通信工程 / 系统课时
比较QPSK与16QAM的误码表现
比较QPSK与16QAM的误码表现
用同一套 Gray 映射规则、平均符号能量归一化和 AWGN 判决模型,分别仿真 QPSK 与 16QAM 的比特误码率。最终把两条 BER 曲线放在相同的 横轴上,区分星座点距离带来的抗噪差异与每符号承载比特数的差异。
学习目标
- 正确归一化 QPSK 与 16QAM 的星座能量,并按每比特信噪比加噪。
- 实现两种调制的 Gray 映射、硬判决和逐比特计错。
- 从 BER 曲线解释星座间距、传输速率与抗噪性的关系。
统一每比特信噪比的比较口径
先固定两种调制的平均符号能量 ,不加信道编码。QPSK 每符号携带 比特,16QAM 携带 比特,因此 。同一 数值不意味着两种调制使用同一噪声标准差:当 时,复高斯噪声的每个实轴应取 。
| 项目 | QPSK | 16QAM |
|---|---|---|
| 每符号比特数 | 2 | 4 |
| I/Q 归一化电平 | 、 | |
| 最小星座距离 | ||
| 8 dB 时单轴噪声标准差 | 约 0.1991 | 约 0.1408 |
16QAM 的相邻点更密,但在相同 下它对应的单轴噪声也更小。比较时要同时遵守能量归一化和 的换算,不能只看点间距或给所有调制复用同一噪声数组的幅度。
保证 Gray 映射与判决互相匹配
QPSK 使用 I 轴的第一位和 Q 轴的第二位:位为 0 时该轴电平为正,位为 1 时为负。因此第一象限映射 00,第四象限为 01,第二象限为 10,第三象限为 11;共享一条判决边界的相邻点只差一位。
16QAM 在 I、Q 两轴分别使用两位 Gray 码,电平顺序为 00→-3、01→-1、11→+1、10→+3,最后整体除以 。接收端将轴坐标乘回 ,用 -2、0、+2 三条门限分区:符号位由正负决定,内外层位由绝对值是否小于 2 决定。若只做最近点判决却错误地按自然二进制还原位,BER 会被额外放大。
同时运行两种调制
使用 Python 3.10+,通过 python -m pip install numpy matplotlib 安装依赖。将代码保存为 qpsk_16qam_ber.py,执行 python qpsk_16qam_ber.py。每个调制方案、每个信噪比均发送 100 万比特;QPSK 生成 50 万个符号,16QAM 生成 25 万个符号,误码率统一除以比特数。
import math
import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
rng = np.random.default_rng(2026)
n_bits = 1_000_000
snr_db = [0, 2, 4, 6, 8]
sqrt10 = math.sqrt(10.0)
gray_levels = np.array([-3, -1, 3, 1])
def mod_qpsk(bits):
b = bits.reshape(-1, 2).astype(np.int16)
return ((1 - 2*b[:, 0]) + 1j*(1 - 2*b[:, 1])) / math.sqrt(2)
def demod_qpsk(rx):
return np.column_stack((rx.real < 0, rx.imag < 0)).astype(np.uint8).ravel()
def mod_16qam(bits):
b = bits.reshape(-1, 4)
# 数组下标00、01、10、11对应-3、-1、+3、+1。
i = gray_levels[2*b[:, 0] + b[:, 1]]
q = gray_levels[2*b[:, 2] + b[:, 3]]
return (i + 1j*q) / sqrt10
def demod_16qam(rx):
i, q = rx.real*sqrt10, rx.imag*sqrt10
# 用符号位和内外层位恢复每个轴上的两位。
return np.column_stack((i >= 0, np.abs(i) < 2, q >= 0, np.abs(q) < 2)).astype(np.uint8).ravel()
results = {"QPSK": [], "16QAM": []}
for db in snr_db:
gamma = 10**(db/10)
reports = []
for name, k, mod, demod in (
("QPSK", 2, mod_qpsk, demod_qpsk),
("16QAM", 4, mod_16qam, demod_16qam),
):
bits = rng.integers(0, 2, size=n_bits, dtype=np.uint8)
tx = mod(bits)
sigma = math.sqrt(1 / (2*k*gamma))
noise = sigma * (rng.standard_normal(tx.size) + 1j*rng.standard_normal(tx.size))
errors = int(np.count_nonzero(bits != demod(tx + noise)))
ber = errors / n_bits
results[name].append(ber)
reports.append(f"{name} errors={errors:6d}, BER={ber:.6e}")
print(f"{db:2d} dB | " + " | ".join(reports))
plt.semilogy(snr_db, results["QPSK"], "o-", label="QPSK")
plt.semilogy(snr_db, results["16QAM"], "s-", label="16QAM")
plt.xlabel("Eb/N0 (dB)")
plt.ylabel("BER")
plt.ylim(1e-5, 1)
plt.grid(True, which="both")
plt.legend()
plt.tight_layout()
plt.savefig("qpsk_16qam_ber.png", dpi=160)预期输出(NumPy 2.3.x 的一次参考运行,其他版本误码计数可能略有变化):
0 dB | QPSK errors= 78557, BER=7.855700e-02 | 16QAM errors=140893, BER=1.408930e-01
2 dB | QPSK errors= 37142, BER=3.714200e-02 | 16QAM errors= 97764, BER=9.776400e-02
4 dB | QPSK errors= 12340, BER=1.234000e-02 | 16QAM errors= 58508, BER=5.850800e-02
6 dB | QPSK errors= 2398, BER=2.398000e-03 | 16QAM errors= 27895, BER=2.789500e-02
8 dB | QPSK errors= 212, BER=2.120000e-04 | 16QAM errors= 9348, BER=9.348000e-03运行后应生成 qpsk_16qam_ber.png。两条曲线使用相同的 BER 对数纵轴,16QAM 的点在该信噪比区间内高于 QPSK;这不是因为 16QAM 的噪声生成器更“吵”,而是其 Gray 星座的归一化判决间距较小。
用星座距离解释 BER 差异
在 8 dB 时,QPSK 测得约 ,16QAM 测得约 。相干 Gray-QPSK 的理论 BER 与 BPSK 相同,约为 ;Gray-16QAM 的常用近邻近似为 ,在 8 dB 约为 。两种仿真值均与对应理论趋势一致。

在相同符号率下,16QAM 每符号携带 4 位,QPSK 携带 2 位,前者的未编码比特率是后者的两倍;代价是实现相同 BER 需要更高的 。这个结论限定在理想定时、相干检测、Gray 映射及无编码 AWGN 模型下,不能直接推广到有信道编码或衰落的真实链路。
排除错误的比较方法
如果两条曲线反常地重合,首先确认 16QAM 的实轴、虚轴电平是否包含 ,而不是误写成四个 QPSK 点。如果 16QAM 曲线偏移很大,检查是否遗漏了除以 的归一化,以及噪声标准差是否依赖每符号位数 。
统计时必须比较发送位与解调位的异或结果,不能把“符号错误数 / 符号数”当作 BER。排查还可先把噪声设为 0:对于本例的 100 万随机比特,两种调制都应恢复出完全相同的比特序列,误码数为 0;再恢复噪声核对 0 dB 和 8 dB 的数值。