超奈奎斯特传输容量验证：从奈奎斯特准则到MMSE均衡实践

简介：这份压缩包聚焦超奈奎斯特（FTN）信号处理下的信道容量计算，面向通信系统研究人员、电子信息类专业学生及算法工程师，用于理解奈奎斯特准则之外的高效传输方案。包内共有十八个文件，包括九个Matlab脚本（.m）覆盖信道建模、信号调制、容量计算与正交性分析流程，五个.mat数据文件保存仿真中间结果，四个.fig图形文件展示不同参数下的性能曲线，整体体积三十七点三六MB。目前已有一百四十九人浏览学习，适合希望结合代码深入理解FTN容量分析的中高级读者。通过运行其中的仿真脚本，可掌握RRC/RC成形滤波与正交传输的对比实验，调整滚降系数、时域压缩系数与符号间隔后，重新计算并绘制信道容量、误码率等指标，帮助读者快速验证超奈奎斯特系统相对于传统奈奎斯特传输的增益与约束。

1. 超奈奎斯特传输的容量问题，先别急着当“违反准则”

如果你正在看 capacity.zip 这个把超奈奎斯特（Faster-than-Nyquist，FTN）与容量分析放在一起的仿真工程，第一反应很可能是：符号率超过奈奎斯特速率，必然产生码间干扰，还谈什么容量？这个问题没有表面那么简单。Mazo 在 1969 年给过反直觉结论：用 sinc 脉冲把符号率提到奈奎斯特速率的 1.25 倍，AWGN 下匹配滤波输出的最小欧氏距离不变，误码率性能不损失。换句话说，频谱效率可以多拿约 25%，代价是接收端不能逐符号独立判决。下面把实践路径讲清楚：奈奎斯特第一准则到底限的是什么，怎么用 Python 把 FTN 链路和 MMSE 均衡跑通，容量验证与接收机选型怎么做。适合物理层算法、软件无线电和通信仿真方向的工程师。

2. 奈奎斯特第一准则与容量边界：2B 限的适用前提

2.1 奈奎斯特第一准则：无码间干扰条件与采样定理不是一回事

奈奎斯特第一准则（Nyquist ISI criterion）说的是：给定等效信道脉冲 $h(t)$，如果对任意整数 $k \neq 0$ 都有 $h(kT)=0$，那么以 $T$ 为符号间隔抽样时不存在码间干扰。频域等价条件是折叠谱恒定，即

$$\sum_m H\left(f - \frac{m}{T}\right) = T$$

也就是说，$H(f)$ 以 $1/T$ 为周期平移叠加后必须是常数。这个条件真正约束的是“符号间隔 $T$ 的下限”：理想低通带宽 $W$ 下，$T \ge 1/(2W)$，符号率 $R_s \le 2W$。实际成型脉冲有滚降时，占用带宽变成 $(1+\beta)/T$，符号率上限进一步收紧。

很多资料把奈奎斯特第一准则和采样定理混在一起说，这是理解超奈奎斯特的第一个障碍。采样定理针对带限连续信号，要求采样率 $f_s > 2B$ 才能无失真重建；第一准则针对离散符号序列经过脉冲成形后的抽样判决，关心的是相邻符号在采样点上的残留是否为零。两者形式上都有“2 倍带宽”这个数，约束对象完全不同。把两件事分开之后，FTN 就不是“故意欠采样”，而是“重新设计符号在时间轴上的密度”，这是后面所有容量讨论的前提。

2.2 容量、符号率、调制阶数：capacity.zip 里三个量要同时看

Shannon 容量 $C = B \log_2(1+\text{SNR})$ 给出的是比特/秒意义上的极限，它只依赖带宽、信号功率和噪声功率，不关心脉冲成形。奈奎斯特第一准则给出的是无 ISI 前提下符号/秒的上限。两者之间靠调制阶数（bit/symbol）连接：一个常规系统的频谱效率是

$$\eta = \frac{\log_2 M}{1+\beta}$$

其中 $\beta$ 是滚降因子，$M$ 是星座大小。这是把奈奎斯特速率和 Shannon 容量拼在一起看的常识做法：带宽 $B=(1+\beta)/T$，符号率 $R_s=1/T$，效率由 $M$ 和 $\beta$ 共同决定。capacity.zip 这个标题把 capacity 单独拎出来，就是在提醒：$M$ 和 $\beta$ 只决定了符号率和带宽的比例关系，真正决定容量上限的是 SNR；FTN 改变的是符号率这一项。

FTN 的做法是把符号间隔从 $T$ 缩小到 $\tau T$，其中 $\tau \in (0,1]$，符号率变成 $1/(\tau T)$，频谱效率相应变为 $\log_2 M / (\tau(1+\beta))$。同样的带宽和星座，速率直接乘了 $1/\tau$。注意这里没有任何“免费午餐”：相邻符号间隔变小后，成型脉冲在采样点处不再过零，每个采样点会叠加前后符号的旁瓣，ISI 出现了。容量问题因此转化成：付出的 SNR 代价和接收机复杂度，换来的速率提升到底值不值。

2.3 奈奎斯特混叠与受控混叠：超过 2B 后发生了什么

先分清两个“混叠”。常规意义上的奈奎斯特混叠，指采样或离散化时欠采样导致高频分量折叠到低频，频谱结构被破坏，信息不可逆地丢失。FTN 里出现的频谱折叠完全是另一回事：发射端把符号间隔缩小，等效于符号序列的频谱被展宽，超出原有分配带宽的部分会折回带内。如果只看频谱仪，折叠部分的能量确实叠加在带内，这时候再按无 ISI 的思路做匹配滤波和逐符号判决，性能必然崩。

FTN 的关键在于这个“混叠”是发射端主动设计、接收端完全已知的。折返回来的不是未知信息，而是同一组符号经过已知脉冲产生的可控 ISI。接收端可以把整个链路建成一个有限状态机或矩阵模型，用最大似然序列检测（MLSE）或均衡器联合消除。Mazo 限的意义就在这：对 sinc 脉冲，只要 $\tau \ge 0.802$ 附近，匹配滤波后符号序列之间的最小欧氏距离与无 ISI 时相同，也就是说误码率性能在 AWGN 下没有损失。注意这里说的是“最小距离不变”，不是容量不变，FTN 并不违反 Shannon 容量，它改变的是同等带宽和星座下的可达速率与检测复杂度。

实际工程里很少用纯 sinc（无限支撑，衰落信道下也不稳定），而是用根升余弦。滚降系数 $\beta$ 越大，脉冲旁瓣衰减越快，但主瓣更宽，Mazo 限对应的最小 $\tau$ 也会变化。这个数值没有解析闭式，通常靠仿真标定，第 4 章会给经验范围。

3. 用 Python 搭一条 FTN 链路，实测容量折损与 Mazo 限

3.1 仿真前的内存与传输带宽预算：先量一下机器

FTN 仿真和普通带限仿真的一个明显差别是：发送序列的采样点间隔由 $\tau T$ 决定，符号数一大，ISI 矩阵就是满的，内存涨得比普通链路快得多。我在跑这类仿真之前，会先查一下机器的内存配置。Windows 下常用命令是：

wmic memorychip get manufacturer, capacity, speed, memorytype, partnumber

这一行输出每个内存条的厂商、容量、速率（MT/s）、类型和部件号。比如输出capacity=16GB, speed=3200两条，说明总容量 32GB、双通道 3200 MT/s。新版 Windows 10/11 里 wmic 已弃用，PowerShell 替代写法是：

Get-CimInstance Win32_PhysicalMemory | Select-Object Manufacturer, Capacity, Speed, MemoryType, PartNumber

为什么要先做这个预算？第 3.3 节的 MMSE 均衡要解一个 $N_{sym} \times N_{sym}$ 的线性方程组。$N_{sym}=2000$ 时矩阵有 400 万复数元素，约 64MB；$N_{sym}=8000$ 时直接涨到约 1GB，加上 ISI 矩阵构造和噪声向量，峰值内存会到矩阵本身的 3~4 倍。传输带宽也要估算：FFT 点数要覆盖展宽后的信号，$\tau$ 越小，同样符号数下观测时间越短、频谱分辨率越差，需要的插值越多。先量机器再定符号数，能省掉不少跑一半内存溢出的时间。

3.2 发送端最小实现：根升余弦成形与加速符号周期

FTN 发送端本质上就是“正常的脉冲成形，但符号位置不再是 $kT$，而是 $k\tau T$”。下面这段是可直接抄的最小实现：

import numpy as np def rrc_pulse(beta, sps, span): """根升余弦脉冲，采样率为 sps 样本/符号，长度为 span 个符号""" N = span * sps t = (np.arange(N) - N // 2) / sps p = np.zeros(N) pi = np.pi for i, tt in enumerate(t): if abs(tt) < 1e-10: p[i] = 1.0 - beta + 4 * beta / pi elif abs(abs(4 * beta * tt) - 1) < 1e-10: p[i] = (beta / np.sqrt(2)) * ( (1 + 2 / pi) * np.sin(pi / (4 * beta)) + (1 - 2 / pi) * np.cos(pi / (4 * beta))) else: p[i] = (np.sin(pi * tt * (1 - beta)) + 4 * beta * tt * np.cos(pi * tt * (1 + beta))) / \ (pi * tt * (1 - (4 * beta * tt) ** 2)) return p def ftn_modulate(symbols, tau, sps, beta=0.35, span=16): """超奈奎斯特调制，实际符号间隔为 tau 个奈奎斯特周期""" p = rrc_pulse(beta, sps, span) N = len(p) T = sps # 一个奈奎斯特符号对应 sps 个采样点 pos = np.round(np.arange(len(symbols)) * tau * T).astype(int) + N // 2 x = np.zeros(pos[-1] + N) for k, s in enumerate(symbols): x[pos[k]:pos[k] + N] += s * p return x, p

rrc_pulse里两个elif分支处理根升余弦时域表达式的奇异点，即 $t=0$ 和 $4\beta t=\pm 1$，漏掉这两个点脉冲会出现 NaN 或 inf。ftn_modulate返回的x就是基带 I/Q 波形：tau=1.0时退化为普通奈奎斯特成形，tau=0.8时就是典型的 25% 超奈奎斯特。成型脉冲长度span决定可观测的 ISI 展布范围，至少取 8，我一般取 16~32。太短会在脉冲边缘产生截断噪声，太长则后续矩阵维度增大，第 3.1 节的内存预算就会提前报警。

3.3 接收端 MMSE 均衡与 BER 测量

接收端先做匹配滤波，与发送脉冲的反转卷积，然后在每个加速符号位置 $k\tau T$ 采样。FTN 引入的 ISI 是已知的，采样序列可以写成矩阵形式 $\mathbf{z} = \mathbf{G}\mathbf{a} + \mathbf{w}$，其中 $\mathbf{G}$ 的元素是 $g((n-k)\tau T)$，$g(t)$ 是 $p(t)$ 与 $p(-t)$ 的卷积。MMSE 检测就是解这个线性系统：

from scipy.linalg import toeplitz def ftn_receive(x, p, tau, sps, n_sym, sigma2): """匹配滤波 + MMSE 线性检测，返回估计符号 a_hat""" N = len(p) y = np.convolve(x, p[::-1], mode='full') # 在加速后的符号位置采样 idx = np.round(np.arange(n_sym) * tau * sps).astype(int) + N // 2 z = y[idx] # 等效自相关函数 g = p * flip(p) g = np.convolve(p, p[::-1]) # 构造 ISI 矩阵 G[n, k] = g((n-k) * tau * T) T = sps c = np.zeros(n_sym) r = np.zeros(n_sym) for i in range(n_sym): gi = int(round(i * tau * T)) if gi < len(g): r[i] = g[len(g) // 2 + gi] c[i] = g[len(g) // 2 - gi] G = toeplitz(c, r) # MMSE 解: a_hat = (G^H G + sigma2 I)^{-1} G^H z A = G.conj().T @ G + sigma2 * np.eye(n_sym) a_hat = np.linalg.solve(A, G.conj().T @ z) return a_hat

这段代码的复杂度是 $O(N_{sym}^3)$。$N_{sym}=512$ 时秒解，$N_{sym}=2048$ 开始变慢，这也解释了 3.1 节为什么要先看内存。sigma2是匹配滤波输出端的噪声方差，按实际 SNR 折算，不能随便给。符号判决后数误码用 QPSK 硬判：

def ber_qpsk(a_hat, a): a_hat = a_hat / np.sqrt(np.mean(np.abs(a_hat) ** 2)) hard = np.sign(a_hat.real) + 1j * np.sign(a_hat.imag) return np.mean(hard != a)

跑出来的典型曲线是：tau=1.0时 BER 与理论 QPSK 曲线基本重合；tau=0.8时不加均衡直接判决，误码率会烂到接近 0.2；做了 MMSE 之后中低 SNR 区差距不大，高 SNR 区出现错误平台，这是线性均衡噪声增强的典型表现，说明 FTN 的容量验证必须把检测器列进去一起说。

3.4 从 BER 反推有效频谱效率：一个可抄的计算模板

收益要折算成频谱效率才有工程意义。从仿真直接估算：

$$ \text{SE} = \frac{N_{sym} \log_2 M}{(N_{sym} \tau T + \text{span}\cdot T) \cdot B_{\text{occ}}}, \quad B_{\text{occ}} = \frac{1+\beta}{T} $$

分子是总比特数，分母是传输时长乘以占用带宽。把tau从 1.0 调到 0.8，占用带宽不变，传输时长缩短为原来的约 0.8 倍，所以 SE 提升 25%。但 BER 曲线的高 SNR 平台意味着这 25% 不是白拿的：要么把 SNR 抬高，要么级联 LDPC。一个常见做法是保持目标 BER 不变，对比两种配置下所需 SNR 的差值，这个差值就是“FTN 的实际 SNR 代价”，从容量角度看，它必须小于速率增益换算过来的 dB 数才划算。

4. FTN 容量的关键参数与接收机工程选型

4.1 滚降系数 β 与加速因子 τ 的联合影响

FTN 的系统参数不是独立选的。$\beta$ 决定脉冲主瓣宽度和旁瓣衰减速度，$\tau$ 决定符号密度，两者联合决定 ISI 的强度和可均衡性。工程上我会先按下面这张表定初值，再进入仿真扫参：

表里的 τ 下限不是解析 Mazo 限直接给出的：Mazo 限于 sinc 脉冲、AWGN 和理想无限长检测窗口，对根升余弦只能做指导。趋势是 $\beta$ 越大，保持最小欧氏距离不损失的 τ 越大，即增益空间越小。所以实际项目会先把 $\beta$ 定下来，再扫 $\tau$：固定一个 SNR，对 $\tau \in {0.75, 0.80, \cdots, 1.0}$ 跑 BER，找到 BER 开始抬头的点作为下限。这个点与接收机强相关，换成不同均衡器数值会变，不要照抄文献。

4.2 与高阶调制叠加时的容量判断

FTN 与高阶调制并不互斥，判断叠加是否值得看单位带宽速率。以 QPSK、$\beta=0.22$ 为例：奈奎斯特效率是 $2/(1.22) \approx 1.64$ bits/s/Hz；$\tau=0.8$ 的 FTN 把它提到 $2/(0.8 \times 1.22) \approx 2.05$ bits/s/Hz，相当于不换星座就穿越了一档调制。如果在这个基础上再换 16QAM，效率到 4.1 bits/s/Hz，但 SNR 需求跳增约 7~9 dB，功放线性度要求也随之提高。

工程判断的常见做法是：目标 SNR 还有 4~6 dB 裕量时，优先用 FTN 而不是换高阶级调制；裕量不够才考虑高阶调制，因为高阶星座对非线性功放的回退要求更苛刻。FTN 的主要代价在接收机检测复杂度，高阶调制的主要代价在前端器件线性度，两者在链路预算里是两个维度的消耗，混在一起评估容易误判。

4.3 MAP、MMSE、DFE：接收机复杂度与性能的取舍

接收机选型直接决定 FTN 容量能不能兑现。逐符号硬判在 $\tau < 1$ 时基本不可用；MLSE 是最优检测，但状态数随 ISI 展布指数增长；BCJR 在 MLSE 基础上给软信息，适合接 LDPC/Turbo；MMSE 线性均衡复杂度低但有错误平台；DFE 能消除过去 ISI，不过有错误传播，且难以输出软信息给迭代译码。

实际系统里，符号数短、调制阶数低时直接上 BCJR；高吞吐场景常用带循环前缀的频域 MMSE，把 FTN 波形变成块传输后复杂度降到 $O(N \log N)$；需要兼顾软信息和复杂度时，用软输出 MMSE 加外迭代，第 5 章的验证流程就是按这个组合设计的。

5. 从仿真到实测：验证超奈奎斯特容量的三个落点

5.1 用频谱仪验证带宽占用没有变宽

把ftn_modulate生成的x灌入矢量信号发生器，用频谱仪测占用带宽 OBW。把 $\tau$ 从 1.0 改到 0.8 重新播放，OBW 读数应当基本不动，稳定在 $(1+\beta)/T$ 附近。如果观测到明显展宽，先查sps是否足够（至少 8），再查脉冲截断是否引入带外泄漏。这一关过了，才能说速率提升来自符号密度而不是额外带宽。

5.2 用 EVM 与 BER 门限做容量验收

用矢量信号分析仪做解调，16QAM 目标 EVM 一般按 5% 以下收。EVM 与 SNR 的换算常用 $\text{SNR} \approx -20\log_{10}(\text{EVM})$，10% EVM 对应约 20 dB。验收时对比 FTN 与奈奎斯特基线在目标 BER（比如 $10^{-3}$）所需 SNR，记下差值。只有当 $(1/\tau - 1)$ 的速率提升大于这个 SNR 代价折算出的容量损失，FTN 链路才算真正划算。

5.3 两个容易翻车的细节：折叠谱与时钟漂移

仿真里最常见的问题是sps低于 4 时，FFT 频谱折叠会污染等效信道估计，让 $\tau$ 带来的增益看起来变小。先用高倍过采样复测再下结论。硬件测试里，$\tau$ 是分数倍，符号时钟不是简单对本地时钟除以整数，用 Gardner 或早迟门同步时，需要把环路带宽按新的符号率重新整定，否则测出来的 EVM 里有一部分是定时误差，不是 FTN 本身的代价。

本文还有配套的精品资源，点击获取