s_2(t)\right)}^{2}dt$$
在等概二进制信号且等能量（即 ${\mathcal{E}}_{s_1}={\mathcal{E}}_{s_2}=\mathcal{E}$）的情况下，上式可展开为
$$d_{12}^2={\mathcal{E}}_{s_1}+{\mathcal{E}}_{s_2}-2⟨s_1(t),s_2(t)⟩=2\mathcal{E}(1-\rho )$$
式中，$\rho$ 是 $s_1(t)$ 与 $s_2(t)$ 之间的互相关系数，$-1\le \rho \le 1$ ，当 $\rho =-1$ 即双极性信号时二进制信号的距离最大，在这种情况下系统的差错概率最小。

四、最佳接收机的实现

4.1 匹配滤波器接收机与星座点

在最佳检测里推导出了最佳 MAP 判决规则
$$\begin{array}{rl}\hat{m}& =\arg \underset{1\le m\le M}{\max }\left[{\eta }_m+\mathbf{r}\cdot {\mathbf{s}}_m\right],{\eta }_m=\frac{N_0}{2}\ln P_m-\frac{1}{2}{\mathcal{E}}_m\end{array}$$
求 $\mathbf{r}\cdot {\mathbf{s}}_m$ 可以通过多种方法，例如用相关的方法，接收机用每一个基函数 ${\varphi }_j(t)$ 乘 $r(t)$ 再积分可以得到 $\mathbf{r}$ 的全部份量，然后求 $\mathbf{r}$ 与每一个 ${\mathbf{s}}_m$ 的内积；或者用等价的时域积分 ${\int }_{-\infty }^{\infty }r(t)s_m(t)dt$ 。这两种方法中，都需要计算
$$r_x={\int }_{-\infty }^{\infty }r(t)x(t)dt$$
式中，$x(t)$ 是 ${\varphi }_j(t)$ 或 $s_m(t)$。如果定义 $h(t)=x(T-t)$，其中 $T$ 为任意值，具有冲激响应 $h(t)$ 的滤波器称为匹配与 $x(t)$ 的滤波器或者匹配滤波器。如果该滤波器的输入为 $r(t)$ ，则其输出 $y(t)$ 为 $r(t)$ 与 $h(t)$ 的卷积，即
$$\begin{array}{rl}y(t)& =r(t)\ast h(t)\\ & ={\int }_{-\infty }^{\infty }r(\tau )h(t-\tau )d\tau \\ & ={\int }_{-\infty }^{\infty }r(\tau )x(T-t+\tau )d\tau \end{array}$$
上式表明
$$r_x=y(T)={\int }_{-\infty }^{\infty }r(\tau )x(\tau )d\tau$$
上式表明相关器的输出 $r_x$ 可以通过匹配滤波器再 $t=T$ 时刻抽样得到。注意，抽样时刻必须准确的设置为 $t=T$ ，其中 $T$ 再匹配滤波器的设计中去任意值。只要满足这个条件，$T$ 的选择是不相关的；然而从实际的情况来看， $T$ 的选择原则是必须使滤波器符合因果关系，即当 $t<0$ 时 $h(t)=0$，这就要对 $T$ 的可能取值加以限制。最佳接收机的匹配滤波器的实现如下图所示。

根据上述，接收机用每一个基函数 ${\varphi }_j(t)$ 乘 $r(t)$ 再积分可以得到 $\mathbf{r}$ 的全部分量，再判断 $\mathbf{r}$ 与哪个 $\mathbf{s}$ 最近即可实现判决。

而对于IQ调制，通过IQ正交的设计已实现了分出 $\mathbf{r}$ 的各个分量；通过成型滤波与接收滤波的设计，可以实现无码间串扰条件；在最佳抽样点抽样，可以实现抽样时刻的信噪比最大。