简介：这份资源面向通信原理、数字通信课程的学习者与MATLAB仿真入门者，聚焦16QAM调制解调系统的端到端仿真，帮助理解星座图分布与误码率随信噪比变化的规律。压缩包共8个文件，全部为m脚本，整体约3KB，涵盖主流程调用、星座图绘制、四进制与二进制互转、调制与解调、随机二进制序列生成以及比特成形等模块，结构紧凑，便于逐函数阅读与二次修改。资源已有1926人学习下载，说明其在课程实验与自学场景中具有一定参考价值。读者可据此搭建完整的16QAM仿真链路，在AWGN信道下完成信号生成、星座映射、最佳接收检测与误码率统计，并绘制BER性能曲线，从而直观评估不同信噪比下的通信质量，也可作为课程设计或论文仿真的基础代码框架。
1. 16QAM 星座图仿真及误码率仿真：从一张散点图看懂链路到底行不行
做数字通信基带验证的人，迟早会撞上 16QAM。它比 QPSK 多扛一倍频谱效率，又不像 64QAM 那样对信噪比苛刻到让人翻车，是很多链路预算里的“甜点阶数”。但甜点归甜点，真把 16QAM 星座图仿真及误码率仿真跑起来，你会发现两件事：星座图散点看着挺规整，误码率曲线却对不上理论值；或者反过来，误码率勉强对上了，星座图却已经糊成一团。问题往往不在调制公式，而在脉冲成型、归一化、判决门限和 Es/N0 与 Eb/N0 的换算上。这篇笔记面向正在做基带链路仿真、想用 Python 把 16QAM 从星座图到 BER 曲线完整跑通的人，也面向已经跑过但结果对不上、想找排查路径的人。下面按“先立住原理、再动手复现、最后讲坑”的顺序推。
2. 16QAM 星座图与误码率仿真的原理底座：为什么不能只画点
2.1 16QAM 的星座点是怎么摆出来的
16QAM 的本质是两路正交载波各携带 4 个幅度电平，I 路和 Q 路各取 {-3, -1, +1, +3}，组合出 16 个星座点。这个摆法叫方形 16QAM，也是工程上最常用的，因为它可以拆成两个独立的 4ASK 来分别判决，解调复杂度低。星座点坐标写成复数就是：
# 方形16QAM星座点：I、Q各取{-3,-1,+1,+3} import numpy as np levels = np.array([-3, -1, 1, 3]) constellation = np.array([i + 1j*q for i in levels for q in levels]) print(constellation)这段代码生成 16 个复数星座点。注意这里的幅度是相对值，不是电压绝对值。逻辑说明：外层循环遍历 I 路电平，内层遍历 Q 路电平，得到 16 个组合。参数说明：levels的间距为 2，这是方形 16QAM 的标准间距；如果你改成 {-1, -1/3, 1/3, 1}，那就是归一化后的版本，后面算噪声功率时要对应调整。
为什么强调归一化？因为误码率仿真里噪声功率是按符号能量算的。方形 16QAM 的平均符号能量是每个星座点模平方的平均值。上面这组点的平均能量是 10。如果你不做归一化，直接拿 Es/N0 去加噪声，算出来的 BER 会和理论曲线差一个常数因子，曲线整体平移，看起来“形状对但位置不对”。这是最常见的翻车点之一。
2.2 误码率理论曲线从哪来
16QAM 在 AWGN 信道下的理论误符号率有闭式解，但误比特率没有特别简洁的精确闭式，工程上常用近似。对于方形 16QAM，格雷映射下误比特率近似为：
BER ≈ (3/8) * erfc( sqrt( (2/5) * Eb/N0 ) )
这个近似在中等信噪比以上比较准，低信噪比会偏。为什么是 3/8 和 2/5？3/8 来自每符号 4 比特、每符号平均有 3 个比特容易出错的那类近似；2/5 来自 16QAM 平均符号能量与最小距离的关系。你不需要背，但要知道：如果你仿真出来的曲线和这条近似对不上，先别怀疑公式，先查 Es/N0 和 Eb/N0 的换算。
换算关系是：Es/N0 = Eb/N0 + 10*log10(k)，k 是每符号比特数，16QAM 的 k=4，所以 Es/N0 = Eb/N0 + 6.02 dB。很多人仿真时直接拿 Eb/N0 当 Es/N0 用，曲线就整体左移 6 dB，看起来“性能好得不像话”，其实是单位搞错了。
2.3 仿真链路的最小闭环
一个能复现的 16QAM 误码率仿真，最小闭环包括：随机比特生成、比特到符号映射、脉冲成型（可选但建议）、AWGN 加噪、匹配滤波、符号判决、比特反映射、误码统计。星座图仿真则是把加噪后的符号直接画在复平面上，看散点分布。两者共用同一套符号流，只是观察点不同。
常见做法是：先不加脉冲成型，直接符号级仿真，验证映射和噪声功率对不对；再加根升余弦滤波器，看码间干扰和星座图扩散。我一般会分两步跑，因为一旦脉冲成型和噪声功率同时出问题，排查起来就是黑匣子。
3. 用 Python 跑通 16QAM 星座图仿真：从比特到散点图
3.1 比特映射与格雷码安排
16QAM 的比特映射方式直接影响误比特率。格雷映射让相邻星座点只差一个比特，这样噪声导致判到相邻点时，只错一个比特。方形 16QAM 的格雷映射可以按 I、Q 两路分别做 4ASK 的格雷映射，再组合。
import numpy as np def bits_to_16qam(bits): # bits: 一维数组，长度必须是4的倍数 bits = bits.reshape(-1, 4) # I路取前2比特，Q路取后2比特 i_bits = bits[:, 0:2] q_bits = bits[:, 2:4] # 格雷映射：00->-3, 01->-1, 11->+1, 10->+3 gray_map = {(0,0): -3, (0,1): -1, (1,1): 1, (1,0): 3} i_levels = np.array([gray_map[tuple(b)] for b in i_bits]) q_levels = np.array([gray_map[tuple(b)] for b in q_bits]) symbols = i_levels + 1j * q_levels return symbols逻辑说明：把比特流按每 4 个一组切开，前两个比特决定 I 路电平，后两个决定 Q 路电平。格雷映射表里，相邻电平对应的比特只差一位。参数说明：gray_map的键是元组，顺序不能乱；如果你用别的映射表，误码率曲线会变差，但星座图看起来一样，这是隐蔽的坑。
3.2 加噪与星座图绘制
加噪时要按符号能量归一化。上面生成的符号平均能量是 10，所以噪声功率要按 Es/N0 来算。
import matplotlib.pyplot as plt def add_awgn(symbols, snr_db): # snr_db 这里指 Es/N0 Es = np.mean(np.abs(symbols)**2) N0 = Es / (10**(snr_db/10)) noise = np.sqrt(N0/2) * (np.random.randn(len(symbols)) + 1j*np.random.randn(len(symbols))) return symbols + noise np.random.seed(42) bits = np.random.randint(0, 2, 4000) symbols = bits_to_16qam(bits) rx = add_awgn(symbols, 15) plt.figure(figsize=(5,5)) plt.scatter(rx.real, rx.imag, s=2, alpha=0.5) plt.scatter(symbols.real, symbols.imag, c='r', marker='x') plt.grid(True) plt.title('16QAM constellation at Es/N0=15dB') plt.show()逻辑说明：add_awgn先算符号平均能量，再根据 Es/N0 反推 N0，复噪声的实部和虚部各分一半功率。参数说明：snr_db是 Es/N0，不是 Eb/N0；np.random.seed固定种子保证可复现。画图时红色叉是理想星座点，蓝色散点是加噪后的接收符号。15dB 时散点应该聚成 16 团，团之间不重叠；如果重叠严重，要么信噪比太低，要么噪声功率算错了。
3.3 判决与误码统计
判决就是找离接收符号最近的理想星座点，然后反映射回比特。
def 16qam_to_bits(symbols, constellation): # 最近邻判决 dist = np.abs(symbols[:, None] - constellation[None, :]) idx = np.argmin(dist, axis=1) # 反映射：根据星座点索引还原比特，这里需要与映射表一致 # 简化：直接按索引查表，实际工程中要维护映射表 return idx # 误码统计需要完整的反映射表，这里略去具体表，强调思路逻辑说明：最近邻判决是 AWGN 下的最优判决。参数说明：constellation必须和发送端一致，包括顺序；如果你发送端用了格雷映射，接收端反映射表也要对应，否则误码率会偏高。实际工程中，映射和反映射表通常写成一个查找表，避免手写出错。
4. 16QAM 误码率仿真：从 Es/N0 扫描到 BER 曲线
4.1 信噪比扫描与蒙特卡洛次数
误码率仿真要扫多个信噪比点，每个点跑足够多的符号，才能统计出低误码率。16QAM 在 BER=1e-5 时大约需要 Es/N0=18dB 左右，要统计到 1e-5，至少需要 1e6 个符号量级。
def simulate_ber(ebn0_db_range, num_symbols=200000): ber = [] for ebn0_db in ebn0_db_range: esn0_db = ebn0_db + 10*np.log10(4) # 16QAM每符号4比特 bits = np.random.randint(0, 2, num_symbols*4) tx = bits_to_16qam(bits) rx = add_awgn(tx, esn0_db) # 判决与误码统计（需完整反映射） # 这里用简化方式示意 ber.append(0) # 占位 return ber逻辑说明：ebn0_db_range是 Eb/N0 扫描范围，换算成 Es/N0 后加噪。参数说明：num_symbols越大统计越准，但耗时越长；一般低信噪比点可以少跑，高信噪比点要多跑。蒙特卡洛仿真的方差大约与 1/sqrt(N) 成正比，所以 BER 越低，需要的 N 越大。
4.2 理论曲线与仿真曲线对比
把仿真得到的 BER 和理论近似画在一起，看是否重合。
from scipy.special import erfc def theoretical_ber(ebn0_db): ebn0 = 10**(ebn0_db/10) return (3/8) * erfc(np.sqrt((2/5) * ebn0))逻辑说明：这是 16QAM 在 AWGN 下的近似理论误比特率。参数说明：ebn0_db是 Eb/N0，单位 dB；erfc是互补误差函数。如果你仿真曲线在低信噪比偏高、高信噪比重合，那是近似本身的误差；如果整体平移，那就是单位换算或归一化问题。
4.3 脉冲成型对误码率的影响
加根升余弦滤波器后，符号间会有码间干扰，误码率会略差于符号级仿真。常见做法是发送端用 RRC 成型，接收端用匹配的 RRC 滤波，滚降系数一般取 0.35 或 0.5。
from scipy.signal import firwin def rrc_filter(beta, sps, span): # 简化示意，实际RRC系数有闭式公式 pass逻辑说明：脉冲成型把符号展宽到多个采样点，匹配滤波后采样判决。参数说明：beta是滚降系数，越大频谱越宽但码间干扰越小；sps是每符号采样数，一般取 4 或 8；span是滤波器跨度，取 6 到 10 个符号。加成型后，星座图会从理想点变成小团，团的大小和滚降系数、信噪比都有关。
5. 16QAM 仿真避坑：那些让曲线对不上的细节
5.1 现象：BER 曲线整体左移 6dB
原因：把 Eb/N0 直接当 Es/N0 用了。16QAM 每符号 4 比特，Es/N0 比 Eb/N0 高 6.02dB。解决：在加噪前做换算，esn0_db = ebn0_db + 10*np.log10(4)。
5.2 现象：星座图散点整体旋转或偏移
原因：载波相位偏移或频率偏移没补偿。解决：在符号级仿真里先不加频偏，确认映射和噪声没问题；加频偏后要加相位估计和补偿，否则判决全错。
5.3 现象：高信噪比下 BER 不降反升
原因：蒙特卡洛符号数不够，或者判决时用了错误的反映射表。解决：增加符号数到 1e6 以上；检查映射表和反映射表是否严格对应，特别是格雷映射的顺序。
5.4 现象：加脉冲成型后 BER 明显变差
原因：RRC 滤波器设计不对，或者收发端滚降系数不匹配。解决：收发端用相同的 RRC 参数；检查滤波器时延是否补偿，采样点是否对准最佳采样时刻。
5.5 现象：理论曲线和仿真曲线在低信噪比差很多
原因：理论近似在低信噪比不准，或者仿真中噪声功率算错。解决：低信噪比以仿真为准，理论近似只作参考；检查噪声功率是否按符号能量归一化。
6. 把 16QAM 仿真用起来：从验证到链路预算
跑通星座图和误码率仿真后，这套代码可以当基带验证的起点。我一般会做三件事：第一，把 Es/N0 扫描范围拉宽，从 0dB 到 25dB，看曲线拐点在哪；第二，改滚降系数，看频谱效率和误码率的折中；第三，加一个简单的相位噪声模型，看星座图怎么从团变成弧。这些扩展不需要改核心链路，只需要在加噪前后插模块。
一个具体技巧：统计误码时，不要只统计总 BER，分 I 路和 Q 路分别统计。16QAM 的 I、Q 两路在格雷映射下误码率应该接近，如果某一路明显偏高，说明映射表或判决门限有问题。这个习惯帮我省过很多后悔药。
最后说个血泪经验：仿真代码一定要固定随机种子，并且把每次改动的参数记在文件名或注释里。我见过太多人跑了一晚上，第二天忘了改了什么，曲线对不上只能重跑。希望帮到你。
本文还有配套的精品资源，点击获取
