深度解析DHPIM与副载波OOK：光通信调制格式与仿真要点

简介：这是一份面向光通信与调制技术研究者的MATLAB仿真工程包，围绕OOK、PPM、DPPM、DHPIM以及副载波光通信展开，可在不同信噪比和多径条件下模拟链路传输，评估各方案的误码表现、抗干扰能力与频谱效率，适合高校学生、工程师用于算法对比和实验参考。压缩包共16个文件，其中14个m脚本覆盖调制实现、平均功率分析、信道建模和中断场景仿真等核心功能，2个fig文件保存了信道响应与主程序生成的图形结果，整体仅40KB，结构紧凑，便于快速下载和二次修改。该资源目前已有156人学习浏览，代码模块划分清晰，既可单独运行某类调制方式观察波形，也可组合验证完整传输链路。通过调整信噪比、多径参数等变量，能直观比较OOK、PPM、DPPM与DHPIM的性能差异，并理解副载波复用对信道容量的提升原理。这套仿真对理解光通信物理层设计、开展课程实验或预研算法都有直接帮助，可作为进一步开发高效光传输方案的基础。

1. 从 PATH.rar 的命名反推：DHPIM、OOK、PPM 与副载波光到底解决什么问题

拿到一个命名风格像 PATH.rar 的工程包时，很多人第一反应是解压后找 README，结果里面全是 .m、.py 和一堆没注释的实验数据。其实压缩包名字已经把核心技术路线写清楚了：OOK、PPM、DHPIM 是三种典型的强度调制格式，副载波光则是一种把基带信号先搬到射频再驱动光发射机的系统方案。这套组合最常见于大气激光通信、水下光通信和室内可见光通信的仿真链路中，用来对比不同调制格式在带宽效率、抗背景光噪声和抗信号衰落上的表现。适合谁看？给那些正在搭光通信物理层仿真、准备做调制格式选型对比、或者拿到别人工程包却看不懂里面几套代码关系的开发者。这个标题的核心问题只有一个：在 IM/DD 光链路上，数据到底该用什么方式“放到光上”，以及为什么有人非要绕一圈走副载波。

2. 先把信号格式看明白：OOK、PPM 与 DHPIM 的时隙、带宽和能量账

2.1 从 OOK 到 PPM：两种极端之间的调制定位

强度调制直接检测系统里，OOK 是最容易理解的格式：发送“1”时激光器输出光功率，发送“0”时截止或降到很低。每个比特占用一个时隙，带宽效率是 1 bit/slot。但它有个致命问题：接收端要判决一个时隙里有没有光，往往依赖绝对阈值。大气湍流或信道慢衰落会让光强整体波动，固定阈值很容易把“1”判成“0”，把“0”判成“1”。

PPM 换了种思路：把 M 个比特映射到 2^M 个时隙组成的帧里，帧内只有一个脉冲，脉冲位置代表符号值。因为信息在“位置”上，判决时不再关心幅度绝对值，只关心脉冲落在哪，所以抗幅度衰落的能力明显强于 OOK。代价是帧长固定为 2^M 个时隙，传 M 个比特要烧掉 2^M 个时隙，带宽效率只有 M / 2^M bit/slot，M 越大效率越难看。

如果把 OOK 和 PPM 看作两个极端，一个带宽好但怕衰落，一个抗衰落但带宽差，那 DHPIM 就站在两者的中间地带：用两个脉冲之间的间隔长度承载信息，既保留了 PPM 那种“信息在时间位置而非幅度”的抗衰落特性，又通过变长符号省掉 PPM 固定帧中大量空闲时隙，把带宽效率拉回来一截。

2.2 DHPIM 的双脉冲结构：用可变间隔同时换带宽和鲁棒性

DHPIM 常见的实现模型是双脉冲间隔调制：每个符号由两个脉冲组成，第一个是固定位置的头脉冲，第二个是信息脉冲，两个脉冲之间空闲时隙的个数就是当前符号携带的数据。M 个比特的值取值范围是 0 到 2^M - 1，所以间隔时隙数也在这个范围内变。

具体到时隙构造，一个 DHPIM 符号从头脉冲所在的时隙开始，头脉冲占 1 个时隙，后面紧跟 pos 个空闲时隙，其中 pos 是当前符号的整数值，最后再放 1 个信息脉冲。整个符号长度 L = pos + 2，范围从 2 到 2^M + 1 时隙。若 M 个比特均匀分布，平均符号长度就是 (2^M + 3) / 2 个时隙。比如 M=3 时，平均需要 5.5 个时隙传 3 bit，带宽效率换算过来约 0.545 bit/slot，明显高于 PPM 的 0.375 bit/slot，代价是符号长度不再固定，接收端必须靠头脉冲来定位符号边界。

这种双脉冲结构还有一个附加优势：相比单脉冲间隔调制的 DPIM，DHPIM 每个符号内部有两个脉冲，头脉冲充当本地参考。如果信息脉冲因为噪声漏检，接收端至少知道上一个头脉冲在哪，可以通过合法性检查发现异常并重新同步，而不是把错误一路传播下去。符号长度可变是一把双刃剑：它换来带宽效率，也让同步逻辑变得比 PPM 复杂，这个矛盾贯穿整套仿真设计。

2.3 三种格式的带宽、功率与实现复杂度对比表

这里给一张选型常用的对比表，前提是 M 个比特传一个符号，发射功率归一化，接收端为强度检测加高斯噪声模型：

选型逻辑一般是这样：信道干净、带宽紧张时无脑用 OOK；信道衰落明显、对功耗敏感时选 PPM；想要兼顾两者就压 DHPIM。M 的取值也要跟着场景变，M=2 时 DHPIM 平均符号长度是 3.5 时隙，带宽效率 1.143 bit/slot，比 OOK 还高；M 增大到 5 以上时，带宽效率开始衰减，但抗衰落优势还在。工程实践中 M 超过 6 的 DHPIM 很少见，因为搜索窗口和同步代价已经大过收益。

3. 副载波光方案拆解：先调制射频、再驱动激光器的结构与参数设计

3.1 为什么多此一举：副载波 IM/DD 的抗低频干扰和频分优势

基带 OOK 直接驱动激光器时，信号能量集中在低频，背景光干扰（日光、室内 100Hz 灯光、接收端电路低频漂移）和信道闪烁噪声都落在同一个低频区间，接收端想用滤波器分开信号和噪声非常困难。副载波方案的做法是：先把比特流调制到一个射频正弦载波上，形成副载波信号，再用这个副载波信号去控制光源的强度，发射端仍然是强度调制，接收端也仍然是直接检测，但在光电转换之后先做带通滤波，把信号频段从低频搬到副载波频率附近。

带通滤波这一步把低频背景光干扰和大部分闪烁噪声挡在门外，这是副载波方案最实用的价值。它还有一个衍生好处：不同路数据可以用不同副载波频率并行调制到同一根光纤或同一个 LED 上，接收端用滤波器分频道解调，等于在强度调制系统里做频分多址。这种结构在室内可见光通信的多路并传场景里很常见，一套 LED 驱动电路就能同时承载多路业务。

代价也很实在：副载波信号有正有负，驱动激光器时必须叠加直流偏置，保证瞬态功率始终大于激光器阈值。发射端的光功率动态范围被压缩，功率利用率比基带 OOK 差一截；同时信号带宽至少翻倍，副载波频率越高，对光源调制带宽的要求也越高。所以这不是“更好”的方案，而是“在某些干扰环境下更划算”的方案。

3.2 副载波频率、滤波器带宽与数据速率的匹配计算

副载波频率的选择有一条底线：必须大于数据速率，否则信号频谱会和基带频谱纠缠在一起，带通滤波根本切不干净。工程经验上，对于 OOK 副载波调制，副载波频率取数据率的 2 到 5 倍比较稳。假设系统速率 R_b = 10 Mbps，副载波频率 f_sub 取 20 MHz 到 50 MHz 之间。取太低，带通滤波器边沿不好做，残留基带串扰；取太高，普通 LED 的调制带宽不够，信号幅度直接衰减。

接收端的带通滤波器带宽也要单独算：OOK 副载波信号的主瓣宽度约为 2 倍数据率，滤波器带宽取 1.2 到 1.5 倍主瓣宽度，既能通过信号能量又能滤掉带外噪声。如果副载波频率取 20 MHz，数据率 10 Mbps，带通滤波器中心频率 20 MHz，3 dB 带宽取 24 MHz 到 30 MHz。带宽再宽就失去滤波意义，噪声全进来了；再窄则信号边沿被削平，眼图张开度变小。

还有一个容易忽略的参数是直流偏置点。副载波 OOK 的“0”电平不是完全不发光，而是只发直流偏置对应的光，“1”电平是偏置加副载波幅度。偏置点抬高会浪费光功率，降低调制深度；偏置点太低，副载波负半周低于激光器阈值，输出波形被削底，产生非线性失真。一般把偏置设在副载波幅度之上 10% 到 20%，保证负峰值始终高于阈值电流。

3.3 什么时候别用副载波：代价边界

副载波方案最怕两类场景。第一是光源调制带宽本来就不富裕，比如某些大功率 LED 的 3 dB 带宽只有十几 MHz，硬上高频副载波等于让信号打对折。第二是接收端光电探测器后面没有足够的增益带宽积，副载波频率抬高的同时，跨阻放大器的噪声也在高频段变大，信噪比未必比基带方案好。

另一个边界在于系统复杂度。基带 OOK 需要一个比较器加一个低通滤波器就能解调，副载波方案要做带通滤波、下变频、相干或非相干解调，电路复杂度明显上一个台阶。仿真里多几行代码无所谓，硬件实现时每一级滤波器都是插入损耗和功耗。所以判断标准通常是：如果背景光干扰和低频闪烁严重，副载波值得用；如果信道干净、链路预算紧张，直接把预算花在基带调制格式上可能更划算。

4. DHPIM 链路仿真最小实现：发射映射、接收判决与 BER 曲线复现

4.1 比特到双脉冲时隙的映射：M=3 的符号构造

仿真从发射端开始，先把一串随机比特按 M 个一组切分，每组转换成一个符号。DHPIM 符号的构造规则是：先放一个头脉冲，再放 pos 个空闲时隙，最后放信息脉冲。pos 就是这组比特的十进制整数值。

import numpy as np def dhpim_mod(bits, M): # bits: 0/1 数组，长度需为 M 的整数倍 # 返回: 0/1 时隙序列，float 类型便于后续加噪声 slots = [] for i in range(0, len(bits), M): sym_bits = bits[i:i+M] pos = 0 for b in sym_bits: pos = (pos << 1) | int(b) # 二进制转十进制，决定脉冲间隔 slots += [1.0] # 头脉冲 slots += [0.0] * pos # 空闲间隔 slots += [1.0] # 信息脉冲 return np.array(slots, dtype=float)

这段代码的关键在 pos 的生成逻辑：每读到一个 bit 就把 pos 左移一位再叠加当前 bit，相当于把 M 个 bit 当成一个无符号整数，取值范围 0 到 2^M - 1。slots 列表按顺序拼接，符号之间没有额外保护时隙，下一个符号的头脉冲紧跟着当前符号的信息脉冲。这样一个 M=3 的符号最短占 2 个时隙（pos=0 时头脉冲和信息脉冲紧挨着），最长占 9 个时隙（pos=7 时中间隔 7 个空闲时隙）。发射端要注意的事情是符号长度可变导致平均功率不固定，仿真对比功率时要用平均符号长度做归一化。

4.2 高斯信道下的接收判决：阈值检测与峰值消费解码

接收端收到的是经过信道衰减和加性噪声的时隙序列。在 AWGN 信道里，接收信号可以写成 tx * amplitude + noise。这里的 amplitude 表示光脉冲经过信道后的幅度，噪声标准差 sigma 决定了信噪比。把幅度归一化为 1，信噪比直接用 1 / sigma^2 来计算比较方便。

def dhpim_demod_peaks(rx, M, threshold): # rx: 接收时隙序列（浮点） # threshold: 判断是否为脉冲的幅值门限 peak_idx = np.where(rx > threshold)[0].tolist() symbols = [] k = 0 max_window = (1 << M) + 1 # 符号最大长度 while k + 1 < len(peak_idx): i = peak_idx[k] # 当前符号头脉冲时隙 j = peak_idx[k+1] # 下一个峰值时隙 gap = j - i - 1 # 间隔时隙数 if 0 <= gap < (1 << M): # 解码间隔为 M bit sym_bits = [(gap >> (M - 1 - m)) & 1 for m in range(M)] symbols.append(sym_bits) k += 2 # 消费掉头脉冲和信息脉冲 else: k += 1 # 非法间隔，跳过当前峰值 return np.array(symbols) if symbols else np.empty((0, M))

实现里用了“峰值消费”逻辑：正常情况下，检测到的峰值序列是 头脉冲、信息脉冲、下一个头脉冲、下下个信息脉冲…… 按顺序两个一组就能解出所有符号。如果间隔 gap 超出合法范围，说明当前头脉冲对应的信息脉冲丢了，或者中间混入了噪声脉冲，这时把 k 加 1，把当前峰值当作无效脉冲跳过，后面会继续尝试配对。threshold 的选取直接影响误码率：太高会漏掉幅度下坠的脉冲，太低噪声峰值会被当成脉冲。简单做法是设成幅度的一半，但这只在幅度恒定时才最优。

蒙特卡洛误码率统计也很直白：对每个信噪比点，生成足够多的随机比特，发射、加噪、判决解码，统计错误比特数。要特别注意 DHPIM 的变长特性，接收端必须知道一段发射符号可能占用多少时隙，不能假设整个信号长度和发射前一样。

4.3 从基带 DHPIM 扩展到副载波 OOK：一段可跑的仿真骨架

副载波 OOK 的仿真逻辑和基带 DHPIM 很不一样：先产生一个高频正弦副载波，把 OOK 基带比特映射成门控信号，门控信号与正弦相乘后形成副载波调制波形，再叠加直流偏置作为光强度信号。

def subcarrier_ook(bits, Rb, Fsub, fs, amplitude=1.0): # bits: 0/1 数组，NRZ 映射：1->1, 0->0 # Rb: 数据率，Fsub: 副载波频率，fs: 采样率 n = len(bits) t = np.arange(int(n * fs / Rb)) / fs # 把每个 bit 扩展为 fs/Rb 个采样点 n_per_bit = int(fs / Rb) baseband = np.repeat(bits, n_per_bit) # 副载波：正弦波，0 无光只是指副载波该时隙幅度为 0 sub = np.sin(2 * np.pi * Fsub * t) # OOK 门控乘法 sig = baseband[:len(t)] * sub return t, amplitude * sig + amplitude # 叠加直流偏置

副载波 OOK 信号与基带 OOK 最大的区别在于频谱位置：基带 OOK 的频谱集中在零频附近，副载波 OOK 的频谱搬到了 Fsub 附近。接收端解调的第一步是带通滤波，滤掉低频干扰和带外噪声；第二步是与本地副载波做相关，恢复出基带信号；第三步才是阈值判决。仿真时如果跳过带通滤波直接相关解调，干扰没有体现，副载波方案的优势也就测不出来。所以至少要在信号上加一个低频强干扰源，比如 100Hz 到 1kHz 的正弦或随机漂移，再用带通滤波器切，才能看到副载波方案和基带方案的性能差距。

4.4 仿真参数清单与曲线判读方法

整套仿真的参数建议先用一份固定配置来验证代码正确性：M 取 3，每帧符号数 2000，每个信噪比点跑 2000 次蒙特卡洛，信噪比从 0 dB 扫到 15 dB，阈值取 0.5。如果 BER 曲线在 10 dB 附近出现急降，然后在高信噪比处变成平台不再下降，多半是符号同步或者阈值门限出了问题，不是信道模型的问题。

参数调整遵循一个原则：每次只动一个量。改 M 时固定信噪比，改阈值时固定信号长度，改蒙特卡洛次数时固定信道参数。DHPIM 和副载波仿真里变量多，联动也强，一次动两个参数会把问题互相掩盖。先把 BER 曲线跑通，再叠加闪烁信道模型，最后再加背景光干扰，按这个顺序加复杂度，排错会轻松很多。

5. 实现 DHPIM/副载波链路的 5 个高频踩坑：现象、原因与修复

5.1 M 增大后 BER 出现平台：搜索窗口和符号合法性校验失效

把 DHPIM 的 M 从 3 改到 5 或 6 时，BER 曲线会在某个信噪比附近出现一段平台，怎么加大发射功率都压不下去。原因是符号最大长度变成 2^M + 1 个时隙，M=6 时最长 65 个时隙，接收端如果还在用 M=3 时编死的窗口长度，会把下一个符号的头脉冲漏在窗外，或者把别的脉冲收进当前符号。

解决方法是把窗口长度和合法性校验做成 M 的函数，不要写死。仿真代码里 max_window 必须等于 (1 << M) + 1，同时 gap 的合法性判断也要用同一份定义。调参时还要检查一个隐性依赖：阈值检测的峰值序列里，当前符号信息脉冲如果丢失，峰值配对会错位，窗口越大错位越明显。所以 M 增大后，建议把“非法间隔跳过”逻辑也打开，宁可丢几个符号也要避免把错误扩散到整条峰值序列。

5.2 固定阈值在衰落信道下玄学波动：幅度估计与自适应阈值

在 Gamma-Gamma 或对数正态衰落信道下，光脉冲幅度会随机起伏。固定阈值 0.5 可能上一帧还能干净判决，下一帧所有脉冲幅度都掉到 0.3 以下，BER 直接崩。这是把 AWGN 仿真代码原样搬到衰落信道时最典型的翻车点，现象是同一个信噪比点重复跑三次，结果差距很大。

原因是接收端只知道信号幅度在变，但阈值判断用的是绝对值，没有跟着幅度走。解决方法有两种：一是把仿真改成接收端已知信道幅度，用幅度乘以固定比例做阈值，这对应理想信道估计；二是用滑动窗口估计接收信号的局部峰值，动态设置阈值，对应实际系统的 AGC。第二种方案和真实硬件更接近，实现时也可以用前面 Dhpim_demod_peaks 的峰值检测逻辑，先用一个粗阈值找头脉冲，再用头脉冲幅度乘上比例系数去检测后续信息脉冲。

5.3 副载波频率没给够，眼图直接变成一团黑：频谱混叠与滤波带宽

副载波 OOK 里最常见的错误是副载波频率只取到数据率的 1 倍，比如数据率 10 Mbps，副载波用 10 MHz。此时上下边带在零频附近混叠，带通滤波器出来后信号波形已经不是干净的副载波通断，眼图张开度极小，BER 高得离谱。原理是 OOK 基带信号的主瓣宽度约为 2 倍数据率，副载波频率低于这个值，边带就会互相重叠。

经验做法是先把副载波频率设到 5 倍数据率跑通链路，再逐步往下压，压到 BER 开始变差的那个点就是系统的实际频率下限。滤波器带宽也要同步检查，带宽开太宽会把带外噪声全收进来，开太窄会切掉信号边沿。对 10 Mbps 的副载波 OOK，中心频率 50 MHz、3 dB 带宽 25 MHz 是一个不会出错的起点。

5.4 蒙特卡洛次数不足，误码率比理论还好看：统计置信度

低信噪比时误码率在 10^-2 量级，跑几千比特就能统计出来；高信噪比时误码率掉到 10^-5 以下，如果还跑几千比特，算出来的误码率经常是 0，画出的曲线在高信噪比端突然断崖式下跌，看起来性能“超理论”。这是统计样本不足造成的假象，不是调制格式真的那么强。

解决办法是让仿真在固定错误比特数下停止，而不是固定仿真比特数。比如设定累计到 100 个错误比特才结束当前信噪比点的仿真，再根据已发送比特总数算误码率。另一种做法是限制最大仿真比特数比如 10^7，确保每个点都跑满或跑够错误数。信噪比高的时候仿真时间会变长，这是正常成本，不能省。

5.5 漏检引发连串误码：DHPIM 的再同步策略

DHPIM 的信息脉冲如果幅度跌落没超过阈值，接收端会把下一个符号的头脉冲当成信息脉冲来配，当前符号解出一个错误间隔，同时下一个符号的定位基准也没了，后面一连串符号都会错。现象是 BER 曲线上出现成片的突发错误，误码率明显高于 PPM 但低于 DPIM，处于中间水平。

解决思路是利用 DHPIM 双脉冲结构做再同步：每解出一个符号，检查间隔 gap 是否落在合法范围；不合法就说明当前配对错了，立刻放弃这个头脉冲，用峰值序列里后面一个峰值重新开始配对。前面代码里的 else 分支就是这个逻辑。更稳一点的做法是每解出 N 个合法符号后，用符号平均长度做一次统计校验，发现长度偏差过大就强制重新捕获头脉冲。这个机制让 DHPIM 避免了 DPIM 那种“一个脉冲漏检毁掉整帧”的局面。

6. 用一个简单的眼图脚本验证 DHPIM 解调质量，并顺手做阈值自校准

DHPIM 符号长度可变，直接按固定符号周期画眼图没有意义。变通做法是把每个符号从头脉冲到下一个符号头脉冲之前的波形截出来，按符号长度对齐后叠加。这样能看到头脉冲的宽度、信息脉冲的位置分布、以及空闲时隙上的噪声抬升情况。

def dhpim_eye(peaks, rx, M): # peaks: 所有检测到的脉冲位置 import matplotlib.pyplot as plt for k in range(0, len(peaks) - 1, 2): seg = rx[peaks[k] : peaks[k+1] + 1] plt.plot(np.arange(len(seg)), seg, 'b-', alpha=0.3) plt.xlabel('slot offset') plt.ylabel('amplitude') plt.show()

这里按峰值配对把每个符号切开，画出来的叠加图里，头脉冲位置应该整齐对齐，信息脉冲的位置则散布在不同偏移处。如果看到某个偏移处出现异常密集的“伪脉冲”，说明阈值设得太低，噪声被当成脉冲了；如果头脉冲列参差不齐，说明峰值检测漏了脉冲，配对已经错位。用这个图做阈值调整比直接看 BER 数字直观得多。

我自己的习惯是先画眼图看波形结构，再针对眼图问题改阈值参数，最后才跑完整蒙特卡洛。改阈值时注意一个反直觉现象：把阈值调高，BER 在低信噪比段会变差，因为更多真实脉冲被漏掉了；把阈值调低，误码主要来自噪声脉冲。最优阈值不一定是眼图张开度最大的点，也不是 BER 最低的点，而是在衰落信道下起伏最小的点。自适应阈值可以用滑动窗口估计噪声标准差，把阈值设为噪声台座的 4 到 5 倍，同时在每个符号内用头脉冲幅度修正一次门限，效果比固定阈值稳得多。

做这套仿真的血泪经验是：永远先怀疑同步，再怀疑噪声，最后才怀疑信道模型。BER 曲线平白无故多条肩、眼图中间多一坨点，大概率是接收端配对逻辑的问题。顺着“峰值序列对齐”这条线查下去，很快就能找到毛病。希望帮到你。

本文还有配套的精品资源，点击获取