从正交基函数到星座图：信号空间几何表示与Python仿真-北京尧图网络

1. 为什么要把一段波形压成几个坐标——信号空间这套思路到底值在哪刚接触通信原理的时候我最大的困惑不是公式本身而是为什么要费这么大劲把一条随时间起伏的曲线硬生生拆成一堆基函数乘系数再求和。直到后来自己动手写仿真、算误码、调链路预算才慢慢品出味道来把信号放进几何空间里看本质上是一次降维打击——原本需要用整段波形理论上无穷多个采样点才能描述的东西被压缩成几个数字而这些数字之间的关系恰好对应了我们真正关心的物理量能量、距离、相关性、抗噪能力。这条主线其实有很清晰的四步递进先选定一组正交基函数把信号投影上去得到展开系数用系数算出能量和距离最后把这些系数当成坐标轴上的点于是调制就有了几何表示——星座图。四步环环相扣缺一环后面就全是空中楼阁。很多人学星座图学得云里雾里问题往往出在第一步基函数没选对或者根本没搞清基函数是怎么来的直接跳到画点那当然只能死记硬背 BPSK 是两个点、QPSK 是四个点。这篇内容适合三类人看。第一类是正在啃通信原理、数字通信教材公式看得懂但不知道在干什么的第二类是要动手写链路级仿真需要自己搭一套从波形到星座的验证代码的第三类是做工程实现需要判断我这个成形滤波器、这个载波频率、这个采样率组合会不会把正交性搞坏的。所有代码都用 Python 加 NumPy不依赖任何通信工具箱复制粘贴就能跑跑完能自己核对数字对不对。需要提前说明一点本文里所有的具体参数、代码结构、调试经验都是基于这类问题的常见实践整理出来的合理方案不是某个特定项目的实录。你在自己的场景里套用时把频率、时长、能量这些量替换掉就行骨架不用动。2. 正交基函数判据、构造与选型2.1 正交与归一化的严格判据先把定义钉死后面所有推导都靠它。对实信号而言两个函数的内积定义为在给定区间上的积分f, g ∫ f(t) · g(t) dt如果信号是复基带形式内积要写成f, g ∫ f(t) · g*(t) dt带上共轭。这一点在实信号场景下无所谓但一旦你开始处理复包络、I/Q 两路忘了共轭就会出现明明感觉正交算出来内积却不为零的诡异现象而且往往只在某些相位上出错排查起来极其费劲。在这个定义下一组基函数{φ₁, φ₂, ..., φ_N}要称为标准正交基必须同时满足两条正交性φᵢ, φⱼ 0对所有i ≠ j归一化φᵢ, φᵢ 1也就是每个基函数的能量恰好是 1。第一条保证系数之间互不干扰第二条保证系数直接就是投影长度不用再除以基函数自己的能量。很多教程图省事只做正交不做归一化结果后面算能量的时候公式里到处是||φᵢ||²这种因子稍不留神就漏一个算出来的星座点坐标全体偏大或偏小一个常数倍——这是新手最容易踩的坑之一而且错得很隐蔽因为星座图的形状是对的只是尺寸不对。提示归一化不是可选项。如果你只做正交不做归一s(t) Σ sᵢφᵢ(t)里的sᵢ就不再是投影长度而变成了投影长度除以基函数能量后续所有关于能量和距离的公式都要重新推一遍。统一归一化能省掉大量符号错误。2.2 四类常用正交基的横向对比理论上有无穷多组正交基但工程上真正用得多的就那么几类选哪一类取决于你想让坐标对应到什么物理量。下面这张表是我自己总结的对照选型时基本看一遍就够基函数类型典型形式适用场景关键优势主要代价正弦/余弦对√(2/T)·cos(2πfᵢt)、√(2/T)·sin(2πfᵢt)载波调制、频分复用与物理载波一一对应星座坐标直接映射到 I/Q要求fᵢ·T为整数否则不严格正交脉冲成形基根升余弦、矩形脉冲基带传输、PAM/QAM系数就是符号幅度直观成形滤波器破坏了严格时限正交性需引入匹配滤波正交码字Walsh/Hadamard±1序列扩频、多用户复用乘法即可无需积分硬件友好维数受限于 2 的幂且不同序号间相关特性不均小波/多分辨率基尺度函数加小波函数非平稳信号、压缩感知时频局部化稀疏表示能力强构造复杂几何直观性差如果目标是理解调制毫无疑问选正弦余弦对因为φ₁对应同相支路、φ₂对应正交支路星座图上的横纵坐标天然就是 I 和 Q。如果目标是做多用户分离那 Walsh 码更合适——相关性检验只需要移位相乘再累加跑起来极快。这个选择不是审美问题它直接决定了后面星座图的坐标有没有物理含义。2.3 完备性与截断到底需要几个基理想情况下把信号投影到一组完备的正交基上可以无损重建原信号。但工程上永远做截断只保留前 N 个系数。这里有个很容易被忽略的判断标准信号空间的实际维数等于这组信号张成的子空间维数而不是基函数有无穷多个。举个具体例子。BPSK 只有两个可能发送的波形s₁(t)和s₂(t) -s₁(t)这两个波形张成的空间是一维的——它只需要一个基函数φ₁(t) s₁(t)/√E。尽管从数学上讲s₁(t)本身可以用无穷多个傅里叶分量展开但对区分这两个波形这个任务来说多余的分量毫无信息量全部丢掉不影响任何判决结果。这个认识直接解释了为什么高阶调制星座图维数那么低16-QAM 的 16 个波形全部落在一个二维平面里64-QAM 也一样是二维。而 M-FSK 因为每个频点互不重叠M 个波形张成 M 维空间想画图都画不出来——这就是正交调制和非正交调制的本质区别。判断维数的方法很简单把所有候选波形排成矩阵做奇异值分解看有多少个非零奇异值实际取一个小的容差阈值那就是维数。代码见下一节。3. 展开系数怎么算从积分到代码3.1 系数的本质就是投影有了标准正交基展开系数就是一步内积sᵢ s, φᵢ ∫ s(t) · φᵢ(t) dt这个式子的几何含义和三维空间里求向量在某个坐标轴上的分量完全一致拿信号去和基函数比对重合得越多系数越大正交的部分贡献为零。之所以能这样直接取内积而不需要解方程组全靠基函数的正交性——正是i ≠ j时内积为零才使得求第 i 个系数时其他所有项自动消失。反过来重建就是加权求和s(t) ≈ Σ sᵢ φᵢ(t)。如果基是完备的等号成立如果截断了就有一个残差残差的能量等于被丢掉的那些系数的平方和。这一点在评估用二维近似一个实际波形会损失多少时非常有用。3.2 数值实现里的四个参数陷阱数学上写积分很干净落到代码里全是离散近似这里有四个参数必须盯死否则算出来的系数能差出百分之几甚至更多而你未必能第一时间发现。第一个是采样率。用矩形法近似积分∫ ≈ Σ x[n]·ΔtΔt 1/fs。采样率越高越准但没必要盲目拉高。经验上只要fs是被分析信号最高频率分量的 20 倍以上矩形法误差就能压到千分之一量级。判断方法很土但有效把fs翻倍再算一遍如果两次结果的差异小于你能接受的容差就说明够用了。第二个是积分区间与端点。用np.arange(N)/fs生成时间轴是对的用np.arange(N1)/fs会多出一个采样点导致积分区间实际变成[0, T Δt]对于能量计算来说就是多算了一小段误差量级约Δt/T。更麻烦的是如果你用np.linspace(0, T, N)端点是闭区间第 0 点和第 N 点都被算进去重复计算了一个端点这在周期信号上误差格外明显。我的习惯是统一用t np.arange(N) / fs其中N int(fs * T)闭区间端点只保留左端。第三个是载波频率与符号周期的整数倍关系。这是最隐蔽的一个。cos(2πf_c t)和sin(2πf_c t)在[0, T]上严格正交的前提是f_c · T为整数严格说是2f_c·T为整数。如果f_c 1000 Hz、T 1 ms那f_c·T 1完美正交但如果T改成0.7 msf_c·T 0.7此时两个基函数的内积不再是零而是一个不小的数直接后果是星座图上的点会整体偏移、判决门限跟着歪。我在仿真里吃过这个亏当时以为是噪声问题查了半天才发现是载波周期没对齐。第四个是归一化的施加位置。建议在构造基函数时就归一化好而不是算完系数再补一个除法。因为一旦你后面要做 Gram-Schmidt 或者拼接多个基函数忘记补除法的风险很高。构造完立刻打印一句φᵢ, φᵢ验证是不是 1.000这个习惯能省掉大量返工。3.3 Gram-Schmidt 手搓一遍附 Python理论课上的 Gram-Schmidt 通常是给几个向量做这里换成波形逻辑一模一样只是内积从点乘换成积分。它的价值在于当别人给你一堆波形、又不告诉你基函数是什么的时候你能自己造出一组合适的基。import numpy as np fs 2000.0 T 1.0 t np.arange(int(fs * T)) / fs dt 1.0 / fs def inner(a, b): 离散内积矩形法近似积分 return np.sum(a * np.conj(b)) * dt def gram_schmidt(waveforms, tol1e-9): 输入一组波形输出标准正交基 basis [] for s in waveforms: v np.array(s, dtypecomplex) for phi in basis: v v - inner(v, phi) * phi # 减去在所有已有基上的投影 norm np.sqrt(np.real(inner(v, v))) if norm tol: # 线性相关跳过 continue basis.append(v / norm) # 归一化 return basis # 构造一组存在线性相关的波形做测试 f1, f2 5.0, 12.0 s1 np.sqrt(2 / T) * np.cos(2 * np.pi * f1 * t) s2 np.sqrt(2 / T) * np.cos(2 * np.pi * f2 * t) s3 0.6 * s1 0.8 * s2 # 故意做成线性组合 s4 -s1 basis gram_schmidt([s1, s2, s3, s4]) print(生成的基函数个数 , len(basis)) # 正交性自检打印内积矩阵非对角元应接近 0 G np.array([[inner(a, b) for b in basis] for a in basis]) np.set_printoptions(precision6, suppressTrue) print(Gram 矩阵\n, G)跑完之后你会看到 Gram 矩阵基本是对角线为 1、其余接近 0 的单位阵四个输入波形只生成了两个基函数——因为s3是线性组合、s4是s1的取反都没有带来新方向。这个维数自动塌缩的行为正是判断信号空间维数的实用手段。有一个实操细节值得单独提tol的取值。如果波形本身数值噪声比较大比如从实测数据导进来的残差范数可能永远大于零Gram-Schmidt 会生成一堆伪基。这时候改用 SVD 更稳把波形按行拼成矩阵做一次奇异值分解取那些奇异值显著大于噪声水平的左奇异向量作为基函数。SVD 版本对数值误差的容忍度远高于逐步正交化。# SVD 版本更适合实测数据或者波形数量多的场景 W np.vstack([s1, s2, s3, s4]) # 每行一个波形 U, S, Vh np.linalg.svd(W, full_matricesFalse) print(奇异值, np.round(S, 6)) rank np.sum(S 1e-8 * S[0]) # 按最大奇异值做相对阈值 basis_svd Vh[:rank] print(有效维数 , rank)4. 能量、距离、相关性三个能直接算的几何量4.1 能量时域积分与系数平方和的等价信号能量定义是E ∫ |s(t)|² dt s, s。把它代入展开式利用正交性立刻得到E Σ |sᵢ|²这就是帕塞瓦尔定理在信号空间里的具体形态我更喜欢把它理解成勾股定理的无限维版本各个坐标方向互相垂直所以总长度的平方等于各方向分量平方之和。这个等价关系是整套方法最有用的工具之一——算能量不用再做积分直接拿系数平方加总就行而且这个结论对复信号、对任意维数都成立。它在工程上的直接价值是链路上讨论的符号能量E_s、每比特能量E_b本质上都是这一串系数的平方和。你在星座图上看到某个点的模长平方就是它对应的波形能量。这也是为什么星座图设计里要反复强调能量归一化——如果不同点能量差异太大峰值功率会很难看功放非线性就会把外圈点挤歪。4.2 距离波形差能量开根号两个波形的欧氏距离定义为d(s₁, s₂) sqrt(∫ |s₁(t) - s₂(t)|² dt) sqrt(Σ |s₁ᵢ - s₂ᵢ|²)也就是说波形的距离等于它们系数向量的距离两种算法结果完全一致这又一次印证了几何类比不是比喻而是等价。这个量之所以重要是因为它直接决定了抗噪能力在加性白噪声下两个等概率信号的最佳判决门限是中点误判概率随d/√(2N₀)单调下降。距离越大判决越稳就这么简单。实际算的时候有个常见误区把距离和距离的平方混着用。公式里带根号的地方一旦漏掉最后算出来的误码性能曲线会整体平移看起来好像还挺合理实际全错。我的习惯是这类中间量命名时直接带后缀d2_min和d_min分开存调用时不会拿错。4.3 相关系数与夹角归一化相关系数定义为ρ s₁, s₂ / (||s₁|| · ||s₂||)它的取值范围是[-1, 1]几何意义就是两个向量夹角的余弦。ρ 0表示正交——完全不相关ρ ±1表示完全共线一个信号完全可以由另一个线性表示此时用两个波形传一个符号是纯浪费。这个指标在设计波形集合时是硬指标。比如设计一组多用户码字如果任意两个之间的ρ不够小解调时用户间干扰就会显著抬高底噪。反过来在非相干检测或者差分调制里我们又会刻意利用相邻符号之间的相关性来估计相位。同一个量用在不同地方价值完全不同。4.4 一个完整的数值算例BPSK 与 QPSK 的能量和距离核对光说不练容易飘这里给一个从头到尾能对上的算例。设符号周期T 1 ms载波f_c 2 kHz满足f_c·T 2整数正交性有保障E_b取 1归一化BPSK 用两个反相波形s₁(t) √(2E_b/T) · cos(2πf_c t) s₂(t) -√(2E_b/T) · cos(2πf_c t)取基函数φ₁(t) √(2/T)·cos(2πf_c t)可以验证它的能量是 1系数2/T乘上cos²半个周期平均 1/2 再乘 T正好是 1。那么s₁ √E_b · φ₁系数是1当E_b1s₂系数是-1。距离d |1 - (-1)| 2也就是2√E_b平方是4E_b。QPSK 用两个基函数φ₁同上φ₂ -√(2/T)·sin(2πf_c t)加负号是为了让[1,1]对应相位 45°纯粹是约定不影响性能。四个符号的系数分别是(±√(E_s/2), ±√(E_s/2))其中E_s 2E_b。取E_b 1则E_s 2每点坐标是(±1, ±1)模长平方都是 2验证了能量一致。相邻点之间的最小距离是 2和 BPSK 一样——这解释了为什么 QPSK 在相同E_b/N₀下的误比特性能和 BPSK 基本相同它把能量分到两个维度上但每维的距离没变。import numpy as np fs, T, fc 20000.0, 1e-3, 2000.0 t np.arange(int(fs * T)) / fs dt 1.0 / fs def inner(a, b): return np.sum(a * np.conj(b)) * dt phi1 np.sqrt(2 / T) * np.cos(2 * np.pi * fc * t) phi2 -np.sqrt(2 / T) * np.sin(2 * np.pi * fc * t) print(phi1 能量 , round(np.real(inner(phi1, phi1)), 6)) print(phi2 能量 , round(np.real(inner(phi2, phi2)), 6)) print(phi1-phi2 内积 , round(np.abs(inner(phi1, phi2)), 9)) Eb 1.0 s1 np.sqrt(2 * Eb / T) * np.cos(2 * np.pi * fc * t) s2 -s1 c1, c2 inner(s1, phi1), inner(s2, phi1) print(BPSK 系数 , round(np.real(c1), 4), round(np.real(c2), 4)) print(BPSK 距离 , round(abs(c1 - c2), 4), 理论值 , 2 * np.sqrt(Eb)) Es 2 * Eb pts [np.array([a, b]) * np.sqrt(Es / 2) for a in (1, -1) for b in (1, -1)] for p in pts: print(QPSK 点坐标 , np.round(p, 4), 能量 , round(np.sum(p ** 2), 4))这段代码跑出来phi1和phi2的能量都应该是 1.000000内积接近 1e-17 量级纯数值误差BPSK 系数是±1距离是 2.0。如果哪个数字对不上请参考第 6 节的排查路径。5. 调制在几何空间中的表示星座图的由来与读法5.1 从 M 个波形到 N 维点集把前面的流程串起来有 M 个候选发送波形{s₁(t), ..., s_M(t)}用 Gram-Schmidt 或 SVD 求出张成空间的 N 个标准正交基把每个波形投影上去得到 N 个系数于是每个波形对应R^N中的一个点。这 M 个点在空间里的分布图就是星座图。这个定义看起来抽象但它解释了一件很多人没想明白的事星座图的维度不是随便定的是信号集合自己的性质决定的。BPSK 的两个波形互为反相线性相关所以只能张成一维QPSK 的同相和正交支路互不相关张成二维8-PSK 虽然用了 8 个相位但由于cos和sin的线性组合关系依然只在二维平面里只是点的排布变成了圆环。如果哪天你遇到某个调制方案的星座图画不出来维数大于 3那不是画图工具的问题是那个方案确实用了正交维度比如 M-FSK。这里顺带解释一个常被问到的细节为什么 QPSK 的φ₂有的教材带负号有的不带因为基函数的正负号是人为约定只要同一套推导里保持一致最终判决结果完全相同。带负号只是为了让第一象限对应相位45°看起来更符合直觉。我在代码里固定用φ₂ -√(2/T)·sin这个约定所有文档统一避免跟别人的结果对不上时来回折腾。5.2 五类常见调制的星座构造BPSK一维两个点±√E_bd_min 2√E_b每维一个比特。最简单也最抗噪代价是频谱效率只有 1 bit/符号。QPSK二维四个点(±√(E_s/2), ±√(E_s/2))d_min √(2E_s)2 bit/符号。注意E_s 2E_b时d_min 2√E_b和 BPSK 相同所以两者误比特性能一致——这就是著名的QPSK 白拿一倍速率。M-PAM一维M 个等间距点。取间距d坐标是(2m-1-M)·d/2m 1..M。平均符号能量是(M²-1)d²/12脉冲能量归一化时。这个公式值得记一下因为设计功率预算时经常要反推给定平均能量求d再求误码。矩形 M-QAMM k²I 路和 Q 路各是一个√M阶 PAM两个方向的坐标独立取值点阵是方格。d_min就是相邻格点的间距。E_s和d的关系是E_s (2/3)(M-1)·d²/2 (M-1)d²/3由此可以反解d √(3E_s/(M-1))。这个式子非常常用64-QAM 和 16-QAM 的功率差就是靠它算的相同d下64-QAM 需要的平均能量是 16-QAM 的(63/15) ≈ 4.2倍即约 6.2 dB这就是高阶调制要付出功率代价的定量来源。M-FSKM 个频点互不重叠基函数就是各频点的归一化波形本身每个点落在某一根坐标轴上坐标(0,...,√E_s,...,0)。任意两点距离√(2E_s)M 维空间这个方案用维度换距离代价是带宽。import numpy as np import matplotlib.pyplot as plt def pam_points(M, d1.0): return (2 * np.arange(1, M 1) - 1 - M) * d / 2 def qam_points(M): k int(np.sqrt(M)) assert k * k M axis pam_points(k) return np.array([(a, b) for a in axis for b in axis]) def pam_energy(M, d1.0): return (M ** 2 - 1) * d ** 2 / 12 def qam_energy(M, d1.0): return (M - 1) * d ** 2 / 3 for M in (16, 64, 256): print(f{M}-QAM d1 时平均能量 {qam_energy(M):.3f} f d_min 1) # 能量归一化把平均能量拉到 1看 d_min 缩到多少 for M in (16, 64, 256): d np.sqrt(3 / (M - 1)) print(f{M}-QAM 归一化能量下 d_min {d:.4f}) pts qam_points(16) plt.figure(figsize(5, 5)) plt.scatter(pts[:, 0], pts[:, 1], s60, markero) plt.grid(True, linestyle--, alpha0.6) plt.axis(equal) plt.title(16-QAM constellation, d 1) plt.show()上面那组打印结果很能说明问题归一化能量下16-QAM 的d_min √(3/15) 0.447264-QAM 是√(3/63) 0.2182256-QAM 是√(3/255) 0.1085。每提升 4 倍点数最小距离就掉一半等效于 6 dB 的功率惩罚。这个数字在链路预算里必须留出余量。5.3 星座图上能读出哪些工程指标星座图不是画着好看的图里至少能读出四类信息最小距离d_min决定抗噪能力。噪声方差给定时误符号率大致按Q(d_min/2σ)走。看图时直接量两个最近点之间的距离就行。平均能量与峰均比。所有点模长平方的平均值就是E_s最外圈点的能量和平均值之比决定了功放要留多少回退。高阶 QAM 的外圈点能量远高于平均峰均比高这就是为什么功放效率上不去。判决区域划分。相邻点连线的中垂线就是判决边界图上画出来一目了然。对矩形 QAM判决可以拆成 I、Q 两路独立进行因为判决区域是矩形但对 8-PSK 就不行必须做联合判决或者极坐标判决。这个差异在实现复杂度上差很多。相位模糊敏感度。看星座有没有旋转对称性。QPSK 旋转 90° 后图形不变所以它存在 90° 相位模糊BPSK 是 180°。这直接决定了接收端需不需要插入独特的同步序列来消除模糊。5.4 完整实操把 QPSK 的星座反算回来验证理论验证最可靠的方式是双向跑通正着从波形算系数画星座反着从星座重建波形比较重建波形和原波形的误差。误差应该是数值噪声量级如果明显偏大说明基选错了或者系数算错了。import numpy as np fs, T, fc 40000.0, 1e-3, 3000.0 t np.arange(int(fs * T)) / fs dt 1.0 / fs def inner(a, b): return np.sum(a * np.conj(b)) * dt phi1 np.sqrt(2 / T) * np.cos(2 * np.pi * fc * t) phi2 -np.sqrt(2 / T) * np.sin(2 * np.pi * fc * t) Es 2.0 syms { (1, 1): np.sqrt(Es / 2), (-1, 1): np.sqrt(Es / 2), (-1, -1): np.sqrt(Es / 2), (1, -1): np.sqrt(Es / 2), } max_err 0.0 for (a, b), amp in syms.items(): s amp * (a * phi1 b * phi2) c1, c2 inner(s, phi1), inner(s, phi2) recon c1 * phi1 c2 * phi2 err np.sqrt(np.real(inner(s - recon, s - recon))) max_err max(max_err, err) print(f符号({a:d},{b:d}) - 系数({np.real(c1):.4f},{np.real(c2):.4f}) f 重建误差 {err:.3e}) print(最大重建误差 , f{max_err:.3e})正常情况下重建误差应该在1e-15量级甚至更低。如果跑出来是1e-3或者更大几乎可以肯定是载波频率和符号周期没对齐或者采样率太低导致矩形法积分误差累积。这时候不要急着改代码逻辑先把fs翻倍再跑一遍看误差是不是跟着降——如果降了就是采样率问题如果没变问题在别处。6. 常见问题与排查实录这一节是我这些年被问得最多、自己也踩得最多的几类毛病按症状整理遇到问题可以直接对照查。6.1 系数反算回去对不上原波形重建误差大第一反应往往是系数算错了但实际排查下来原因分布大概是这样的基函数不正交占四成载波周期没对齐占三成采样率不足占两成剩下是真算错了。排查顺序建议这样走。先打印 Gram 矩阵看非对角元素是不是真的接近零——这一步能立刻排除基的问题。如果 Gram 矩阵不干净回头检查f_c · T是否为整数以及时间轴端点有没有重复。如果 Gram 矩阵很干净但重建还是差那就把fs翻倍再跑看误差是否随之下降。有个很典型的场景用np.linspace(0, T, N)生成时间轴N是采样点数。这时候Δt T/(N-1)但第一点和最后一点都落在闭区间端点上对于周期信号相当于多算了一次起始相位积分结果会有一个系统偏差。改成np.arange(N)/fs并且N int(fs*T)就能解决。6.2 正交性检验不过关明明按公式写的基函数内积却不为零数值还挺大比如 0.05。可能的原因有三个一是时间轴长度不是整数个周期。比如T 1 ms但f_c 2500 Hzf_c·T 2.5这时候cos和sin在一个符号周期里各自走了 2.5 个周期积分不闭合。解决办法要么改f_c让它落在整数倍要么把积分区间延长到一个公共周期。二是内积忘了加共轭或者忘了乘dt。前者在实信号下看不出来但只要引入复包络就会暴露后者会让内积值整体差fs倍表现是所有内积都不对但比例关系看起来正常。三是基函数归一化时用的是能量开根号还是直接除能量。归一化要除以范数能量开根号不是除以能量。这个错误会让归一化后的基函数能量变成1/√E后面全跟着歪。6.3 能量对不上、距离差个 √2这一类几乎全是归一化约定不一致导致的。常见的分叉点有基函数用的是√(2/T)·cos还是√(1/T)·cos前者的能量是 1后者是 0.5符号能量按E_s记还是按E_b记E_s E_b·log₂M差一个倍数距离算的是d还是d²表格里必须标清楚。我自己的做法是所有中间变量带上单位和定义Es_norm、dmin_sq、dmin分开存代码里绝不用裸的e或者d。看着啰嗦但省下来的调试时间远超这点打字成本。6.4 常见问题速查表症状最可能原因快速验证处理方式重建误差在1e-3量级采样率不足fs翻倍再看误差提高到信号最高频的 20 倍以上Gram 矩阵非对角元约 0.05f_c·T非整数打印f_c*T看是否为整数调整f_c或延长积分区间所有系数整体偏小√2倍基函数用了√(1/T)检查基函数系数统一改成√(2/T)星座图形状对但尺寸不对基函数未归一化打印φᵢ,φᵢ构造时即归一化BPSK 距离算成√2倍d与d²混用检查是否漏掉开根号变量命名带后缀复信号内积异常忘了共轭换成conj再看内积统一带共轭高阶 QAM 误码明显差于理论能量未归一化核对d_min公式先归一化再比较端点误差大linspace闭区间换arange试时间轴统一从 0 起步除了表里这些再补两条不那么显眼但很实用的经验。关于tol阈值的选择。做 SVD 判维数时阈值不要写成固定的1e-10要根据最大奇异值做相对判断比如1e-8 * S[0]。绝对阈值在数据量纲变化时会失效特别是你把波形从伏特换成毫伏同一份代码的判定结果就变了。关于验证顺序。一套从波形到星座的代码最可靠的验证路径不是看图像不像而是三条断言基函数自内积等于 1、互内积接近 0、重建误差小于容差。这三条过了后面的能量和距离基本不会错。图像只能看个大概数值断言才是真凭据。7. 最后聊几句实操中的取舍写到这里整套从正交基到星座图的链路就走完了。如果只让我留一句话那就是先把基函数的能量和正交性验证到位后面的一切都会顺理成章这一步偷懒后面每一步都在还债。实际操作中我还有一个习惯选基函数的时候会先问自己我需要让坐标代表什么。如果是为了和硬件的 I/Q 支路对上那就老老实实用正弦余弦对哪怕载波周期对齐这点麻烦必须处理如果是为了做多用户正交复用Walsh 码更省算力就不要硬套载波那一套。基函数的选择决定了后面所有几何量的物理含义选错了虽然数学上也能算出结果但那个结果对工程判断没什么帮助。另外一个想提醒的点是关于数值精度的心理预期。理论推导里内积严格为零代码里跑出来是1e-17还是1e-3反映的是你整个数值链条的健康状况不是差不多就行。我一般把1e-10作为能量和正交性检验的通过线超过这个量级就去查原因往往能提前发现一些后面才会爆发的隐患比如采样率临界、载波偏离、浮点累积误差。这些毛病在小规模仿真里可能只是让误码曲线偏移零点几个 dB等放大到长序列仿真就会变成怎么也复现不出来的诡异结果。至于星座图本身把它当成一张体检报告来看会更有价值最小距离看抗噪余量外圈能量看功放回退对称性看相位模糊判决区域看实现复杂度。四个维度一起看比单纯记16-QAM 有 16 个点要有用得多。

从正交基函数到星座图：信号空间几何表示与Python仿真

相关推荐

近期目标与未来方向：从口号到周周推进的目标拆解系统

Obsidian笔记配置阿里云OSS图床完整指南

晋级答辩复盘用哪个软件好？实测5款AI录音转写工具，把评委追问一条条补回来

更多资讯

2025 DEM数据应用与处理技术解析

信号时延估计：从基础原理到工程实践

网络安全入门到进阶：职业路径与技能体系全解析

微电网多目标优化：改进灰狼算法与V2G协同调度

拆解DoS源码：连接型攻击的队列观测与限速兜底

从R脚本复现GEFCOM14概率负荷预测：分位数回归与QRA集成

今日更新

PLFM_RADAR：从被动告警到主动感知的微服务健康监控系统

SPI隔离设计实战：MAX14431BAEE+与STM32F407工业级应用

数字隔离器如何根治SPI通信地环路干扰：MAX14431与TM4C129实战

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？