STBC空时分组码原理、线性合并译码与BER仿真实践-北京尧图网络

简介面向无线通信入门学习者与课程实验需求这套空时分组码STBC编码译码实现代码围绕发射端空时编码与接收端译码过程展开并给出误码率BER曲线用于直观验证算法效果。资源包共3个文件均为MATLAB的.m脚本整体约1KB体量轻巧包含核心算法实现、调用测试和仿真绘图等分工便于快速运行与逐段阅读。已有2322人学习下载说明其在STBC基础教学与自学场景中具有一定参考价值。读者可据此梳理STBC从符号映射、编码矩阵构造到接收端合并判决的完整链路并通过调整信噪比观察BER变化复现描述中的误码率曲线也可将其作为课程实验或课题入门的对照代码帮助理解空时分组码的分集增益与仿真验证思路。1. 两倍时隙发一个符号为什么反而划算空时分组码STBC的编码译码实现里最反直觉的一点是它在两个时隙里只送出一个复数符号频谱效率当场对折却仍然被大量无线系统写进规范。直觉上冗余就是浪费多天线要么用来提速要么用来堆功率但正交空时分组码给出了第三条路——用两倍的时间重复同一份信息接收端只要做一次线性合并就能把这个 MIMO 信道拆成两个互不干扰的标量信道。BER 曲线在相同总发射功率下与最大比合并的曲线严格平行斜率一致、只差一个常数平移。搞懂这个“平移”从哪来、正交性凭什么成立比背下编码矩阵有用得多。2. 正交性解剖一个 2×2 码块凭什么把 MIMO 拆成标量信道先把结论摆出来STBC 的译码之所以能从指数级降到线性靠的不是近似而是码字矩阵的一组代数性质——接收端合并后符号之间的交叉项系数恰好为零。这一节把这条性质拆到矩阵元素的层面看一遍后面所有代码都是它的直接翻译。2.1 信道模型Y HX N 里每个矩阵的尺寸和物理含义设发射天线数Nt接收天线数Nr一个码块占T个时隙。那么码字矩阵X的尺寸是Nt × T行对应天线列对应时隙。这个约定必须先钉死因为绝大多数实现层面的翻车最后查下来都是行和列搞反了。接收矩阵Y的尺寸是Nr × T信道矩阵H是Nr × Nt噪声N是Nr × T于是Y HX N。对 2×1 的情形H就是一行两列[h1, h2]h1是发射天线 1 到接收天线的复增益。这里藏着一个必须显式声明的假设H在T个时隙内保持不变。这叫准静态平坦衰落。STBC 的正交性是在“同一个H乘遍整个码块”的前提下推导出来的一旦信道在一个码块内发生变化后面合并时用的h1、h2前后就不是同一组值交叉项抵消不掉。这个前提在低速移动场景下近似成立在高速场景下就是误码地板的来源第 5 章会专门讲。复高斯信道的生成也有讲究。h的实部和虚部各自独立、方差为1/2合起来E[|h|²] 1。很多人写成randn 1j*randn却没除以√2结果是平均信道增益变成 2整条 BER 曲线左移 3dB然后对着论文里的图怀疑人生。2.2 两条正交性质码字矩阵自己和自己做内积得到对角阵编码规则本身很短。两个待发符号s1、s2码块如下安排时隙 1天线 1 发s1、天线 2 发s2时隙 2天线 1 发-conj(s2)、天线 2 发conj(s1)。写成矩阵形式第一行是天线 1 的两个时隙第二行是天线 2 的两个时隙。对X做X^H X共轭转置乘自身会得到一个对角阵对角元是|s1|² |s2|²非对角元严格为零。这就是“复正交设计”的定义。它的物理含义是两个时隙上两根天线发出的信号在任意一个接收天线上看彼此的能量正交不会互相“串”。第二条性质更隐蔽也更容易在实现中丢掉共轭的位置是有讲究的。第二个时隙里天线 1 发的是s2的共轭取负天线 2 发的是s1的共轭。正是这个共轭让接收端可以把r2取共轭之后与r1做线性组合把h1、h2的相位旋转变成可以利用的相干量。如果漏掉共轭直接发-s2和s1矩阵仍然“看起来”像那么回事但X^H X不再是对角阵合并后残留一个与s1* s2成正比的干扰项BER 曲线会稳定地卡在某个下限上不动。顺带一提正交设计存在码率天花板Nt 2时可以做到码率 1两个时隙两个符号Nt 3或4时复正交设计的码率上限就掉到 3/4 了。这不是工程实现不够聪明而是复正交矩阵的数学约束第 6 章展开。2.3 合并器推导干扰项为什么恰好相互抵消把发射信号代进接收模型先忽略功率归一化因子留到 3.2 节处理。时隙 1 收到r1 h1·s1 h2·s2 n1时隙 2 收到r2 -h1·conj(s2) h2·conj(s1) n2。注意r2的表达式里s1带的是h2的共轭而s2带的是h1的共轭取负。这个交叉结构就是合并器的钥匙。现在构造两个合并量。第一个用conj(h1)·r1 h2·conj(r2)展开后s1的系数是|h1|² |h2|²而s2的系数是h1*·h2减去h1*·h2正好消掉。第二个用conj(h2)·r1 - h1·conj(r2)s2的系数是|h1|² |h2|²s1的系数抵消。于是两个符号各自得到一个干净的单输入单输出方程等效增益都是同一个实数λ |h1|² |h2|²。这一步是整个 STBC 最漂亮的地方干扰不是被抑制掉的而是被结构性地消掉了。合并之后剩下的就是一个纯标量检测问题对每个符号独立做最近星座点判决即可复杂度从“星座点数的T次方”降到“星座点数乘T”。如果接收端有多根天线合并量就沿接收天线维度求和λ变成所有Nr根天线上的|h1,r|² |h2,r|²之和。这个求和过程等价于在合并阶段顺手做了一次最大比合并分集阶数因此变成Nt × Nr。2.4 分集阶数与那 3dB 的去向λ是两个Nr 1时独立复高斯变量模平方的和服从自由度 4 的卡方分布。它的尾巴比单个指数分布薄得多这就是分集增益的来源深衰落的概率按SNR的负二次方下降而不是负一次方。在 BER 曲线上这表现为斜率。单天线在瑞利信道下高 SNR 段 BER 大约按1/SNR下降2×1 的 STBC 按1/SNR²下降也就是每提升 10dB误码率降两个数量级。这个斜率是分集阶数的直接体现也是判断仿真是否正确的第一道校验——斜率不对说明正交性在某个环节被破坏了。然后是那“3dB”。同样的总发射功率下2×1 的 STBC 比 1×2 的最大比合并差 3dB。原因朴素得让人失望单发双收时全部功率从一根天线出去双发单收时功率被劈成两半分给两根天线每根只有一半。合并后的信噪比自然差一倍。但如果比较基准是“每根发射天线功率固定”2×1 就与 1×2 完全等价了。这个 3dB 不是算法缺陷是比较口径的产物第 5 章会讲它怎么坑人。3. 编码端把一个复数符号映射成空时码块编码器的活儿其实只有三件事把符号摆进正确的行列位置、做共轭和取负、乘上功率归一化因子。看起来简单但每一件都有对应的坑。3.1 码块的内存布局行是天线的坑位列是时隙在数组实现里最自然的写法是生成一个形状为(Nt, T)的二维数组第i行第t列就是天线i在时隙t发出的复基带样本。发送时按列切分每一列喂给一个时隙而每一行则是同一根天线在连续时隙上的波形。这个布局与信道矩阵H的形状(Nr, Nt)是配套的。接收端算H X时H的第二维长度必须等于X的第一维长度形状对不上会直接报错——这算是幸运的情况。更麻烦的是Nr Nt 2时H是方阵行列写反了照样能乘结果全错但一声不吭。我的习惯是编码函数的 docstring 里把形状写死译码函数入口先断言形状。多写两行断言能省掉半天的排查。3.2 功率归一化1/sqrt(Nt) 不是可选项码字矩阵里每个符号的能量在两根天线上各出现一次时隙 1 一次、时隙 2 一次如果不做任何处理一个码块的总发射能量就是2·Es是单天线系统的两倍。这样比较出来的 BER 曲线当然好看但没有意义——你只是多发了一倍的功率。所以码字矩阵要统一乘1/√Nt。归一化之后每个时隙的总发射能量恒等于Es与天线数无关。这一步漏掉的后果很一致BER 曲线整体左移10·log10(Nt)dB2 天线就是 3dB4 天线就是 6dB。曲线形状完全正确斜率也漂亮就是和理论值对不上。归一化因子放在编码端还是折算进信道两种写法都行但必须只做一次。我在代码里选择放在编码端并且在译码端显式把它乘回去让“等效增益λ”始终对应未归一化的符号判决门限不会含糊。3.3 编码函数的实现下面的实现把上面的约定一次落实形状、共轭位置、归一化因子都在里面。import numpy as np def alamouti_encode(s, normalizeTrue): 2 天线正交空时分组码的编码器。参数 ---- s : (2,) 复数数组待发符号 [s1, s2]平均功率 Es 由调用方保证 normalize : 是否乘 1/sqrt(Nt)仿真时必须为 True 返回 ---- X : (Nt2, T2) 复数码字矩阵行天线列时隙 s1, s2 s[0], s[1] # 第一行是天线 1 的两个时隙第二行是天线 2 的两个时隙 X np.array([[s1, -np.conj(s2)], [s2, np.conj(s1)]], dtypecomplex) if normalize: X X / np.sqrt(X.shape[0]) # 每个时隙总功率归一化到 Es return X关键行有两处。第一处是-np.conj(s2)和np.conj(s1)共轭必须作用在符号本身不能作用在整个矩阵上如果写成np.conj(X)s1那一项也会被共轭正交性立刻崩掉。第二处是除以np.sqrt(X.shape[0])用shape[0]而不是硬编码 2是为了后面扩展到多天线时不用改这行。发送侧把X按列取出第t列就是第t个时隙上Nt根天线同时发出的样本向量。实际系统里这一列会经过脉冲成型、上变频然后从各根天线发出仿真里则直接进入信道卷积。3.4 多天线扩展3/4 码率怎么用零填充凑出来Nt 2时没法再保持码率 1。工程上常见的做法是扩展到 4 个时隙、码率 3/4代价是在某些时隙上某几根天线发零。零填充看起来浪费但它保住了X^H X的对角性也就保住了“线性合并逐符号判决”这个最大便利。代码结构几乎不用改只是码块变宽、部分位置填 0归一化因子变成1/√Nt按天线数而合并器的系数从“每个符号两项”变成“每个符号若干项之和”遵循同一套模式取共轭、乘以对应的信道系数、按符号累加。这种实现通常写成一个循环遍历码字矩阵里每个非零位置把conj(h_i) * r_t或h_i * conj(r_t)累加到对应的符号缓冲区。写成通用形式之后2 天线只是它的一个特例不用维护两套代码。天线数继续往上加时码率会进一步下降。所以实际系统里 4 根以上天线通常不再用纯正交设计转而考虑空间复用或者准正交方案这是第 6 章要权衡的事。4. 译码端一次线性合并换掉整张搜索表译码端是整个方案里最值得逐行读的部分因为它把“复杂度”这件事变得可以量化合并阶段的运算量与星座大小无关只与天线数和码块长度有关。4.1 合并器把两个接收样本压成两个标量合并公式在 2.3 节推过了落到代码就是四行乘加。注意多接收天线时沿Nr轴求和这个求和既是合并也是分集接收。def alamouti_combine(R, H, normalizeTrue): 2 天线 STBC 的线性合并器。参数 ---- R : (Nr, 2) 接收样本第二维是两个时隙 H : (Nr, 2) 一个码块内恒定的信道系数 normalize : 与编码端保持一致用于把 1/sqrt(Nt) 折回判决量返回 ---- y : (2,) 合并后的等效接收标量已折算归一化因子 lam : float等效增益 sum_r(|h1r|^2 |h2r|^2) h1, h2 H[:, 0], H[:, 1] r1, r2 R[:, 0], R[:, 1] # 对每个符号把各接收天线的贡献累加等价于一次最大比合并 y1 np.sum(np.conj(h1) * r1 h2 * np.conj(r2)) y2 np.sum(np.conj(h2) * r1 - h1 * np.conj(r2)) lam np.sum(np.abs(h1) ** 2 np.abs(h2) ** 2) if normalize: # 编码端乘过 1/sqrt(Nt)这里乘回来令 y ≈ lam * s y1, y2 y1 * np.sqrt(H.shape[1]), y2 * np.sqrt(H.shape[1]) lam lam * np.sqrt(H.shape[1]) return np.array([y1, y2]), lamy1那一行是conj(h1)*r1 h2*conj(r2)y2那一行是conj(h2)*r1 - h1*conj(r2)。两行的差别只在共轭的位置和一个负号但正是这个差别让s1和s2的干扰项各自抵消。写反了不会报错只会让 BER 缓慢地爬到 0.5 附近——0.5 意味着判决已经完全随机说明合并量里的信号项被自己抵消干净了。lam是一个实数正比于瞬时信道增益。它在后面既当判决门限也当软信息的幅度参考。多天线时它随Nr线性增长这就是阵列增益和分集增益在数值上的体现。4.2 硬判决、软信息与 LLR 的幅度去哪了合并之后每个符号就是一个标量 AWGN 问题y lam·s n其中n是复高斯噪声方差正比于lam。硬判决只需要在星座点里找离y/lam最近的那个运算量是星座大小的一次方。如果后面接了信道译码器就必须给软信息。BPSK 下的对数似然比可以写成LLR 4·a·Re(y)/σ²其中a lamσ²是合并后噪声方差而σ²正比于lam。把lam代进去会发现它上下约掉了LLR的幅度最终只由噪声功率谱密度N0决定。这个约掉不是巧合合并增益放大了信号同时也按同样的比例放大了噪声所以软信息的可信度只跟噪声水平有关跟瞬时信道好坏无关。很多实现里把lam留在LLR里当权重结果在深衰落时给出过度自信的软信息译码器反而被带偏。反过来如果忘了合并后的噪声方差已经随lam变化直接用接收端的N0算LLR则会过度保守编码增益拿不满。4.3 BER 仿真的骨架从 SNR 到误码率把编码、信道、合并、判决串起来就是一个完整的 BER 仿真循环。下面这版做了向量化一次跑完一批码块避免 Python 层循环拖慢速度。def simulate_stbc(snr_db_list, n_block200000, nr1, seed0): rng np.random.default_rng(seed) const np.array([1.0, -1.0], dtypecomplex) # BPSKEs 1 ber [] for snr_db in snr_db_list: snr 10 ** (snr_db / 10) n0 1.0 / snr # 总发射能量固定为 1 # 每块两个符号随机抽取 s const[rng.integers(0, 2, size(n_block, 2))] X np.zeros((n_block, 2, 2), dtypecomplex) X[:, 0, 0] s[:, 0] X[:, 0, 1] -np.conj(s[:, 1]) X[:, 1, 0] s[:, 1] X[:, 1, 1] np.conj(s[:, 0]) X / np.sqrt(2) # 功率归一化 # 准静态瑞利信道码块内恒定 H (rng.standard_normal((n_block, nr, 2)) 1j * rng.standard_normal((n_block, nr, 2))) / np.sqrt(2) # 复噪声每维方差 n0/2总方差 n0 N np.sqrt(n0 / 2) * (rng.standard_normal((n_block, nr, 2)) 1j * rng.standard_normal((n_block, nr, 2))) R np.einsum(nrk,nkt-nrt, H, X) N h1, h2 H[:, :, 0], H[:, :, 1] r1, r2 R[:, :, 0], R[:, :, 1] y1 np.sum(np.conj(h1) * r1 h2 * np.conj(r2), axis1) * np.sqrt(2) y2 np.sum(np.conj(h2) * r1 - h1 * np.conj(r2), axis1) * np.sqrt(2) lam np.sum(np.abs(h1) ** 2 np.abs(h2) ** 2, axis1) * np.sqrt(2) # 逐符号最近星座点判决 d1 np.abs(y1[:, None] - lam[:, None] * const[None, :]) ** 2 d2 np.abs(y2[:, None] - lam[:, None] * const[None, :]) ** 2 s_hat np.stack([const[np.argmin(d1, axis1)], const[np.argmin(d2, axis1)]], axis1) ber.append(np.mean(s_hat ! s)) return np.array(ber)几个参数需要说明。n_block是蒙特卡洛样本数低 SNR 段几万个就够高 SNR 段要保证至少几百个错误否则曲线尾巴会抖。n0 1/snr的前提是每个时隙的总发射能量归一化为 1这样横轴 SNR 就是Es/N0与大多数文献的口径一致。np.einsum(nrk,nkt-nrt, H, X)做的是逐块的矩阵乘等价于对每个块算H X只是避免了循环。最后的* np.sqrt(2)把编码端的归一化因子折回来使lam就是等效增益。4.4 曲线解读斜率、平移和那条不该出现的尾巴正确的 2×1 曲线应该有三个特征高 SNR 段斜率是每 10dB 降两个数量级与 1×2 最大比合并的理论曲线相比整体右移 3dBNr翻倍时斜率变成负四次方、整体左移。三条里有任何一条对不上问题就一定出在实现而不是算法。还有一条更容易忽略曲线尾部不能翘起来。低误码率区如果出现明显的“地板”通常是某个假设被破坏了——信道在码块内变化、量化误差、或者星座点能量没归一化。BER 到 1e-4 左右就停住不动是典型的实现问题而不是信噪比不够。5. 排查STBC 仿真里最容易翻车的五个地方这一章按“现象 → 原因 → 解决”组织。五个坑我都见过不止一次其中前两个几乎每个新写的实现都会踩一遍。5.1 曲线整体右移 3dB形状却完全正确现象仿真曲线和理论曲线平行斜率一模一样就是横轴差一个常数2 天线差 3dB4 天线差 6dB。原因功率归一化漏掉了或者做了两次。漏掉时一个码块总能量变成Nt·Es相当于偷偷多发了功率曲线本该左移如果同时又在噪声方差里多算了倍数方向就会反过来。二次归一化则相反把信号压小了一倍。解决在仿真入口处显式写下能量账本每个时隙总发射能量等于Es接收端每时隙噪声方差等于N0横轴SNR Es/N0。本文还有配套的精品资源点击获取

STBC空时分组码原理、线性合并译码与BER仿真实践

相关推荐

GitLab全栈实践：部署优化与AI集成指南

算法刷题不是背题，而是构建可迁移的解题操作系统

DeepSeek Harness与Pi不是竞品：厘清编排层与执行层

更多资讯

雷达原始数据在多模态融合中的创新应用与优化

SPA应用中window.location.href跳转不刷新的解决方案

鸿蒙开发中测试覆盖率净化实践与优化

从Linux到AIOps大模型：云原生智能运维体系实战避坑指南

Vitis HLS新手入门：从C++到FPGA硬件加速的实战与避坑

Jev 热词解析：类型安全 SDK 如何接入 Claude Code 与本地模型

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？