✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知,求助可私信。
🔥 内容介绍
摘要: 本文研究了在加性高斯白噪声 (AWGN) 信道下,五种常用数字信号调制技术——二进制相移键控 (BPSK)、四进制相移键控 (QPSK)、八进制相移键控 (8PSK)、二进制频移键控 (BFSK) 和 16-QAM (16-Quadrature Amplitude Modulation) 的性能。通过分析其星座图、误比特率 (BER) 表达式及性能曲线,比较了这五种调制技术的抗噪声能力、频谱效率和实现复杂度,并探讨了其在实际应用中的选择依据。
关键词: 数字信号调制;AWGN信道;BPSK;QPSK;8PSK;BFSK;16QAM;误比特率;频谱效率
1. 引言
在数字通信系统中,调制是将数字信息转换成适合在信道中传输的模拟信号的关键步骤。AWGN 信道是一种理想化的信道模型,它假设信道中唯一的噪声是加性高斯白噪声。理解不同调制技术在 AWGN 信道下的性能,对于设计高效可靠的数字通信系统至关重要。本文将对 BPSK、QPSK、8PSK、BFSK 和 16QAM 五种常用的数字调制技术进行分析比较,并讨论其在 AWGN 信道下的性能差异。
2. 不同调制技术的原理及星座图
(1) BPSK (二进制相移键控): BPSK 使用载波的相位变化来表示二进制信息。'0' 和 '1' 分别对应载波相位的 0° 和 180° 变化。其星座图包含两个点,分别位于复平面的正负实轴上。
(2) QPSK (四进制相移键控): QPSK 使用载波相位的四种不同值 (0°, 90°, 180°, 270°) 来表示两个比特的信息。每个符号传输两个比特,提高了频谱效率。其星座图包含四个点,均匀分布在复平面坐标轴上。
(3) 8PSK (八进制相移键控): 8PSK 使用载波相位的八种不同值来表示三个比特的信息,进一步提高了频谱效率。其星座图包含八个点,均匀分布在复平面上一个圆周上。
(4) BFSK (二进制频移键控): BFSK 使用两个不同频率的载波来表示二进制信息。'0' 和 '1' 分别对应两个不同的频率。其星座图可以表示为两个点,分别位于实轴的两个不同位置上,但通常不以复平面星座图的形式展现。
(5) 16QAM (16-QAM): 16QAM 使用 16 个不同的载波幅度和相位组合来表示四个比特的信息。其星座图包含 16 个点,均匀分布在复平面上,形成一个正方形网格。
3. AWGN 信道下的误比特率分析
4. 频谱效率和实现复杂度
不同调制技术的频谱效率不同。频谱效率定义为每秒每赫兹传输的比特数。一般而言,调制阶数越高,频谱效率越高。例如,16QAM 的频谱效率是 BPSK 的四倍。
然而,更高的频谱效率通常意味着更高的实现复杂度。例如,16QAM 的解调器比 BPSK 的解调器更为复杂,需要更精密的硬件和更复杂的算法。
5. 性能比较与应用选择
下表总结了五种调制技术的性能比较:
表格
调制方式 | 星座点数 | 比特率 | 频谱效率 | 抗噪声能力 | 实现复杂度 |
---|---|---|---|---|---|
BPSK | 2 | 1 | 低 | 高 | 低 |
QPSK | 4 | 2 | 中等 | 中等 | 中等 |
8PSK | 8 | 3 | 高 | 低 | 高 |
BFSK | 2 | 1 | 低 | 低 | 低 |
16QAM | 16 | 4 | 高 | 低 | 高 |
通过比较,我们可以看到,BPSK 抗噪声能力最强,但频谱效率最低。16QAM 频谱效率最高,但抗噪声能力最弱。QPSK 则在抗噪声能力和频谱效率之间取得了较好的平衡。BFSK 的抗噪声能力较弱,通常只在特定应用中使用。
在实际应用中,调制技术的选取需要综合考虑抗噪声能力、频谱效率、实现复杂度和成本等多个因素。例如,在对可靠性要求很高的应用中,可以选择 BPSK 或 QPSK。而在对频谱效率要求很高的应用中,可以选择更高阶的调制方式,如 16QAM,但需要采取相应的抗噪声措施,例如信道编码。
6. 结论
本文分析了 BPSK、QPSK、8PSK、BFSK 和 16QAM 五种常用数字调制技术在 AWGN 信道下的性能。 通过分析其星座图、误比特率表达式和性能曲线,比较了这五种调制技术的抗噪声能力、频谱效率和实现复杂度。 实际应用中,需要根据具体情况选择合适的调制技术,在可靠性和效率之间寻求最佳平衡。 未来的研究可以关注更高级的调制技术以及在非理想信道条件下的性能分析。
📣 部分代码
⛳️ 运行结果
🔗 参考文献
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制
🌿 往期回顾可以关注主页,点击搜索
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇