QPSK到16QAM信道容量曲线解析：蒙特卡洛复现与调制选型

简介：这份资源是一份关于高斯信道下常用调制方式信道容量计算的MATLAB/Word文档资料，面向通信工程专业学生、研究人员及数字通信系统设计者。内容基于《Channel Codes: Classical and Modern》推导QPSK、8PSK、16PSK与16QAM四种调制方式的容量公式，从二维M元信号集合与复高斯噪声模型出发，逐步给出容量表达式、信噪比转换方法和仿真思路。文档共1个doc文件，压缩包约345KB，内含详细理论推导、星座图示意以及可直接运行的MATLAB程序代码（含循环遍历信噪比、采样星座点、计算能量与绘制容量曲线的完整脚本），便于读者对照学习并自行扩展。目前已有1352人学习下载，适合作为理解调制方式与信道容量关系、进行链路级仿真验证的参考资料。

1. 把 QPSK、8PSK、16PSK、16QAM 的容量曲线画在一起，先看懂它在解决什么问题

把 QPSK、8PSK、16PSK 和 16QAM 的信道容量曲线放进同一张图，第一眼看到的不是谁高谁低，而是每条线都有一条硬天花板：QPSK 停在 2 bit/s/Hz，8PSK 停在 3，16PSK 和 16QAM 停在 4。这个天花板不是编码不努力，而是星座点数决定了每个符号最多携带多少比特。做链路预算、选编码调制方式的人要这张图，本质是在回答两个问题：给定工作信噪比，这套调制还能挤出多少吞吐量；给定目标速率，信噪比至少要推到多高。它画的是可达上界，不含任何具体编码，专门用来卡边界、定方案。

我在实际项目里把这类曲线当成“选型标尺”用：先画出来，再叠加上 LDPC 或 Turbo 码的仿真曲线，看编码损失离上界还有多远。距离太远说明编码或映射有问题；距离太近则说明提升空间不大，该换调制阶数了。下面从理论到复现脚本，把这条曲线一次说透。

2. 信道容量曲线为什么不是一条香农线：有限星座的天花板来自哪里

2.1 连续信道容量与有限星座互信息的关系

经典香农公式给出的是高斯输入下的信道容量：C = B log2(1 + SNR)，b/s/Hz。它假设发送端可以取任意高斯分布的连续符号，这在理论上最优，但实际系统里符号只能从 QPSK、8PSK、16PSK、16QAM 这类离散星座点里选。发送符号不再连续，信道容量这个概念就要换成“给定星座下的互信息最大值”，即 I(X;Y)。

对无记忆 AWGN 信道，接收信号 y = x + n，n 是复高斯噪声。互信息定义为：

I(X;Y) = H(Y) - H(Y|X)

这个值衡量的是：接收端看到 y 之后，对发送符号 x 的不确定性减少了多少。它天然就是“这个星座在这个信噪比下能支撑的谱效率上界”。常见的做法是直接对 I(X;Y) 做蒙特卡洛估计，因为 X 的分布已知（通常等概），噪声的条件分布也已知，不需要像信道盲估计那样去猜，计算路径非常直接。

理解这张曲线，最关键的一条是：它不是香农线，而是“有限星座的香农线”。高信噪比区域，它与香农线的差距，来自星座点离散化造成的“量化损失”；低信噪比区域，差距主要来自星座点之间距离与噪声分布的匹配程度。两条曲线的差值，就是连续高斯输入与离散星座输入之间的可达速率差。

2.2 饱和值 log2(M) 与调制阶数的硬边界

每个星座点数为 M 的调制，其容量曲线一定收敛到 log2(M)。原因很简单：每个符号从 M 个点里等概率选一个，所以每个符号最多携带 log2(M) 比特信息。QPSK 即 4PSK，M=4，饱和值为 2 bit/s/Hz；8PSK 的 M=8，饱和值 3；16PSK 与 16QAM 的 M=16，饱和值都是 4。

饱和意味着：当信噪比继续增大、接收端已经能近乎无误地区分每个星座点时，再增加发射功率也不会带来吞吐量提升。实际系统通常不会工作在饱和区，而是工作在“曲线快速爬升段”的右侧一点，因为那一段的功率换速率效率最高。曲线饱和位置决定了这个调制适合多高的目标速率，爬升段的位置则决定了需要多高的信噪比才能逼近这个速率。

这里有一个常被忽略的几何约束，也正是 PSK 家族的痛点。M-PSK 的所有星座点都在同一个圆上，为了满足平均功率归一化，半径通常设为 1，点的最小欧氏距离为：

dmin = 2 sin(π / M)

代入 16PSK，最小距离约 0.3902。而 16QAM 在平均功率归一化为 1 时，最小星座点距离约 0.6325。两者相差约 4.2 dB。这 4.2 dB 会直接反映到容量曲线上：16PSK 的爬升段会比 16QAM 明显右移。更直白的说法是，16PSK 把 16 个点全挤在一个圆周上，相位间隔只有 22.5 度，噪声稍大就分不清相邻点；16QAM 把点铺在二维平面里，平均功率限制下能腾出更大的点间距。

这张表值得贴在工位旁边。每次看到有人说“16PSK 和 16QAM 都是 4 bit/s/Hz，所以差不多”，拿 dmin 那一列反驳就够了。

3. 用蒙特卡洛互信息估计复现容量曲线：可直接运行的仿真脚本

3.1 为什么不能靠直方图统计硬算互信息

直觉上，有人会想：既然 I(X;Y) = H(Y) - H(Y|X)，那我仿真得到大量 y 样本，用直方图估计 H(Y)，再减去已知的噪声熵，不就行了吗？这条路在二维复平面里会翻车：直方图分箱需要同时覆盖实部和虚部两个维度，想要分辨率够高，箱数量会爆炸；样本落在每个箱里的数量稀疏，熵估计偏差很大，画出来的曲线在高信噪比区会严重低于理论饱和值。

正确做法是利用已知条件分布，把互信息写成一个期望：

I(X;Y) = E[ log2( p(Y|X) / p(Y) ) ]

其中 p(Y|X) 是复高斯条件概率密度，可以直接写出解析式；p(Y) 是接收信号的混合分布，因为发送符号等概，所以 p(y) = (1/M) Σ p(y|x_i)。这样不需要分箱，只需要对一批仿真样本做平均，估计量是一致的，样本量越大越接近真值。

3.2 仿真脚本：按信噪比扫描，逐点计算互信息

我用 Python 写一个最小可运行版本。噪声模型采用复基带等效：y = x + n，n 的实部虚部独立同分布，方差各为 N0/2，此时复噪声总方差为 N0。发送星座平均功率归一化为 1，因此信噪比 Es/N0 = 1/N0。换算成分贝就是 snr_db。

import numpy as np from scipy.special import logsumexp def get_constellation(mod): """生成调制星座，平均功率归一化到 1。""" if mod in ('qpsk', '8psk', '16psk'): M = {'qpsk': 4, '8psk': 8, '16psk': 16}[mod] c = np.exp(1j * (2 * np.pi / M) * np.arange(M)) elif mod == '16qam': levels = np.array([-3, -1, 1, 3]) c = np.array([x + 1j * y for x in levels for y in levels]) else: raise ValueError(mod) c = c / np.sqrt(np.mean(np.abs(c) ** 2)) return c.astype(complex) def capacity_at_snr(symbols, snr_db, n_samples=200_000, seed=42): """在单个 Es/N0 点上用蒙特卡洛估计互信息。""" rng = np.random.default_rng(seed) M = len(symbols) idx = rng.integers(0, M, n_samples) x = symbols[idx] snr = 10 ** (snr_db / 10) Nd = 1.0 / snr # 复噪声总方差，即单边噪声谱密度 N0 noise = rng.normal(0, np.sqrt(Nd / 2), n_samples) + \ 1j * rng.normal(0, np.sqrt(Nd / 2), n_samples) y = x + noise # 条件对数概率矩阵，每一项对应 log p(y_j | x_i) # 常数项 -log(pi*Nd) 在分子分母中抵消，这里省略 d2 = np.abs(y[:, None] - symbols[None, :]) ** 2 log_p_cond = -d2 / Nd log_p_self = log_p_cond[np.arange(n_samples), idx] log_p_mix = logsumexp(log_p_cond, axis=1) - np.log(M) I_bits = np.mean(log_p_self - log_p_mix) / np.log(2) return I_bits def scan_capacity(mod, snr_db_list, n_samples=200_000): symbols = get_constellation(mod) caps = [] for i, s in enumerate(snr_db_list): # 每个信噪比点用不同 seed，避免不同曲线共享同一份噪声 c = capacity_at_snr(symbols, s, n_samples=n_samples, seed=1000 + i) caps.append(c) return np.array(caps) if __name__ == '__main__': snr_db = np.arange(-10, 31, 1.0) for mod in ['qpsk', '8psk', '16psk', '16qam']: caps = scan_capacity(mod, snr_db, n_samples=300_000) print(mod, caps.round(4))

这段脚本的核心在capacity_at_snr函数。d2是一个形状 (n_samples, M) 的矩阵，每一行是某个接收符号到所有星座点的距离平方；log_p_cond利用高斯分布的条件概率算出对数似然。logsumexp是数值稳定的对数求和指数函数，它会把每行最大值先提出来，避免在高信噪比时 exp 溢出或下溢。最后用样本均值代替期望，除以 log(2) 把自然对数换成以 2 为底的对数，结果就是 bit/s/Hz。

运行耗时主要取决于n_samples和信噪比点数。如果只画趋势，n_samples=100_000、信噪比间隔 2 dB 就够；若要用于工程选型，我一般取 300_000 到 500_000 样本，信噪比间隔 0.5 dB。16QAM 的星座矩阵计算量比 PSK 大，因为 d2 矩阵的展开方式相同，但采样点多一倍时内存占用约 40 MB，普通笔记本没有压力。

3.3 信噪比坐标的设置：Es/N0、Eb/N0 与符号速率的关系

脚本里横坐标是 Es/N0，即每个符号的能量与噪声谱密度之比。算容量时用 Es/N0 最自然，因为互信息就是对“每个符号携带多少比特”的度量。但做系统级联调的人习惯用 Eb/N0，因为需要比较不同调制下每比特的功率效率。两者换算很简单：

Es/N0 (dB) = Eb/N0 (dB) + 10 log10(k)

其中 k = log2(M) 是每符号比特数。QPSK 的 k=2，所以 Es/N0 比 Eb/N0 高约 3 dB；16PSK 和 16QAM 的 k=4，高约 6 dB。很多翻车现场就是横坐标到底标哪个没写清楚，导致两条不同调制的曲线相对位置错乱。我的习惯是：画容量对比图时统一用 Es/N0，需要给算法部门看时再出 Eb/N0 版本，并在图注里明确写出换算公式。

另外符号速率和带宽的关系也会影响这组曲线的解读。容量曲线纵轴的单位 bit/s/Hz，隐含了“用奈奎斯特带宽做归一化”这个前提。如果实际系统用更高带宽的脉冲成型，频谱效率要打折扣，但曲线的相对关系不变，因为所有调制都受同样的带宽损失影响。

4. 四种调制在同一信噪比坐标下的容量姿态：16QAM 的方形优势

4.1 星座几何如何塑造曲线拐点：16PSK 的圆上浪费

把四条曲线用上面脚本跑出来，姿态差异很明显。低信噪比区域（比如 -10 到 0 dB），四条线基本贴在一起，从 0 开始同步爬升。原因是噪声很大时，接收端靠的是符号能量，而不是点与点之间的精细结构，星座形状还没开始起作用。到了中高信噪比区域，差异就出来了：QPSK 最早接近 2 bit/s/Hz，8PSK 次之，16PSK 和 16QAM 则在更高信噪比区域才各自逼近 4。

16PSK 与 16QAM 的对比最值得看。两者饱和值都是 4，但 16PSK 的爬升段明显右移。从几何上看，16PSK 的最小距离只有 0.3902，噪声功率稍微降下来一点，相邻点仍然容易混淆；16QAM 的最小距离有 0.6325，在同样的平均功率约束下，点间距大了约 60%，换算成信噪比就是约 4.2 dB 的欧氏距离优势。

还有一个更隐蔽的问题：PSK 的星座点是相位调制，接收机必须做载波相位同步，相位误差会直接折算成等效 SNR 损失。16PSK 相邻相位差只有 22.5 度，同样大小的相位抖动对它造成的影响远大于 QPSK。因此在实际链路里，16PSK 的容量曲线还要再打一个“实现损失”折扣，这属于工程余量，不是理论曲线能画出来的。这也是为什么绝大多数系统宁可用 16QAM 也不用 16PSK。

4.2 工作点与编码余量：容量曲线差 0.5 dB 意味着什么

容量曲线的绝对高度不是唯一指标，更要看它和“目标速率水平线”的交点。假设目标速率是 3 bit/s/Hz，那就在纵轴 3 处画一条水平线，看它和每条曲线的交点横坐标。这个交点就是“理想编码下所需的最低 Es/N0”。实际系统因为有限码长、译码损失和实现非理想，工作点要往右移 0.5 到 1 dB，这部分就是编码余量。

工程上我习惯用这条水平线来淘汰方案。如果 16PSK 的交点比 16QAM 高 2 dB，而系统预算里总共只有 3 dB 的余量，那 16QAM 是稳妥选择，16PSK 连仿真都不用细做。反过来，如果曲线交点只差 0.3 dB，则两者进入同一竞争区间，这时才需要看相位噪声、峰均比、解调器复杂度这些二级因素。

需要提醒的是，容量曲线给的是“无编码上限”，不是带编码的实测门限。常见误用是拿一个 LDPC 码的仿真曲线去和容量曲线做绝对值比较，发现差距 1 dB 就觉得编码差。实际上任何码率不等于 1 的编码，其正常工作门限本身就在容量曲线之下，二者之间差的是“编码增益加上实现损失”，不是一个单一数字能概括的。正确做法是先把容量曲线画出来，再把码率对应水平线画出来，三条线一起看。

4.3 从容量曲线反推编码与调制选型

我在选型时通常列一张这样的对照表，横坐标是目标频谱效率，纵坐标是推荐调制：

这张表里 16PSK 几乎永远出现在“备选”列，除非系统有特殊的恒包络需求，比如某些功放非线性极强、对峰均比敏感的场合。恒包络是 PSK 家族真正的价值，而不是容量。做卫星或微波点对点链路时，为了功放效率，宁可牺牲 1 到 2 dB 的容量性能也要保住恒包络，这时 16PSK 才有上场机会。

5. 容量曲线复现避坑：5 个常见翻车点与排查方法

5.1 把 Eb/N0 当成 Es/N0 用，两条对比线整体错位

现象：画出来的 QPSK 和 16QAM 容量曲线相对位置和理论预期不一致，比如 QPSK 在低信噪比区域的容量明显偏高，或者 16QAM 和 16PSK 的曲线交叉点偏差很大。

原因：互信息公式里的信噪比是 Es/N0，而不少同学从误码率仿真脚本里直接抄了 Eb/N0 的坐标轴。不同调制的 k 不同，QPSK 差 3 dB，16QAM 差 6 dB，统一画在一个横坐标里必然错位。

解决：明确代码里snr = 10**(snr_db/10)对应的是 Es/N0，即每个星座符号的能量与噪声谱密度之比。需要对比功率效率时，再单独输出 Eb/N0 版本，转换公式写在图注里：Es/N0_dB = Eb/N0_dB + 10*log10(k)。

5.2 噪声方差写错，曲线整体右移 3 dB

现象：容量曲线看起来形状正确，但整条线比同行的结果右移了约 3 dB，尤其在高信噪比区域，到达饱和值的速度明显偏慢。

原因：复基带噪声的写法不一致。常见错误是把实虚部噪声方差写成 N0，导致复噪声总方差变成 2N0，相当于把 SNR 算小了 3 dB。正确写法是实部虚部分别为 N0/2，合计 N0。

解决：在代码注释里固定噪声模型：n = sqrt(N0/2) * (randn + 1j*randn)。检查时直接打印np.var(noise)，它应该等于1.0 / snr。这个数值对了，整条曲线的横坐标就对了。

5.3 互信息估计出现负值，或者高信噪比区域达不到饱和值

现象：低信噪比时互信息算出来是负的，这明显不可能；高信噪比时 16QAM 的容量卡在 3.6 左右上不去，而不是接近 4。

原因：负值通常来自logsumexp被错误实现，或者直接用np.log(np.sum(np.exp(...)))导致数值溢出。高信噪比达不到饱和值，则多半是分子分母的常数项 -log(pi*N0) 只消了一边，或者样本量不足、估计偏差偏大。

解决：无条件使用scipy.special.logsumexp。检查 log_p_self 和 log_p_mix 是否同源同常数，分子分母都缺常数项时才能安全约掉。最后可以对结果做clip(0, np.log2(M))，但这只是兜底，真正的修正是数值计算路径。

5.4 蒙特卡洛样本量太少，高信噪比曲线锯齿严重

现象：曲线整体趋势对，但在接近饱和值的区域上下抖动，相邻信噪比点之间可能出现 0.1 到 0.2 bit/s/Hz 的跳变。

原因：互信息估计的方差与样本量成反比。高信噪比时，接收符号几乎都落在正确星座点附近，少量错误点对期望值贡献很大，样本少时这些稀有事件没有被充分采样，估计值就剧烈波动。

解决：n_samples至少取 100_000，选型场景取 300_000 以上。还可以给每个信噪比点固定一个独立 seed，让曲线可复现，同时避免相邻点共享同一份噪声带来的相关性。

5.5 忘记星座能量归一化，16QAM 曲线凭空低了一截

现象：16QAM 的容量曲线在中高信噪比区域明显低于理论值，和 16PSK 的差距被拉得过大，看起来像两种完全不同的调制。

原因：很多星座定义直接写[-3, -1, 1, 3]，没有除以平均能量的平方根。这时代入互信息公式，星座点的实际平均功率是 10，而噪声方差是按 Es/N0=1/N0 算的，相当于实际 SNR 被整体压低。

解决：生成星座后立即做c = c / sqrt(mean(abs(c)**2))。自检时打印两个量：平均能量应等于 1，最小距离应和纸面计算一致。16QAM 的最小距离应该是 0.6325，如果算出来是 2 或 6.3，就是没归一化。

6. 再从符号容量跨一步：用门限查找脚本快速圈定调制切换点

6.1 把容量曲线变成一张可查的门限表

画完四条容量曲线后，最有价值的产出不是图本身，而是“目标速率对应的最低信噪比门限”。比如想知道 3 bit/s/Hz 在 8PSK 和 16QAM 下各需要多少 Es/N0，直接在曲线上找交点即可。手工读图误差大，我一般写一个小脚本做线性插值。

def snr_for_capacity(symbols, target, lo=-10, hi=30, n_samples=300_000, n_grid=41): snr_grid = np.linspace(lo, hi, n_grid) caps = [] for i, s in enumerate(snr_grid): caps.append(capacity_at_snr(symbols, s, n_samples=n_samples, seed=2000 + i)) caps = np.array(caps) if target <= caps[0] or target >= caps[-1]: return float('nan') # 在目标点两侧做线性插值，比直接调根稳定 idx = np.where(caps >= target)[0][0] s0, s1 = snr_grid[idx-1], snr_grid[idx] c0, c1 = caps[idx-1], caps[idx] return s0 + (target - c0) * (s1 - s0) / (c1 - c0)

这个函数比直接调用二分求根更稳，因为它先做网格扫描，再在目标附近插值。蒙特卡洛估计本身带随机波动，直接在目标函数上跑二分求根容易因为局部抖动收敛到错误位置。网格法虽然粗，但配合 0.75 dB 的间隔和 30 万样本，插值误差可以控制在 0.1 dB 以内，工程上完全够用。

用法很直接：想看在 3 bit/s/Hz 处 8PSK 和 16QAM 的门限差多少，分别传入星座和目标值即可。输出一个表格，就能看到 16QAM 比 8PSK 在同样速率下需要的信噪比更低，也就能判断该不该为了省 0.5 dB 牺牲恒包络特性。

6.2 把编码码率画在同一张坐标里，形成选型闭环

我现在的习惯是：容量曲线画完后，再叠加一层“目标码率水平线”。例如系统用 3/4 码率 LDPC，配上 16QAM 时实际频谱效率是 3 bit/s/Hz，那么容量曲线 4 bit/s/Hz 处对应的信噪比减去水平线交点的信噪比，就是编码可用的余量。余量小于 1 dB 就要警惕，说明这个码率太高，接近信道极限，译码算法的小损失都会让误码率雪崩。

这个流程走一遍，比直接做全链路 Monte Carlo 仿真快得多，也能在仿真前筛掉明显不合理的组合。我第一次画这条曲线时，16PSK 那条线在屏幕上躺了三天，最后发现只是星座没归一化，从此把“先检查 dmin 和平均能量”当成肌肉记忆。希望所有照这套流程复现的人，都能少走这段弯路。希望帮到你。

本文还有配套的精品资源，点击获取