Turbo码与GMSK调制链路：Matlab实现与误码率对比分析

毕业设计或者课程设计里做到“Turbo码 + 调制方式”这类题目的人很多，但真正把Turbo码和GMSK放在一条链路上跑通、再给出可复现Matlab代码的资料，确实不算多。BPSK和Turbo码的组合门槛低、结果直观，GMSK就麻烦不少——它本质上是带记忆的连续相位调制，匹配解调要在相位树里做最大似然序列估计，复杂度直接上了一个台阶。这篇文章就围绕一个很经典的做法展开：发射端用Turbo码做信道编码，调制端分别在BPSK和GMSK两条链路上发送，接收端对GMSK用二比特差分解调提取软信息，再交给log-MAP迭代译码器。整个方案用Matlab实现，既能快速复现误码率曲线，又能比较两种调制方式在编码增益上的差异。

我最近把这条链路完整拉了一遍，从相位成形到差分解调、再到Turbo译码的软信息对接，踩了不少坑。下面按工程实现的顺序，把每一步的设计思路、Matlab实现细节和实测中要注意的点都写出来。

1. 链路怎么搭：把Turbo码与两种调制方式揉进同一条仿真管线

先看整体结构。既然要对比turbo+BPSK和turbo+GMSK，就不应该各自写一套互不相关的代码。正确做法是搭一条统一管线：Turbo编码器输出编码比特，经过相同的随机交织和码率匹配后，进入调制模块；调制模块做成可切换的，BPSK直接符号映射，GMSK走相位成形；接收端根据调制方式选择对应的解调器，输出软比特LLR，送到同一个Turbo迭代译码器。

这个设计的好处很明显——编码增益的差异完全由调制和解调方式决定，排除了其他变量。链路各模块的职责划分见下表。

仿真时我建议先把BPSK链路跑通，把Turbo译码器验证无误后，再切换到GMSK链路。这样排错范围清晰：GMSK链路出问题，问题几乎一定出在调制或差分解调侧，而不是Turbo译码器本身。

一个容易被忽略的细节是编码后比特与调制符号的映射关系。Turbo码内部交织器的索引、以及交织后比特进入调制器的顺序，都会影响差分解调性能。GMSK本身具有相位记忆，相邻比特的相位增量互相影响，如果交织器设计不合理，会把这种记忆性打散，导致差分解调的软信息质量下降。实测中普通随机交织基本够用，交织深度取信息块长度量级即可。

2. MSK与GMSK的相位成形逻辑：从相位树到高斯脉冲限带

MSK和GMSK经常放在一起讲，因为GMSK就是MSK的“限带版本”。MSK的基本思想很简单：载波相位在每个比特持续时间内线性增加或减少π/2，所以调制指数h=0.5，相位路径是一棵连续的分支树——每个比特都让相位沿顺时针或逆时针方向转折90度。这种相位连续特性使MSK的频谱旁瓣比BPSK低很多，但主瓣宽度仍然偏大，频谱效率不够理想。

GMSK在MSK的基础上增加了一个前置高斯低通滤波器，对输入的矩形脉冲先做平滑，再用平滑后的波形控制相位变化速率。这样相位路径不再是一条条直线段首尾相接，而是被修圆了，高频分量被明显抑制，带外辐射更小。通常用BT乘积描述这个高斯滤波器的带宽，BT=0.3是工程上最常见的取值，GSM系统就是用它。BT=∞时高斯滤波器退化为全通，GMSK直接变成MSK，所以MSK可以看作GMSK的一个特例。

Matlab里生成GMSK基带波形，核心就三步：

% 参数设置 h = 0.5; % 调制指数 BT = 0.3; % 高斯滤波器带宽-时间乘积 Nsamp = 8; % 每符号采样点数 Rb = 1; % 符号速率归一化 % 1. 信息比特映射为±1 a = 2 * bits - 1; % bits为0/1序列 % 2. 高斯脉冲成形 % 对矩形NRZ波形做高斯滤波，等效于把冲激响应用高斯脉冲近似 [phase_inc, q] = gmsk_phase_pulse(a, Nsamp, BT, h); % 3. 相位积分，得到复数基带信号 phi = cumsum(phase_inc) * pi * h; s = exp(1j * phi);

这里的高斯脉冲q(t)可以查标准定义：它是高斯函数对时间的积分，决定了单个比特相位贡献的时域窗口。BT越小，q(t)拖得越长，理想情况下相位脉冲会跨越多个符号周期，这就是MSK/GMSK“带记忆”的来源。

从工程角度理解，GMSK的相位成形可以看成发射端对原始比特流做了一次非线性变换。比特不再是直接反映在幅度或相位跳变上，而是反映在跨符号的相位增量上。这个特点决定了接收端不能用BPSK那种逐符号匹配判别的思路，必须考虑相位积累过程。

频谱效率方面，BPSK理想频谱无限宽，实际通过升余弦滤波器限带；GMSK靠相位平滑本身就限带。实测中BT=0.3的GMSK在归一化频率1.5附近频谱衰减能达到-60dB以下，占用带宽比BPSK小一倍左右。这是GMSK在工程上最大的价值——在带宽受限信道里能塞进更多用户或更高数据率。

3. 二比特差分解调：不看绝对相位，只看相位增量

GMSK接收端的经典做法是最大似然序列估计，可以用维特比算法在相位状态格上做。但序列检测复杂度高，工程上更常见的简化方案是差分检测。一比特差分检测简单、复杂度低，但信噪比损失较大；二比特差分检测在复杂度和性能之间取了一个很好的平衡点，而且对载波初始相位不敏感，非常适合突发通信和简化接收机。

二比特差分解调的原理要从相位增量说起。以MSK为例，若信息比特a(k)∈{±1}，则第k个符号的相位增量近似为a(k)·π/2，跨两个符号周期的累计相位差为[a(k-1)+a(k)]·π/2。当相邻比特相同时，这个相位差收敛到±π；相邻比特不同时，相位差趋近于0。也就是说，二比特差分检测真正检到的是相邻两个比特的乘积a(k-1)·a(k)，而不是单个比特本身。如果发射端预先做了差分编码b(k)=a(k)·b(k-1)，接收端就能从二比特差分结果中直接恢复b(k)对应的信息序列。

实际操作中，直接计算接收信号的延迟共轭乘积更加简单：

% rx为接收基带波形，Nsamp为每符号采样数 z = rx(2*Nsamp+1 : end) .* conj(rx(1 : end-2*Nsamp)); % 或者逐符号采样后计算 % 取z的虚部或实部作为判决量，具体取哪个取决于映射约定 soft = imag(z); % 或real(z)，极性需与差分编码映射对应

为什么不取一比特差分？因为GMSK的相位脉冲跨符号延伸，一比特差分区间内相位增量受相邻码间干扰影响很大，判决裕量不足；取两比特间隔后，发生在中间的那个比特的影响被对称抵消，判决统计量的稳定性明显改善。BT越小，这个优势越明显。当然，二比特差分也有代价：等效噪声功率翻倍，信噪比损失大约比一比特差分少一些，但相比理想相干检测通常有3dB左右的代价。

得到soft量之后不能直接硬判决，Turbo译码需要的是对数似然比LLR。工程上最简单的做法是直接按噪声方差归一化：

% 差分噪声方差近似为原信道噪声方差的两倍 sigma2_diff = 2 * sigma2_n; LLR = soft / sigma2_diff;

这个近似虽然粗糙，但对Turbo迭代译码完全够用——log-MAP译码器对LLR的绝对尺度并不敏感，只要极性正确、相对幅度合理，迭代依然能收敛到接近理想的性能。如果你希望在实验室误差范围内精确一点，可以先把difference软量的经验方差统计出来，再按比例归一化。

4. Turbo码编译码实现：迭代译码里的外信息闭环

Turbo码本质上是两个递归系统卷积码RSC通过交织器并行级联，接收端用两个软输入软输出译码器迭代交换“外信息”，逼近最大似然译码性能。这里每个术语都有具体含义：

• RSC分量码：必须带反馈结构，只有递归结构才能在低信噪比下形成有效的“香农逼近”效果。我用的生成多项式是[7 5]（八进制），对应反馈多项式101、前向多项式111。
• 交织器：把同一段信息比特打乱顺序后送给第二个编码器，让两个分量译码器看到的错误图案尽量不相关。交织深度直接影响迭代增益。
• 迭代译码：分量译码器1解出信息比特的软信息，减去它自己的先验输入和外加信道信息，得到“外信息”交给译码器2；译码器2同样计算外信息反馈给译码器1。如此反复，两个译码器互相纠偏，误码率逐步下降。

Max-Log-MAP是我在Matlab里最常用的译码算法。它的核心是各路度量比较，不是完整BCJR的对数折算。为了保持迭代中的数值稳定性，需要处理全部路径度量的归一化，防止溢出。

关键是外信息提取这一步。分量译码器输出的是后验LLR，外信息定义为：

L_ext = L_posterior - L_a - L_c;

其中L_a是来自另一个译码器的先验信息，L_c是信道对系统比特提供的软信息。BPSK链路里L_c通常就是2y/σ²，GMSK差分链路里则取第3节算出的soft归一化量。每次迭代填充L_a后，译码器更新L_posterior，再剪出新的L_ext给另一半。

我第一次实现时栽在了一个问题上：增益收敛不了，误码率曲线平到像是没有编码。后来单独检查每个模块的软信息输出，发现分量译码器1和2之间外信息的符号约定不统一。L_a加错了符号，两个译码器实际上在“反着推”，迭代当然越推越差。所以在调试阶段建议做一个无信道噪声的“完美接收”验证：把解调软信息直接替成理想映射值，如果Turbo译码器不能收敛到零误码，说明外信息符号或交织器索引有误。

迭代次数方面，实测Max-Log-MAP在4到6次迭代后性能曲线就基本重合，8次是性价比很高的选择。继续增加到十几轮，收益微乎其微，但运行时间线性上升，交织规模大时尤其明显。仿真里可以写个循环，绘制不同迭代次数下的BER曲线，直观展示迭代收敛过程。

5. 仿真链路搭建与关键结果：误码性能究竟差在哪

现在把各模块串起来，给出完整的仿真参数。我用的配置如下：

链路主循环流程如下：生成随机信息比特，送入Turbo编码器；编码输出按码率打孔后调制；叠加噪声；解调；LLR归一化后送入Turbo译码器；统计误码率。蒙特卡洛仿真中每个信噪比点至少要跑到出现50个以上错误比特，曲线才平滑，否则高信噪比区域波动很大，看不出趋势。

跑出来的典型结果趋势如下（AWGN信道，1024信息比特）：

这个表不是精确标定，不同交织器长度和迭代次数会有差别，但相对趋势是稳定的：Turbo码给差分检测链路带来了约3dB以上的编码增益，代价是要用迭代译码换；BPSK链路因为相干解调软信息质量好，增益最高；GMSK由于频谱效率优势和包络恒定特性，在带宽受限场景下更有吸引力。如果拿MSK和GMSK对比，MSK差分检测的软信息更干净，性能略好；GMSK带宽效率更优，因此按频谱效率归一化后，GMSK的净优势还是明显的。

仿真过程中最容易搞错的Eb/N0标定，我单独强调一下。GMSK是恒包络信号，功率归一化后每符号能量Es、每比特能量Eb和码率R的折算关系是Eb/N0 = Es/N0 - 10log10(R)，同时要把差分检测带来的噪声放大也算进去。最稳妥的验证方法：在BPSK链路上做一次无编码误码率测试，确认仿真曲线与理论曲线重合，再用同样的噪声口径切换到GMSK链路上。如果BPSK链路标定都偏了，GMSK差分链路的绝对信噪比就完全不可信。

6. 实测踩坑记录：软信息极性、相位展开、信噪比标定

这一段是实际操作中真正容易卡住的地方，我把踩过的坑按优先级列出来。

**软信息极性。**这是最隐蔽也最致命的问题。差分解调输出的软量极性如果和Turbo译码器的信息比特约定相反，高信噪比下依然可能接近50%误码。排查手段很直接：先给发射端一个已知序列，手动过一遍差分解调，观察软量符号与比特映射是否一致。不要只在译码端找问题，问题往往出在调制端映射约定和解调端判决方向两边的符号配合上。

**相位展开跳变。**计算相位差之前，如果直接用angle()取瞬时相位，会在±π边界产生跳变，导致差分软量出现毛刺。正确做法是对瞬时相位序列先做unwrap处理，再逐点求差。示例代码：

phi = unwrap(angle(rx)); delta_phi = phi(2*taps+1 : end) - phi(1 : end-2*taps); soft = sin(delta_phi); % 或cos，按调制约定

unwrap的引入可能会让初学的人一头雾水，但只要画一下相位曲线就会看到，未展开的相位在边界处会有2π的跳变，这个跳变经过差分运算后会直接变成一个虚假的强“旋转”，完全掩盖真实的相位增量。

**差分噪声方差。**用2倍原噪声方差做归一化是工程近似，但如果信噪比走高后BER曲线出现异常上翘，不要急着怀疑Turbo译码器，先用差分解调的原始BER测试确认差分链路本身正确。差分检测的噪声样本实际上不是严格白噪声，相邻时刻存在相关性，所以在精确仿真里可以统计软量方差后一次性归一。

**交替验证Turbo码本身。**GMSK链路跑不通时，回到BPSK链路用同一套Turbo编译码器测试，是最快的排错手段。反过来，BPSK链路能跑到接近理论极限，也说明你手上的Turbo译码器实现是过关的，后面GMSK链路的性能差异都归因于调制解调方式，而不是编码器本身。

**迭代收敛与误差平台。**Max-Log-MAP在低信噪比时迭代增益明显，但高信噪比下误码率曲线可能出现误差平台，这时候增加迭代次数没有帮助，问题更可能在交织器长度或分量码的选择。适当增大交织长度、或改用完整log-MAP，可以推低误差平台。

GMSK与Turbo码的组合，最终要比的不只是编码增益，而是“带宽效率×功率效率”的综合收益。BPSK+Turbo很容易拿到好看的误码率曲线，但频谱代价高；GMSK+Turbo让发射机可以用非线性功放、频谱占用更省，同时靠Turbo的迭代增益补偿差分检测的损失——这在工程上的价值比单纯追求曲线更低误码率更实在。如果你只是做课设验证，建议先跑通Turbo+BPSK，再用相同的译码器切换到GMSK差分链路；这种逐层替换的方式，能在最短时间内帮你理清调制、编码、解调三者各自的贡献，也最容易写出让人信服的实验报告。