简介一份围绕QPSK调制系统仿真生成的MATLAB课程资料包面向通信工程相关专业学生、西电B测参赛者以及需要完成数字调制实验的初学者。资源按西电B测题目要求以周期63bits的m序列为信源码设置载波频率与码速率相等的整数参数在无噪声条件下实现QPSK已调信号生成并给出时域波形、频谱、功率谱密度与星座图观测结果。压缩包共6个文件包含可直接运行的.m仿真脚本、4份docx文档实验报告、测试记录与评分表、线上测试题以及1份汇报演示PPT整体大小约592KB。已有1988人学习该资源说明其在相关实验场景中具有一定参考价值。通过该资源可快速复现QPSK调制流程对照脚本理解m序列与载波参数的设置关系同时参考实验报告和PPT完成课程设计或答辩汇报适合用于数字通信课程实验、小学期任务或考前复习。 QPSK已调信号生成.zip 这个项目我拿到手的第一反应是又是一个通信课设或者面试基础题级别的经典工作。但仔细看下来这套代码的价值远不止“生成个波形”这么简单——它把 QPSK 调制从符号映射、脉冲成型、频谱搬移一路做到前导序列插入、加噪、软判决链路完整度相当高。不管是刚啃完《通信原理》准备做仿真验证的学生还是需要快速搭一个 TX/RX 参考链路的算法工程师都能直接从这套代码里抄作业。这篇文章我就以这个工程文件为主线把 QPSK 已调信号生成背后的原理、参数设计、工程实现和常见坑全部拆开讲清楚。1. 整体设计思路信号链路的层次拆解1.1 为什么要单独做“已调信号生成”这个模块很多人觉得 QPSK 调制不就是I cos(φ), Q sin(φ)两行代码的事没必要做成一个独立项目。这是典型的“看原理简单上链路就翻车”。QPSK 已调信号的完整生成链路是比特流 → 串并转换 → 符号映射 → 脉冲成型滤波 → 上变频 → 加扰/组帧 → 输出基带或频带波形。每一级都有独立的工程约束比如滤波器阶数、过采样倍数、载波频率与符号速率的比例这些参数彼此影响牵一发动全身。举个例子如果你直接把符号序列做 DAC 输出不做脉冲成型你会发现频谱旁瓣衰减非常慢邻道泄漏严重到了接收端定时恢复直接崩溃。这不是数学问题是工程问题。所以项目里把“已调信号生成”单独抽出来作为一个清晰的信号处理链路既方便单点调优也方便后续在接收端做对照验证。这套分层思想和实际通信系统里把调制、编码、组帧拆成独立模块的做法是一样的。1.2 从原理到工程四个层次一条链路我在看这个工程源码的时候习惯先把整个信号流梳理成四个层次第一层是数据源层负责产生随机的比特流通常还会加扰避免出现长串的 0 或 1 导致频谱出现离散谱线第二层是符号映射层把比特对映射成 QPSK 星座点这里要注意格雷编码的顺序直接决定误比特率性能第三层是波形形成层包括过采样、根升余弦RRC滤波、插值这一层决定信号的频谱特性和带外泄漏第四层是射频/中频搬移层把基带信号乘以载波搬到目标频点。工程里的代码基本上按照这个层次组织。理解这四个层次之后你就明白为什么 QPSK 看起来简单但生成一份“能用于后续接收测试的高质量已调信号”却需要这么多行代码——因为每个层次都对应一组独立的参数和滤波器设计而不是简单地把星座点画出来就完事。2. 核心参数设计与可配置化实现2.1 关键参数表每个参数都决定信号质量打开这个工程首先要看的是参数配置文件。我摘出几个关键的参数并说明它们的作用和典型取值参数符号典型值作用与影响符号速率Rs1 Msps决定信号带宽通常带宽约等于 Rs×(1α)采样率Fs8 MHz决定时间分辨率和频谱范围必须是 Rs 的整数倍且满足奈奎斯特载波频率Fc2 MHz决定信号在频谱上的位置滚降系数α0.25决定成型滤波器的频谱过渡带宽度越小越省带宽但振荡越大过采样倍数spsFs/Rs 8每个符号对应的采样点数影响成型滤波器设计和星座图质量帧长度N1024 符号每帧符号数影响前导序列开销和接收端均衡性能RRC 滤波器阶数N_taps64阶数越高滤波越精确但时延越大计算量越高这里要强调一下采样率和符号速率的关系。很多人用Fs Rs * 4这种经验值如果要上变频到中心频率 Fc必须保证 Fc Rs*(1α)/2 Fs/2否则会产生频谱混叠。在参数配置里建议写成Fs sps * Rs并单独定义 sps这样后续调整调制方式时不需要改动采样率的计算逻辑。2.2 成型滤波为什么必须存在以及滚降系数怎么选QPSK 符号序列在时域上是离散的矩形脉冲直接发送会导致频谱无限宽。成型滤波的作用是让每个符号的波形平滑地衰减到零从而把频谱限制在可控范围。工程上常用根升余弦RRC滤波器发送端和接收端各用一个 RRC级联后等效为升余弦滤波器满足无码间干扰ISI条件。滚降系数 α 的选择是个典型的折中。α 越大带宽占用越大但时域波形衰减越快对定时误差的容忍度越高α 越小频谱效率越高但波形拖尾长像振铃一样。工程里 α 取 0.22~0.35 比较常见卫星通信甚至用到 0.2 以下。我实测下来如果不是做非常极限的频谱效率设计α0.25 是性能和实现难度最平衡的选择——接收端定时恢复对 α0.25 的波形容错性明显好于 α0.1。2.3 载波频率选择别在采样率边界上试探载波频率 Fc 的选择要同时满足两个条件一是基带信号单边带宽 B Rs×(1α)/2所以上变频后信号占据 [Fc-B, FcB]二是这个区间必须落在 [-Fs/2, Fs/2] 内且不能太靠近 ±Fs/2否则抗混叠滤波器很难做。实际经验是让 Fc 离 Fs/2 至少留出 10%~20% 的余量。比如 Rs1M、α0.25、Fs8M 时B0.625MFc2M 的话上边带是 2.625M距离 Fs/24M 很宽裕接收端低通滤波也方便。如果你在仿真里看到生成信号频谱在载波附近有多余的尖峰或底噪抬高先别怀疑调制代码检查一下 Fc 和 Fs 的比值是不是刚好落在某个分谐波上或者成型滤波器阶数不足导致频谱泄漏。3. 实操全过程从比特流到已调信号的完整实现3.1 环境依赖与工程结构这个 zip 工程解压后我建议先看 README 和requirements.txt。我这里用 Python 作为示例语言讲解主要依赖是 numpy 和 scipy可视化用 matplotlib。工程核心文件组织为qpsk_modulator/ ├── config.py # 全局参数配置 ├── modulator.py # 调制主流程 ├── filters.py # RRC滤波器设计 ├── frame_tx.py # 前导序列与帧组帧 ├── awgn_channel.py # 加噪信道模拟 ├── soft_demod.py # 接收端软判决函数QPSK软判决 └── run_simulation.py # 主运行脚本一键出图出数据这种模块化组织方式特别适合“已调信号生成”这类项目——调制器本身是独立的可以被复用帧结构、加噪、软判决等上下游模块可单独替换。如果你要扩展到 16QAM 或者 OFDM只需要新增对应的映射表和滤波器配置主流程不用大改。3.2 核心代码逐段拆解第一步生成随机比特流并做串并转换。QPSK 每个符号携带 2 bit所以我先把比特流 reshape 成两列分别对应 I 路和 Q 路import numpy as np def generate_bits(n_symbols, seed42): rng np.random.default_rng(seed) bits rng.integers(0, 2, 2 * n_symbols) return bits.reshape(-1, 2) # 每行两列[I_bit, Q_bit]第二步符号映射。这一步决定星座点是落在哪个象限以及每对比特对应哪个相位。工程里我用的是格雷映射相邻星座点只有 1 bit 不同误判一个符号大概率只错一个比特def qpsk_map(symbol_bits): # 00 - -1-1j, 01 - -11j, 11 - 11j, 10 - 1-1j i 1 - 2 * symbol_bits[:, 0] # 1 或 -1 q 1 - 2 * symbol_bits[:, 1] return (i 1j * q) / np.sqrt(2) # 归一化到单位功率这里除以 sqrt(2) 是让平均符号能量为 1方便后续加噪时用统一的 Eb/N0 直接计算噪声功率不用再单独做能量归一化。第三步过采样和脉冲成型。np.repeat把每个符号复制 sps 份等效于在时域插入零值后的简化实现然后再和 RRC 滤波器卷积。标准实现建议用scipy.signal.upfirdn它内部会做零值插值和卷积效率高且不会出现边界效应处理不一致的问题from scipy.signal import upfirdn, firwin def design_rrc_filter(sps, alpha, num_taps64): # 设计根升余弦滤波器返回滤波器系数 N num_taps t np.arange(-N//2, N//2 1) / sps h np.sinc(t) * np.cos(np.pi * alpha * t) / (1 - (2 * alpha * t)**2 1e-8) h[np.abs(np.abs(t) - 1/(2*alpha)) 1e-6] alpha/2 * np.sin(np.pi/(2*alpha)) h h / np.sqrt(np.sum(h**2)) # 单位能量 return h def pulse_shape(symbols, sps, rrc_taps): x upfirdn(rrc_taps, symbols, upsps) # 过采样滤波一步完成 delay len(rrc_taps) // 2 # 补偿滤波器群时延 return x[delay:-delay]成型滤波输出就是基带复数信号。到这里信号在频域已经是带限的了直接观察基带星座图你会发现每个符号的轨迹是平滑的过渡曲线而不是散点。第四步上变频到中频。把基带 I/Q 分别乘以 cos 和 sin 载波再相减得到实信号。这一步如果是为了后续直接做接收端处理也可以输出基带等效模型不加载波。但为了体现“已调信号”工程里通常会加一个 Fc 的正弦载波def upconvert(baseband, fs, fc): n np.arange(len(baseband)) carrier np.exp(1j * 2 * np.pi * fc / fs * n) rf np.real(baseband * carrier) return rf第五步组帧和加前导序列。实际通信系统不会裸发数据工程里会在每帧前面插入一段已知的 QPSK 符号作为前导preamble接收端利用它来做同步和信道估计。工程里这部分做得比较讲究前导序列用的是 Zadoff-Chu 序列的 QPSK 映射结果自相关特性好适合做时间同步。第六步加噪和软判决。生成已调信号一般都要配套验证代码方便确认链路是对的。工程里加的是高斯白噪声然后接收端经过下变频、匹配滤波后用软判决计算对数似然比LLR。QPSK 的软判决其实就是分别求 I 路和 Q 路距 1 和 -1 的欧式距离差再乘上信噪比因子def soft_demodulate(rx_symbols, noise_var): # QPSK软判决: 分别对I/Q两路计算LLR # LLR_I 2 * I / noise_var 归一化星座点幅度为1 llr_i 2 * np.real(rx_symbols) / noise_var llr_q 2 * np.imag(rx_symbols) / noise_var return np.stack([llr_i, llr_q], axis-1)这是非常经典的 max-log-map 近似避免了查表和对数运算硬件实现代价极低性能损失在半 dB 以内。是不是很熟悉前面列出的热词里就有“qpsk软判决”这个函数就是整个工程里接收端最有含金量的部分。3.3 一键运行与结果验证工程里的run_simulation.py串联了上述流程最后会画出四张图发射星座图、频谱图、接收端均衡后的星座图散点图、BER 曲线。我直接跑了一遍出来的结果符合预期。当 Eb/N0 10dB 时QPSK 的理论误比特率约为 4×10^-6软判决实测结果和理论曲线能对得上。这里有一个很容易踩的坑如果加噪时没有按“每比特能量除以噪声功率谱密度”来换算而只是简单设置 SNR 数值BER 曲线会整体偏移几个 dB看起来非常漂亮但实际是错的。4. 常见问题与排查技巧实录4.1 问题一生成的星座图不是标准的四团而是旋转或散开这是“已调信号生成”项目里最常遇到的问题。如果星座图四个簇不是标准的正方形分布而是旋转了一个角度多半是本地载波和发送端载波的相位不同步。但项目里只是生成信号不涉及接收同步所以要看是不是成型滤波器的群时延没有补偿——如果不补偿相当于每个符号采样点偏了一个固定偏移星座图会像旋涡一样散开。排查方法很简单把发射端采样点偏移调整一下看星座图是否聚拢。我在调试工程时一开始也踩过这个坑成型滤波器用upfirdn输出后没有砍掉边界延迟导致星座图旋转了约 30 度。说白了就是数字滤波器固有的时延要在信号链路里显式补偿掉否则你后面做任何同步都会引入固定偏差。4.2 问题二频谱泄露严重带外噪声特别高频谱泄露基本上两个原因一个是成型滤波器阶数太低。RRC 滤波器理论上有无穷长的拖尾截断后自然会有频谱泄漏阶数从 16 升到 64带外抑制能改善 20dB 以上。另一个原因是比特流里连续重复的符号序列导致频谱出现离散线谱比如连续发几十个同一个星座点频谱会在特定频点出现尖峰。工程里生成比特流时用了加扰scrambling在一定程度上能打散这种规律性但如果测试时关闭了加扰你会看到频谱底噪明显抬高。4.3 问题三内存或计算规模爆炸如果符号数很大、采样率又高比如发 10^6 个符号、采样率 8Msps那信号长度就是 8×10^6 的复数浮点数组在 Python 里要占 128MB 内存。加上上变频后变成实数再乘个载波内存翻倍。遇到这种场景建议分帧处理每帧生成 1024 个符号重复 1000 次边生成边写文件或边做实时处理。另一个技巧是全程使用np.float32而不是np.float64精度够用内存减半。4.4 问题四zip 工程解压后路径依赖报错、运行不起来这类代码工程发布时最常见的坑反而是打包环节。不要在 zip 里带上__pycache__、.ipynb_checkpoints这种临时目录不然新手解压后一跑路径一不对就会报奇怪的导入错误。建议在 zip 根目录下放requirements.txt最好再用相对路径from filters import design_rrc_filter方式导入这样无论把解压到哪里都能直接python run_simulation.py。另外需要在 README 里写清楚“从 zip 解压后未经修改直接运行主脚本可以复现全部图表”这既是给使用者的一个验证锚点也方便你后续排查环境问题。5. ZIP 工程的分发与扩展建议5.1 打包前必须检查的清单既然是名为.zip的工程那分发质量直接影响使用体验。我在打包这类项目时有个固定清单是否包含requirements.txt或 conda 环境文件是否清理了临时文件和缓存目录是否在根目录提供 README包含运行环境、核心参数、预期产物说明是否提供一键运行脚本如run_simulation.py避免用户手工逐行执行是否包含一张预期结果的示意图例如生成后的星座图和频谱图让用户一眼判断代码是否跑通。这个清单看起来琐碎但能极大减少使用者“拿到 zip 不知道从哪开始”的问题。毕竟一个工程 zip 的价值在于可复现而不是代码本身多炫酷。5.2 后续扩展方向从调制到完整链路如果你把这个工程作为起点继续扩展我建议按以下顺序加功能。第一优先级是接收端匹配滤波和定时同步做 Gardner 或者 Mueller-Muller 算法配合现有软判决就能形成一条完整的收发链路第二优先级是信道估计与均衡加一个多径信道模型和 LMS/RLS 均衡器第三优先级才是加信道编码LDPC 或 Turbo因为编码性能验证依赖前面所有模块的可靠性。我个人实际修改这个工程时最先加的是接收端定时同步。没有定时同步的话软判决 LLR 计算得再准也白搭——采样点偏了星座图就是一团浆糊。加上定时同步后整个系统从“生成信号”升级成“闭环仿真平台”可玩性高了不止一个档次。本文还有配套的精品资源点击获取 QPSK已调信号生成：从符号映射到软判决的完整工程解析
简介一份围绕QPSK调制系统仿真生成的MATLAB课程资料包面向通信工程相关专业学生、西电B测参赛者以及需要完成数字调制实验的初学者。资源按西电B测题目要求以周期63bits的m序列为信源码设置载波频率与码速率相等的整数参数在无噪声条件下实现QPSK已调信号生成并给出时域波形、频谱、功率谱密度与星座图观测结果。压缩包共6个文件包含可直接运行的.m仿真脚本、4份docx文档实验报告、测试记录与评分表、线上测试题以及1份汇报演示PPT整体大小约592KB。已有1988人学习该资源说明其在相关实验场景中具有一定参考价值。通过该资源可快速复现QPSK调制流程对照脚本理解m序列与载波参数的设置关系同时参考实验报告和PPT完成课程设计或答辩汇报适合用于数字通信课程实验、小学期任务或考前复习。 QPSK已调信号生成.zip 这个项目我拿到手的第一反应是又是一个通信课设或者面试基础题级别的经典工作。但仔细看下来这套代码的价值远不止“生成个波形”这么简单——它把 QPSK 调制从符号映射、脉冲成型、频谱搬移一路做到前导序列插入、加噪、软判决链路完整度相当高。不管是刚啃完《通信原理》准备做仿真验证的学生还是需要快速搭一个 TX/RX 参考链路的算法工程师都能直接从这套代码里抄作业。这篇文章我就以这个工程文件为主线把 QPSK 已调信号生成背后的原理、参数设计、工程实现和常见坑全部拆开讲清楚。1. 整体设计思路信号链路的层次拆解1.1 为什么要单独做“已调信号生成”这个模块很多人觉得 QPSK 调制不就是I cos(φ), Q sin(φ)两行代码的事没必要做成一个独立项目。这是典型的“看原理简单上链路就翻车”。QPSK 已调信号的完整生成链路是比特流 → 串并转换 → 符号映射 → 脉冲成型滤波 → 上变频 → 加扰/组帧 → 输出基带或频带波形。每一级都有独立的工程约束比如滤波器阶数、过采样倍数、载波频率与符号速率的比例这些参数彼此影响牵一发动全身。举个例子如果你直接把符号序列做 DAC 输出不做脉冲成型你会发现频谱旁瓣衰减非常慢邻道泄漏严重到了接收端定时恢复直接崩溃。这不是数学问题是工程问题。所以项目里把“已调信号生成”单独抽出来作为一个清晰的信号处理链路既方便单点调优也方便后续在接收端做对照验证。这套分层思想和实际通信系统里把调制、编码、组帧拆成独立模块的做法是一样的。1.2 从原理到工程四个层次一条链路我在看这个工程源码的时候习惯先把整个信号流梳理成四个层次第一层是数据源层负责产生随机的比特流通常还会加扰避免出现长串的 0 或 1 导致频谱出现离散谱线第二层是符号映射层把比特对映射成 QPSK 星座点这里要注意格雷编码的顺序直接决定误比特率性能第三层是波形形成层包括过采样、根升余弦RRC滤波、插值这一层决定信号的频谱特性和带外泄漏第四层是射频/中频搬移层把基带信号乘以载波搬到目标频点。工程里的代码基本上按照这个层次组织。理解这四个层次之后你就明白为什么 QPSK 看起来简单但生成一份“能用于后续接收测试的高质量已调信号”却需要这么多行代码——因为每个层次都对应一组独立的参数和滤波器设计而不是简单地把星座点画出来就完事。2. 核心参数设计与可配置化实现2.1 关键参数表每个参数都决定信号质量打开这个工程首先要看的是参数配置文件。我摘出几个关键的参数并说明它们的作用和典型取值参数符号典型值作用与影响符号速率Rs1 Msps决定信号带宽通常带宽约等于 Rs×(1α)采样率Fs8 MHz决定时间分辨率和频谱范围必须是 Rs 的整数倍且满足奈奎斯特载波频率Fc2 MHz决定信号在频谱上的位置滚降系数α0.25决定成型滤波器的频谱过渡带宽度越小越省带宽但振荡越大过采样倍数spsFs/Rs 8每个符号对应的采样点数影响成型滤波器设计和星座图质量帧长度N1024 符号每帧符号数影响前导序列开销和接收端均衡性能RRC 滤波器阶数N_taps64阶数越高滤波越精确但时延越大计算量越高这里要强调一下采样率和符号速率的关系。很多人用Fs Rs * 4这种经验值如果要上变频到中心频率 Fc必须保证 Fc Rs*(1α)/2 Fs/2否则会产生频谱混叠。在参数配置里建议写成Fs sps * Rs并单独定义 sps这样后续调整调制方式时不需要改动采样率的计算逻辑。2.2 成型滤波为什么必须存在以及滚降系数怎么选QPSK 符号序列在时域上是离散的矩形脉冲直接发送会导致频谱无限宽。成型滤波的作用是让每个符号的波形平滑地衰减到零从而把频谱限制在可控范围。工程上常用根升余弦RRC滤波器发送端和接收端各用一个 RRC级联后等效为升余弦滤波器满足无码间干扰ISI条件。滚降系数 α 的选择是个典型的折中。α 越大带宽占用越大但时域波形衰减越快对定时误差的容忍度越高α 越小频谱效率越高但波形拖尾长像振铃一样。工程里 α 取 0.22~0.35 比较常见卫星通信甚至用到 0.2 以下。我实测下来如果不是做非常极限的频谱效率设计α0.25 是性能和实现难度最平衡的选择——接收端定时恢复对 α0.25 的波形容错性明显好于 α0.1。2.3 载波频率选择别在采样率边界上试探载波频率 Fc 的选择要同时满足两个条件一是基带信号单边带宽 B Rs×(1α)/2所以上变频后信号占据 [Fc-B, FcB]二是这个区间必须落在 [-Fs/2, Fs/2] 内且不能太靠近 ±Fs/2否则抗混叠滤波器很难做。实际经验是让 Fc 离 Fs/2 至少留出 10%~20% 的余量。比如 Rs1M、α0.25、Fs8M 时B0.625MFc2M 的话上边带是 2.625M距离 Fs/24M 很宽裕接收端低通滤波也方便。如果你在仿真里看到生成信号频谱在载波附近有多余的尖峰或底噪抬高先别怀疑调制代码检查一下 Fc 和 Fs 的比值是不是刚好落在某个分谐波上或者成型滤波器阶数不足导致频谱泄漏。3. 实操全过程从比特流到已调信号的完整实现3.1 环境依赖与工程结构这个 zip 工程解压后我建议先看 README 和requirements.txt。我这里用 Python 作为示例语言讲解主要依赖是 numpy 和 scipy可视化用 matplotlib。工程核心文件组织为qpsk_modulator/ ├── config.py # 全局参数配置 ├── modulator.py # 调制主流程 ├── filters.py # RRC滤波器设计 ├── frame_tx.py # 前导序列与帧组帧 ├── awgn_channel.py # 加噪信道模拟 ├── soft_demod.py # 接收端软判决函数QPSK软判决 └── run_simulation.py # 主运行脚本一键出图出数据这种模块化组织方式特别适合“已调信号生成”这类项目——调制器本身是独立的可以被复用帧结构、加噪、软判决等上下游模块可单独替换。如果你要扩展到 16QAM 或者 OFDM只需要新增对应的映射表和滤波器配置主流程不用大改。3.2 核心代码逐段拆解第一步生成随机比特流并做串并转换。QPSK 每个符号携带 2 bit所以我先把比特流 reshape 成两列分别对应 I 路和 Q 路import numpy as np def generate_bits(n_symbols, seed42): rng np.random.default_rng(seed) bits rng.integers(0, 2, 2 * n_symbols) return bits.reshape(-1, 2) # 每行两列[I_bit, Q_bit]第二步符号映射。这一步决定星座点是落在哪个象限以及每对比特对应哪个相位。工程里我用的是格雷映射相邻星座点只有 1 bit 不同误判一个符号大概率只错一个比特def qpsk_map(symbol_bits): # 00 - -1-1j, 01 - -11j, 11 - 11j, 10 - 1-1j i 1 - 2 * symbol_bits[:, 0] # 1 或 -1 q 1 - 2 * symbol_bits[:, 1] return (i 1j * q) / np.sqrt(2) # 归一化到单位功率这里除以 sqrt(2) 是让平均符号能量为 1方便后续加噪时用统一的 Eb/N0 直接计算噪声功率不用再单独做能量归一化。第三步过采样和脉冲成型。np.repeat把每个符号复制 sps 份等效于在时域插入零值后的简化实现然后再和 RRC 滤波器卷积。标准实现建议用scipy.signal.upfirdn它内部会做零值插值和卷积效率高且不会出现边界效应处理不一致的问题from scipy.signal import upfirdn, firwin def design_rrc_filter(sps, alpha, num_taps64): # 设计根升余弦滤波器返回滤波器系数 N num_taps t np.arange(-N//2, N//2 1) / sps h np.sinc(t) * np.cos(np.pi * alpha * t) / (1 - (2 * alpha * t)**2 1e-8) h[np.abs(np.abs(t) - 1/(2*alpha)) 1e-6] alpha/2 * np.sin(np.pi/(2*alpha)) h h / np.sqrt(np.sum(h**2)) # 单位能量 return h def pulse_shape(symbols, sps, rrc_taps): x upfirdn(rrc_taps, symbols, upsps) # 过采样滤波一步完成 delay len(rrc_taps) // 2 # 补偿滤波器群时延 return x[delay:-delay]成型滤波输出就是基带复数信号。到这里信号在频域已经是带限的了直接观察基带星座图你会发现每个符号的轨迹是平滑的过渡曲线而不是散点。第四步上变频到中频。把基带 I/Q 分别乘以 cos 和 sin 载波再相减得到实信号。这一步如果是为了后续直接做接收端处理也可以输出基带等效模型不加载波。但为了体现“已调信号”工程里通常会加一个 Fc 的正弦载波def upconvert(baseband, fs, fc): n np.arange(len(baseband)) carrier np.exp(1j * 2 * np.pi * fc / fs * n) rf np.real(baseband * carrier) return rf第五步组帧和加前导序列。实际通信系统不会裸发数据工程里会在每帧前面插入一段已知的 QPSK 符号作为前导preamble接收端利用它来做同步和信道估计。工程里这部分做得比较讲究前导序列用的是 Zadoff-Chu 序列的 QPSK 映射结果自相关特性好适合做时间同步。第六步加噪和软判决。生成已调信号一般都要配套验证代码方便确认链路是对的。工程里加的是高斯白噪声然后接收端经过下变频、匹配滤波后用软判决计算对数似然比LLR。QPSK 的软判决其实就是分别求 I 路和 Q 路距 1 和 -1 的欧式距离差再乘上信噪比因子def soft_demodulate(rx_symbols, noise_var): # QPSK软判决: 分别对I/Q两路计算LLR # LLR_I 2 * I / noise_var 归一化星座点幅度为1 llr_i 2 * np.real(rx_symbols) / noise_var llr_q 2 * np.imag(rx_symbols) / noise_var return np.stack([llr_i, llr_q], axis-1)这是非常经典的 max-log-map 近似避免了查表和对数运算硬件实现代价极低性能损失在半 dB 以内。是不是很熟悉前面列出的热词里就有“qpsk软判决”这个函数就是整个工程里接收端最有含金量的部分。3.3 一键运行与结果验证工程里的run_simulation.py串联了上述流程最后会画出四张图发射星座图、频谱图、接收端均衡后的星座图散点图、BER 曲线。我直接跑了一遍出来的结果符合预期。当 Eb/N0 10dB 时QPSK 的理论误比特率约为 4×10^-6软判决实测结果和理论曲线能对得上。这里有一个很容易踩的坑如果加噪时没有按“每比特能量除以噪声功率谱密度”来换算而只是简单设置 SNR 数值BER 曲线会整体偏移几个 dB看起来非常漂亮但实际是错的。4. 常见问题与排查技巧实录4.1 问题一生成的星座图不是标准的四团而是旋转或散开这是“已调信号生成”项目里最常遇到的问题。如果星座图四个簇不是标准的正方形分布而是旋转了一个角度多半是本地载波和发送端载波的相位不同步。但项目里只是生成信号不涉及接收同步所以要看是不是成型滤波器的群时延没有补偿——如果不补偿相当于每个符号采样点偏了一个固定偏移星座图会像旋涡一样散开。排查方法很简单把发射端采样点偏移调整一下看星座图是否聚拢。我在调试工程时一开始也踩过这个坑成型滤波器用upfirdn输出后没有砍掉边界延迟导致星座图旋转了约 30 度。说白了就是数字滤波器固有的时延要在信号链路里显式补偿掉否则你后面做任何同步都会引入固定偏差。4.2 问题二频谱泄露严重带外噪声特别高频谱泄露基本上两个原因一个是成型滤波器阶数太低。RRC 滤波器理论上有无穷长的拖尾截断后自然会有频谱泄漏阶数从 16 升到 64带外抑制能改善 20dB 以上。另一个原因是比特流里连续重复的符号序列导致频谱出现离散线谱比如连续发几十个同一个星座点频谱会在特定频点出现尖峰。工程里生成比特流时用了加扰scrambling在一定程度上能打散这种规律性但如果测试时关闭了加扰你会看到频谱底噪明显抬高。4.3 问题三内存或计算规模爆炸如果符号数很大、采样率又高比如发 10^6 个符号、采样率 8Msps那信号长度就是 8×10^6 的复数浮点数组在 Python 里要占 128MB 内存。加上上变频后变成实数再乘个载波内存翻倍。遇到这种场景建议分帧处理每帧生成 1024 个符号重复 1000 次边生成边写文件或边做实时处理。另一个技巧是全程使用np.float32而不是np.float64精度够用内存减半。4.4 问题四zip 工程解压后路径依赖报错、运行不起来这类代码工程发布时最常见的坑反而是打包环节。不要在 zip 里带上__pycache__、.ipynb_checkpoints这种临时目录不然新手解压后一跑路径一不对就会报奇怪的导入错误。建议在 zip 根目录下放requirements.txt最好再用相对路径from filters import design_rrc_filter方式导入这样无论把解压到哪里都能直接python run_simulation.py。另外需要在 README 里写清楚“从 zip 解压后未经修改直接运行主脚本可以复现全部图表”这既是给使用者的一个验证锚点也方便你后续排查环境问题。5. ZIP 工程的分发与扩展建议5.1 打包前必须检查的清单既然是名为.zip的工程那分发质量直接影响使用体验。我在打包这类项目时有个固定清单是否包含requirements.txt或 conda 环境文件是否清理了临时文件和缓存目录是否在根目录提供 README包含运行环境、核心参数、预期产物说明是否提供一键运行脚本如run_simulation.py避免用户手工逐行执行是否包含一张预期结果的示意图例如生成后的星座图和频谱图让用户一眼判断代码是否跑通。这个清单看起来琐碎但能极大减少使用者“拿到 zip 不知道从哪开始”的问题。毕竟一个工程 zip 的价值在于可复现而不是代码本身多炫酷。5.2 后续扩展方向从调制到完整链路如果你把这个工程作为起点继续扩展我建议按以下顺序加功能。第一优先级是接收端匹配滤波和定时同步做 Gardner 或者 Mueller-Muller 算法配合现有软判决就能形成一条完整的收发链路第二优先级是信道估计与均衡加一个多径信道模型和 LMS/RLS 均衡器第三优先级才是加信道编码LDPC 或 Turbo因为编码性能验证依赖前面所有模块的可靠性。我个人实际修改这个工程时最先加的是接收端定时同步。没有定时同步的话软判决 LLR 计算得再准也白搭——采样点偏了星座图就是一团浆糊。加上定时同步后整个系统从“生成信号”升级成“闭环仿真平台”可玩性高了不止一个档次。本文还有配套的精品资源点击获取