3. QPSK性能分析：理论误码率曲线、仿真误码率对比、Eb/N0与SNR转换、不同信噪比下的星座图变化

各位同学，咱们今天来啃一块硬骨头——QPSK的性能分析。说实话，这块内容在通信系统里属于“必须吃透”的那种。我当年刚入行时，总觉得理论曲线和仿真结果对不上是代码写错了，后来才发现，其实是自己对Eb/N0和SNR的转换关系没搞明白。嗯，今天咱们就把这些坑一个个填平。

3.1 理论误码率曲线：数学推导与直观理解

QPSK的理论误码率，说白了就是信号在噪声下“走错路”的概率。对于加性高斯白噪声信道，QPSK的误比特率（BER）公式为：

BER = Q(√(2 * Eb/N0))

其中Q(x)是Q函数，表示标准正态分布的尾部概率。我个人习惯把这个公式记成“信号能量与噪声密度的比值开根号，再查表”。

为什么会这样？因为QPSK本质上就是两个正交的BPSK。每个支路的判决门限是0，噪声超过信号幅度时就会出错。我在项目中遇到过，很多新手直接拿这个公式去算，结果发现仿真曲线对不上——其实是因为没考虑格雷编码的影响。

3.2 仿真误码率对比：理论vs实践

理论曲线是理想情况，仿真曲线才是真实世界的反映。咱们来看看怎么用Python做这个对比。

import numpy as np
import matplotlib.pyplot as plt
from scipy.special import erfc

# 理论误码率
def qpsk_ber_theory(ebn0_db):
    ebn0 = 10 ** (ebn0_db / 10)
    ber = 0.5 * erfc(np.sqrt(ebn0))
    return ber

# 仿真误码率（蒙特卡洛方法）
def qpsk_ber_simulation(ebn0_db, num_bits=100000):
    ebn0 = 10 ** (ebn0_db / 10)
    noise_var = 1 / (2 * ebn0)  # 注意：这里假设信号功率归一化
    
    # 生成随机比特
    bits = np.random.randint(0, 2, num_bits)
    # QPSK调制（格雷映射）
    symbols = (2 * bits[0::2] - 1) + 1j * (2 * bits[1::2] - 1)
    symbols /= np.sqrt(2)  # 功率归一化
    
    # 加噪声
    noise = np.sqrt(noise_var / 2) * (np.random.randn(len(symbols)) + 
                                      1j * np.random.randn(len(symbols)))
    received = symbols + noise
    
    # 判决
    bits_est = np.zeros(num_bits, dtype=int)
    bits_est[0::2] = (np.real(received) > 0).astype(int)
    bits_est[1::2] = (np.imag(received) > 0).astype(int)
    
    # 计算误码率
    errors = np.sum(bits != bits_est)
    ber = errors / num_bits
    return ber

# 对比
ebn0_db_range = np.arange(0, 12, 1)
ber_theory = [qpsk_ber_theory(ebn0) for ebn0 in ebn0_db_range]
ber_sim = [qpsk_ber_simulation(ebn0) for ebn0 in ebn0_db_range]

plt.semilogy(ebn0_db_range, ber_theory, 'b-', label='理论曲线')
plt.semilogy(ebn0_db_range, ber_sim, 'ro', label='仿真结果')
plt.grid(True)
plt.xlabel('Eb/N0 (dB)')
plt.ylabel('误比特率 (BER)')
plt.legend()
plt.show()

3.3 Eb/N0与SNR转换：别搞混了

这是最容易出错的地方。Eb/N0和SNR是两个不同的概念，但很多人混着用。咱们来理清楚。

参数	含义	单位
Eb/N0	每比特能量与噪声功率谱密度之比	dB
SNR	信号功率与噪声功率之比	dB

转换公式很简单：

SNR(dB) = Eb/N0(dB) + 10 * log10(Rb / B)

其中Rb是比特率，B是带宽。对于QPSK，如果使用升余弦滚降滤波器（滚降系数α），带宽B = (1+α) * Rs，Rs是符号率。而Rb = 2 * Rs（因为QPSK每符号传2比特）。

举个例子：假设滚降系数α=0.5，那么：

B = 1.5 * Rs
Rb = 2 * Rs
Rb/B = 2 / 1.5 ≈ 1.333
10 * log10(1.333) ≈ 1.25 dB

所以SNR比Eb/N0高约1.25 dB。我在项目中遇到过，有人直接把SNR当Eb/N0用，结果仿真曲线差了1个多dB，查了半天才发现是单位搞错了。

3.4 不同信噪比下的星座图变化

星座图是观察调制质量最直观的工具。咱们来看看不同Eb/N0下，QPSK星座图长什么样。

import numpy as np
import matplotlib.pyplot as plt

def plot_qpsk_constellation(ebn0_db, num_symbols=1000):
    ebn0 = 10 ** (ebn0_db / 10)
    noise_var = 1 / (2 * ebn0)
    
    # 生成QPSK符号
    bits = np.random.randint(0, 2, num_symbols * 2)
    symbols = (2 * bits[0::2] - 1) + 1j * (2 * bits[1::2] - 1)
    symbols /= np.sqrt(2)
    
    # 加噪声
    noise = np.sqrt(noise_var / 2) * (np.random.randn(num_symbols) + 
                                      1j * np.random.randn(num_symbols))
    received = symbols + noise
    
    # 画图
    plt.figure(figsize=(6, 6))
    plt.scatter(np.real(received), np.imag(received), alpha=0.6, s=20)
    plt.scatter(np.real(symbols), np.imag(symbols), color='red', marker='x', s=50)
    plt.grid(True)
    plt.axis('equal')
    plt.xlim(-2, 2)
    plt.ylim(-2, 2)
    plt.title(f'QPSK星座图 (Eb/N0 = {ebn0_db} dB)')
    plt.xlabel('同相分量 (I)')
    plt.ylabel('正交分量 (Q)')
    plt.show()

# 看看不同信噪比的效果
plot_qpsk_constellation(0)   # 噪声很大，星座点糊成一团
plot_qpsk_constellation(5)   # 勉强能分辨
plot_qpsk_constellation(10)  # 清晰可见
plot_qpsk_constellation(15)  # 几乎无噪声

你想想看，当Eb/N0=0 dB时，星座点完全散开，根本分不清四个象限。到了5 dB，虽然还有重叠，但大致能看出四个簇。10 dB以上，星座点就非常清晰了。我建议你在实际项目中，至少保证接收端的Eb/N0在8 dB以上，才能有比较可靠的解调性能。

好了，关于QPSK的性能分析就聊到这儿。记住，理论是基础，仿真验证是手段，工程实践才是目的。下次咱们聊聊更高阶的调制方式——QAM，看看它和QPSK有什么不同。

---

公众号:蓝海资料掘金营，微信deep3321