通信工程 / 系统课时

从QPSK星座图计算每符号比特数

从QPSK星座图计算每符号比特数

QPSK将同相分量I与正交分量Q的正负组合成四个可区分的符号。本课从星座点坐标计算每符号比特数和符号率,再通过实际判决距离与Gray映射,解释为什么相邻星座点误判通常只造成1比特错误。

学习目标

  • 构造平均符号能量归一化的QPSK星座图,识别四个符号及判决区域。
  • 根据星座点数计算每符号比特数,并换算未经编码的比特率。
  • 通过最近邻距离与Gray映射,分析相邻误判和对角误判的比特代价。

用I/Q分量构造四个星座点

QPSK使用两个正交载波分量表示一个复数符号。相干接收机在符号采样时刻得到I和Q的估计值,并在二维平面上进行判决。

先让两个分量分别取−1-1和+1+1,得到四种组合。为了使每个符号的能量均为1,再将两个分量同时除以2\sqrt{2}:

s=I+jQ2,I,Q∈{−1,+1}s=\frac{I+jQ}{\sqrt{2}},\qquad I,Q\in\{-1,+1\}

其中jj为虚数单位。采用下面的比特映射:

输入比特 I原始电平 Q原始电平 星座位置
00 -1 -1 第三象限
01 -1 +1 第二象限
11 +1 +1 第一象限
10 +1 -1 第四象限

实际星座坐标需要将表中的I、Q电平各除以2\sqrt{2}。例如11对应(1/2,1/2)(1/\sqrt{2},1/\sqrt{2}),而00对应(−1/2,−1/2)(-1/\sqrt{2},-1/\sqrt{2})。

QPSK四点星座、Gray映射及判决边界

判决区域由I和Q的符号决定:I小于0时选择左侧点,I大于0时选择右侧点;Q小于0时选择下方点,Q大于0时选择上方点。恰落在边界的情况可以按预先规定的规则处理。

从星座点数计算每符号比特数

一个调制符号就是发送机在一个符号周期内选择的一个星座点。若有MM种不同符号,并且每种符号用固定长度的二进制标签表示,那么每符号比特数为:

k=log⁡2Mk=\log_2 M

QPSK有4个星座点,因此:

k=log⁡24=2 bit/symbolk=\log_2 4=2\ \text{bit/symbol}

这意味着每发送一个QPSK符号,可以承载00、01、10、11中的一个两位组合。

符号率RsR_s与未经信道编码的比特率RbR_b满足:

Rb=kRsR_b=kR_s

例如符号率为1000 Baud,即每秒发送1000个符号,则QPSK对应的原始比特率为2×1000=20002\times1000=2000 bit/s。

调制方式 星座点数 每符号比特数 1000 Baud时原始比特率
BPSK 2 1 1000 bit/s
QPSK 4 2 2000 bit/s
16QAM 16 4 4000 bit/s

表中没有扣除信道编码、导频、同步与帧开销,不能直接当作应用层净吞吐率。符号率也不等于实际占用带宽,带宽还受脉冲成形等因素影响。

用最近邻距离解释Gray映射

在前面的归一化坐标下,任意两个水平方向或垂直方向相邻的QPSK点,其欧氏距离都是:

dmin⁡=22=2≈1.414d_{\min}=\frac{2}{\sqrt{2}}=\sqrt{2}\approx1.414

这就是星座图中的最近邻距离。在加性高斯白噪声信道中,噪声使接收点偏离理想位置。若接收点越过I=0或Q=0的判决边界,就可能被判为其他符号。

按照当前的Gray映射,沿星座正方形边缘依次排列的标签是00、01、11、10。每对相邻标签恰好只有一个比特不同。

例如发送00时:

  • 只跨越Q=0边界,可能判成01,错误1比特。
  • 只跨越I=0边界,可能判成10,错误1比特。
  • 两个分量都跨过对应边界,可能判成对角点11,错误2比特。

在信噪比较高时,最近邻错误通常比跨越更远距离的错误更常见。Gray映射因此能够减少常见符号误判造成的比特错误数。

用Python验证点数、能量和判决

以下示例只使用Python 3标准库,建立四个归一化星座点,枚举最近邻距离,并对一个带有偏移的接收点执行最小欧氏距离判决。

python
import math
from itertools import combinations

mapping = {'00': (-1, -1), '01': (-1, 1),
           '11': (1, 1), '10': (1, -1)}
points = {bits: complex(i, q) / math.sqrt(2)
          for bits, (i, q) in mapping.items()}

# 计算平均符号能量与不同点之间的最近距离
es = sum(abs(s) ** 2 for s in points.values()) / len(points)
dmin = min(abs(a - b) for a, b in combinations(points.values(), 2))

# 用最小欧氏距离进行硬判决
rx = complex(0.60, -0.65)
decision = min(points, key=lambda bits: abs(rx - points[bits]))
near = sum(a != b for a, b in zip('00', '01'))
far = sum(a != b for a, b in zip('00', '11'))

print(f'M={len(points)}, bits/symbol={int(math.log2(len(points)))}')
print(f'Es={es:.3f}, d_min={dmin:.3f}')
print(f'00->01 errors={near}')
print(f'00->11 errors={far}')
print(f'rx=({rx.real:.2f},{rx.imag:.2f}), decision={decision}')

预期输出:

text
M=4, bits/symbol=2
Es=1.000, d_min=1.414
00->01 errors=1
00->11 errors=2
rx=(0.60,-0.65), decision=10

接收点(0.60,−0.65)(0.60,-0.65)位于第四象限,因此判为10。将代码中的接收点改为(−0.60,−0.65)(-0.60,-0.65),再次运行,应判为00。

这个实验同时验证了三个结果:四个点对应每符号2比特;归一化平均符号能量为1;Gray映射使最近邻符号标签只差1比特。分析更高阶调制时,可以沿用同样的点数、距离和判决方法。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

从QPSK星座图计算每符号比特数

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通