简介：这份资源面向无线通信、数字通信方向的学习者与开发者，聚焦OTFS（正交时频空间）调制解调全流程及接收端匹配滤波的实现，适合希望深入理解高速移动与非视距场景下多载波通信机制的中高级读者。压缩包共7个文件，以6个.m脚本和1份pdf文献为主，脚本覆盖OTFS调制、解调、信道生成与输出、消息传递检测等关键环节，pdf则提供干扰消除与迭代检测的理论参考，整体约988KB，结构紧凑便于按模块研读。目前已有3993人学习下载，说明其在相关领域具有较高的参考热度。通过分析这些代码，读者可以对照ISFFT、SFFT、循环前缀处理、多径恢复与匹配滤波等步骤，理解时频域映射到符号检测的完整链路，并借助检测与信道模块的脚本复现仿真流程，为实际通信系统设计提供可运行的实现范例与排错思路。
1. OTFS 调制解调：为什么它要在“时延-多普勒”域里做文章
如果把 OFDM 比作在一条笔直高速公路上匀速行驶，那么 OTFS 面对的是同一段路却不断有横风、上下坡和隧道——也就是高多普勒频移与强时延扩展同时存在的场景。OFDM 把数据铺在时频网格上，子载波正交性在高速移动下会被多普勒打散，载波间干扰一上来，接收端均衡就变得非常吃力。OTFS 的核心结论很反直觉：与其在时频域硬扛，不如先把数据搬到“时延-多普勒”域，让每个符号经历几乎相同的、可预测的二维卷积信道，再变换回时频域发射。这样信道在 OTFS 域里变得稀疏且近似时不变，接收端用一个二维匹配滤波就能把能量重新聚起来。这份完整代码例程把调制、解调、信道作用以及接收端匹配滤波全过程串成可运行链路，正是理解“为什么能 work”的最佳入口。
2. 时延-多普勒域：OTFS 把信道“摊平”的底层机制
2.1 从时频网格到时延-多普勒网格的映射
OFDM 的出发点是：把宽带信道切成许多窄带子载波，每个子载波上经历平坦衰落，接收端一个复数除法就能均衡。这个假设在低速场景成立，因为信道冲激响应在符号周期内基本不变。可一旦终端高速移动，多普勒频移让子载波之间的正交性瓦解，出现载波间干扰（ICI），均衡矩阵不再是简单的对角阵。
OTFS 换了一个坐标系。它定义两个维度：时延 τ 和多普勒 ν。时延对应多径到达时间差，多普勒对应相对运动引起的频率偏移。物理信道在时延-多普勒域里表现为若干个尖峰：每条路径对应一个 (τ_i, ν_i) 位置上的复增益。也就是说，原本在时频域里随时间快速变化的信道，在时延-多普勒域里变成了一个稀疏的、近似二维时不变的卷积算子。
常见的实现思路是：先把信息符号放在一个 N×M 的时延-多普勒网格上（N 为多普勒维格点数，M 为时延维格点数），然后通过逆辛有限傅里叶变换（ISFFT）把它变到时频域，再经过海森堡变换（Heisenberg transform）生成时域发射波形。接收端做相反操作：先维格纳变换（Wigner transform）回到时频域，再经辛有限傅里叶变换（SFFT）回到时延-多普勒域。整个链路的核心，就是让信道在最终判决的那个域里“摊平”。
2.2 为什么二维匹配滤波能替代复杂均衡
在时延-多普勒域，接收信号可以写成发射符号与信道二维冲激响应的循环卷积：
y[τ, ν] = x[τ, ν] ⊛ h[τ, ν] + w[τ, ν]
这里的 ⊛ 表示沿时延和多普勒两个方向的循环卷积。循环卷积在频域对应逐点相乘，所以只要把接收到的二维数组做一次二维 DFT，信道卷积就变成逐点乘法。匹配滤波的思路是：在二维频域乘以信道响应的共轭，再变回来，就能把每条路径的能量相干叠加到原始符号位置。
这比在时频域做大规模矩阵求逆要轻得多。时频域均衡需要处理 N×M 个耦合在一起的复数方程，而时延-多普勒域匹配滤波只需要估计每条路径的 (τ_i, ν_i, h_i)，然后做二维相关。路径数通常远小于网格点数，所以计算量和导频开销都显著下降。代价是：接收端必须准确估计时延和多普勒，否则匹配滤波的相位对不齐，能量反而会散开。
2.3 与 OFDM 的继承关系：不是推翻，而是换域
很多人误以为 OTFS 是 OFDM 的替代品，其实它更像是在 OFDM 收发链路上加了两层变换。发射端仍然用 OFDM 调制器把时频域信号变成时域波形，接收端仍然用 OFDM 解调器做初始处理。区别在于：数据符号在进入 OFDM 调制器之前，先被 ISFFT 铺到时频域；接收端在 OFDM 解调之后，再用 SFFT 把信号搬回时延-多普勒域做匹配滤波。
这种设计的好处是兼容现有硬件。射频前端、功率放大器、OFDM 调制解调模块都可以复用，新增的只是基带里的二维变换和信道估计逻辑。对于做数字通信的开发者来说，这意味着可以在熟悉的 OFDM 框架里理解 OTFS，而不必从零重建整个收发机。
3. 发射端实现：ISFFT 与海森堡变换的代码级拆解
3.1 时延-多普勒网格的初始化与导频放置
在完整代码例程里，发射端第一步是构造 N×M 的时延-多普勒符号矩阵。N 通常取多普勒维格点数，M 取时延维格点数，两者乘积等于一帧内的资源单元总数。导频符号按特定图案插入，常见的是在网格中心放一个高能量导频，周围留保护带，用于接收端估计时延和多普勒。
import numpy as np def init_dd_grid(N, M, pilot_power=10.0): """ 初始化时延-多普勒域符号网格。 N: 多普勒维格点数 M: 时延维格点数 pilot_power: 导频幅度平方，用于信道估计 返回: 复数网格，导频位于中心，数据填充其余位置 """ grid = np.zeros((N, M), dtype=complex) # 导频放在中心，避免循环卷积时能量绕回 pilot_n, pilot_m = N // 2, M // 2 grid[pilot_n, pilot_m] = np.sqrt(pilot_power) # 保护带：导频周围置零，防止数据泄漏干扰估计 guard_n, guard_m = 2, 2 for i in range(-guard_n, guard_n + 1): for j in range(-guard_m, guard_m + 1): if i == 0 and j == 0: continue grid[(pilot_n + i) % N, (pilot_m + j) % M] = 0 # 其余位置填充 QAM 数据符号（此处用随机值示意） data_mask = np.ones((N, M), dtype=bool) data_mask[pilot_n - guard_n:pilot_n + guard_n + 1, pilot_m - guard_m:pilot_m + guard_m + 1] = False num_data = data_mask.sum() qam_symbols = (np.random.randint(0, 4, num_data) * 2 - 3) + \ 1j * (np.random.randint(0, 4, num_data) * 2 - 3) grid[data_mask] = qam_symbols / np.sqrt(10) # 归一化 return grid这段代码的关键点有三个。第一，导频放在网格中心而不是角落，因为后续做循环卷积时，中心位置的导频在时延和多普勒两个方向上的“绕回”最少，估计更干净。第二，保护带宽度要大于信道最大时延扩展和多普勒扩展对应的格点数，否则数据会污染导频。第三，数据符号做了归一化，保证发射总功率可控。参数 N 和 M 的选择直接决定分辨率：N 越大，多普勒分辨率越高，但帧长也越长；M 越大，时延分辨率越高，但同样增加处理延迟。
3.2 ISFFT：从时延-多普勒域到时频域
ISFFT 是 OTFS 发射端的第一个核心变换。它先沿多普勒维做 N 点 DFT，再沿时延维做 M 点 IDFT，把二维网格从时延-多普勒域搬到时间-频率域。
def isfft(dd_grid): """ 逆辛有限傅里叶变换：时延-多普勒域 -> 时频域。 先沿多普勒维（轴0）做 DFT，再沿时延维（轴1）做 IDFT。 """ # 沿多普勒维做 N 点 DFT tf_grid = np.fft.fft(dd_grid, axis=0) # 沿时延维做 M 点 IDFT，并乘以 M 保持能量一致 tf_grid = np.fft.ifft(tf_grid, axis=1) * np.sqrt(tf_grid.shape[1]) return tf_grid为什么是“先 DFT 再 IDFT”而不是反过来？这跟 OTFS 的二维信号模型有关。时延维对应频率选择性，多普勒维对应时间选择性。ISFFT 的定义要求把时延-多普勒域的信号映射到时频域，使得后续海森堡变换生成的时域波形在接收端经过维格纳变换后能正确还原。代码里对 IDFT 乘了 sqrt(M) 做能量归一化，避免变换前后功率不一致导致信噪比计算偏差。实际工程中还要注意 FFT 的归一化因子，不同库的默认行为不同，建议统一在变换后做功率校准。
3.3 海森堡变换与 OFDM 调制器的衔接
海森堡变换把时频域网格变成时域发射波形。在离散实现里，它等价于对每个时频格点做脉冲成形后叠加。代码例程通常直接复用 OFDM 调制器：把时频域网格的每一列看作一个 OFDM 符号，沿频率轴做 IFFT，再加循环前缀。
def heisenberg_transform(tf_grid, cp_len): """ 海森堡变换：时频域 -> 时域波形。 每一列视为一个 OFDM 符号，沿频率轴做 IFFT，加循环前缀。 tf_grid: 形状 (N, M)，N 为多普勒维（对应 OFDM 符号数）， M 为时延维（对应子载波数） cp_len: 循环前缀长度，需大于最大时延扩展 """ N, M = tf_grid.shape time_waveform = [] for n in range(N): freq_domain = tf_grid[n, :] # 沿频率轴做 M 点 IFFT 得到时域 OFDM 符号 ofdm_symbol = np.fft.ifft(freq_domain, M) * np.sqrt(M) # 加循环前缀 cp = ofdm_symbol[-cp_len:] ofdm_with_cp = np.concatenate([cp, ofdm_symbol]) time_waveform.append(ofdm_with_cp) return np.concatenate(time_waveform)这里有个容易翻车的细节：循环前缀长度必须大于信道最大时延扩展对应的采样点数，否则符号间干扰会破坏 OTFS 的循环卷积结构。另外，tf_grid 的维度排列要和 OFDM 调制器的约定一致。有些实现把多普勒维放在列、时延维放在行，有些反过来，一旦搞混，接收端 SFFT 出来的星座图会完全散掉。代码例程里通常会在注释里标明维度约定，移植时务必核对。
4. 接收端实现：维格纳变换与匹配滤波的完整链路
4.1 维格纳变换：从时域回到时频域
接收端第一步是去掉循环前缀，然后对每个 OFDM 符号做 FFT，得到时频域网格。这个过程就是维格纳变换的离散实现。
def wigner_transform(rx_waveform, N, M, cp_len): """ 维格纳变换：时域接收波形 -> 时频域网格。 去掉循环前缀，对每个 OFDM 符号做 FFT。 """ symbol_len = M + cp_len tf_grid = np.zeros((N, M), dtype=complex) for n in range(N): start = n * symbol_len + cp_len ofdm_symbol = rx_waveform[start:start + M] tf_grid[n, :] = np.fft.fft(ofdm_symbol, M) / np.sqrt(M) return tf_grid注意这里 FFT 后除了 sqrt(M)，是为了和发射端 IFFT 的归一化对应。如果发射端用了不同的归一化因子，接收端要相应调整，否则信道估计的幅度会整体偏移。实际系统中还要做定时同步和频率同步，代码例程通常假设理想同步，以便聚焦 OTFS 核心机制。
4.2 SFFT 与信道估计：把信号搬回时延-多普勒域
SFFT 是 ISFFT 的逆变换：先沿时延维做 DFT，再沿多普勒维做 IDFT，把时频域网格搬回时延-多普勒域。
def sfft(tf_grid): """ 辛有限傅里叶变换：时频域 -> 时延-多普勒域。 先沿时延维（轴1）做 DFT，再沿多普勒维（轴0）做 IDFT。 """ dd_grid = np.fft.fft(tf_grid, axis=1) / np.sqrt(tf_grid.shape[1]) dd_grid = np.fft.ifft(dd_grid, axis=0) * np.sqrt(dd_grid.shape[0]) return dd_grid搬回时延-多普勒域后，导频位置会出现若干个尖峰，每个尖峰对应一条路径的时延和多普勒。信道估计的任务就是检测这些尖峰的位置和复增益。常见做法是：在导频周围的保护带内搜索超过阈值的点，记录其 (τ_i, ν_i) 坐标和复数值 h_i。阈值通常设为噪声功率的若干倍，避免把噪声误判为路径。
4.3 二维匹配滤波：逐路径相干合并
有了信道估计结果，匹配滤波就可以在时延-多普勒域进行。核心操作是：对每个估计出的路径，把接收网格按该路径的时延和多普勒做反向循环移位，乘以信道增益的共轭，然后所有路径的结果相加。
def matched_filter(rx_dd_grid, paths): """ 二维匹配滤波：在时延-多普勒域对每条路径做相干合并。 rx_dd_grid: 接收到的时延-多普勒网格 paths: 列表，每个元素为 (delay_idx, doppler_idx, complex_gain) 返回: 合并后的符号网格 """ N, M = rx_dd_grid.shape output = np.zeros_like(rx_dd_grid) for (tau, nu, gain) in paths: # 反向循环移位：补偿该路径的时延和多普勒 shifted = np.roll(rx_dd_grid, shift=(-tau, -nu), axis=(1, 0)) # 乘以信道增益的共轭，实现相干合并 output += shifted * np.conj(gain) return output这段代码体现了匹配滤波的本质：每条路径在接收网格上造成一个循环移位，移位量就是该路径的时延和多普勒。反向移位后，所有路径的能量重新对齐到原始符号位置。乘以增益共轭则补偿信道相位，使相干叠加而不是相消。路径数越多，合并后的信噪比越高，但前提是信道估计足够准。如果某个路径的时延或多普勒估计偏了一个格点，该路径的能量就会部分散到相邻位置，形成干扰。
4.4 从合并结果到符号判决
匹配滤波输出后，取出导频保护带之外的数据位置，做信道均衡（除以等效增益），然后进行 QAM 解调。代码例程通常还会计算误码率，用来验证整条链路在给定信噪比下的性能。
def demodulate(output_grid, data_mask, pilot_power): """ 从匹配滤波输出中提取数据符号并做 QAM 判决。 output_grid: 匹配滤波后的网格 data_mask: 数据位置掩码 pilot_power: 导频功率，用于归一化等效增益 """ data_symbols = output_grid[data_mask] # 等效增益近似为导频功率乘以路径数，实际中由信道估计给出 normalized = data_symbols / pilot_power # 4-QAM 判决：实部和虚部分别取符号 decided = np.sign(normalized.real) + 1j * np.sign(normalized.imag) return decided判决这一步看似简单，但归一化因子选错会导致星座图整体缩放，误码率飙升。实际系统里等效增益由信道估计和导频功率共同决定，代码例程里为了简洁可能用固定值近似，移植到真实场景时需要替换成动态估计值。
5. 避坑与排查：OTFS 链路调试中最容易翻车的几个点
5.1 星座图完全散开，误码率接近 0.5
现象：接收端解调出来的星座图是一团噪声，误码率接近随机猜测。原因通常是维度约定不一致。发射端 ISFFT 沿轴 0 做 DFT、轴 1 做 IDFT，接收端 SFFT 必须严格对应：沿轴 1 做 DFT、轴 0 做 IDFT。如果两个变换的轴搞反，时延和多普勒的角色互换，匹配滤波的移位方向就全错了。解决方法是：在代码里显式注释每个轴的物理含义，并在单元测试里用单路径信道验证——单路径下匹配滤波输出应该是一个干净的尖峰，而不是散开的噪声。
5.2 导频周围出现规律性干扰峰
现象：SFFT 后导频周围出现对称的干扰峰，幅度不大但影响信道估计。原因通常是保护带宽度不足。保护带必须大于信道最大时延扩展和多普勒扩展对应的格点数。如果实际信道时延扩展是 3 个格点，保护带只留了 2 个，数据符号就会在循环卷积时绕到导频区域。解决办法是：根据目标场景的最大时延和多普勒，反推所需保护带宽度，并在网格初始化时留足余量。
5.3 匹配滤波后信噪比不升反降
现象：增加估计路径数后，合并输出的信噪比反而下降。原因通常是虚警路径被纳入合并。信道估计阈值设得太低，噪声点被误判为路径，匹配滤波时这些虚假路径的随机相位导致相消而非相干叠加。解决办法是：提高检测阈值，或者对估计出的路径做幅度排序，只保留超过噪声功率若干倍的路径。另一个可能是路径的时延或多普勒估计有整数格点偏差，导致能量散开，需要做分数倍插值或过采样估计。
5.4 循环前缀长度不够导致符号间干扰
现象：接收端维格纳变换后，时频域网格出现规律性失真，误码率随信噪比升高下降缓慢。原因通常是循环前缀长度小于信道最大时延扩展。OTFS 依赖循环卷积结构，循环前缀不够会破坏这个结构，符号间干扰无法被后续匹配滤波消除。解决办法是：测量实际信道的最大时延扩展，确保循环前缀长度对应的采样点数大于该扩展。在仿真里可以先用已知信道验证，再逐步增加时延扩展观察性能拐点。
5.5 归一化因子不一致导致幅度整体偏移
现象：星座图形状正确但整体缩放，判决门限失效。原因通常是发射端 IFFT 和接收端 FFT 的归一化因子不匹配，或者 ISFFT/SFFT 里的 sqrt(N)、sqrt(M) 因子漏乘或多乘。解决办法是：在链路里插入功率校准步骤，用已知导频功率反推等效增益，并在每次变换后检查总功率是否守恒。代码例程里通常会在关键节点打印功率值，调试时打开这些日志能快速定位。
6. 设计取舍：为什么 OTFS 选择在二维域做匹配滤波而不是在时频域做均衡
从工程角度看，OTFS 最值得琢磨的取舍是：它把复杂度从接收端均衡转移到了发射端的二维变换和接收端的信道估计。时频域均衡需要处理大规模矩阵求逆，计算量随子载波数立方增长；而时延-多普勒域匹配滤波只需要估计少量路径参数，计算量随路径数线性增长。在高移动场景下，路径数通常远小于子载波数，所以 OTFS 的复杂度优势明显。
但这个优势有前提：信道必须在时延-多普勒域足够稀疏。如果信道时延扩展和多普勒扩展都很大，路径在二维网格上摊开，稀疏性下降，匹配滤波的收益就变小。另外，OTFS 对同步误差更敏感，因为时延和多普勒估计直接决定匹配滤波的移位量，偏一个格点就会导致能量散开。OFDM 对同步误差的容忍度相对高一些，因为它的均衡是在频域逐点做的，相位偏差表现为公共相位旋转，可以用导频纠正。
我一般会这么理解：OTFS 不是要取代 OFDM，而是在高多普勒场景下给 OFDM 加了一层“信道整形”。它把信道在时频域里的快速变化，转换成时延-多普勒域里的稀疏尖峰，然后用匹配滤波把能量收回来。这个思路的代价是额外的二维变换和更精细的信道估计，收益是在高速场景下更稳健的链路性能。选择用不用 OTFS，关键看场景的多普勒扩展是否大到让 OFDM 的 ICI 无法接受，以及接收端是否有足够的算力做二维信道估计。
从那以后我每次调试 OTFS 链路，都强制先跑单路径理想信道，确认 ISFFT/SFFT 和匹配滤波的移位方向正确，再逐步加多径和多普勒。这个习惯帮我省下了大量在星座图噪声里大海捞针的时间。希望帮到你。
本文还有配套的精品资源，点击获取
