简介本资源是一份面向通信工程专业本科生、研究生及MATLAB初学者的BPSK调制解调全流程仿真教学代码聚焦数字基带传输核心原理的理解与实践。资源共5个文件4个.m函数1个说明文档总大小仅5KB结构精炼主程序bpsk.m完整实现二进制序列生成、双极性映射、上采样、升余弦滚降成型滤波、载波调制、AWGN信道加噪、相干解调、匹配滤波、低通滤波及抽样判决全过程配套rcosine_filter.m、lowpass.m和image_frequencyspectrum.m分别封装关键信号处理模块。已有3962人学习下载所有代码均含逐行中文注释支持MATLAB 2018/2023版本无报错运行。用户可直观获取各环节时域波形、双边/单边功率谱、频谱图、星座图、眼图及理论/仿真误码率曲线特别适合课程设计、通信原理实验复现与考研复试准备。 做通信原理课设或者数字通信仿真时BPSK往往是第一个需要跑通的调制解调模型。我见过很多同学的代码最后误码率曲线和理论值对不上画出来一堆乱点却不知道是噪声功率算错、随机比特没有重新生成还是判决门限放反了。其实BPSK本身不复杂麻烦出在对“信噪比口径”和“基带等效模型”的理解上。本文用一套超详细的MATLAB代码把BPSK调制、AWGN信道加噪、相干解调、误码率统计、理论曲线对照全部串起来逐行解释为什么要这么写也分享几个我实际调试中踩过、又花了不少时间才定位的坑。适合正在学数字通信、做MATLAB课程设计、或者想快速验证调制解调原理的读者。1. 开写前必须想明白的BPSK在仿真里到底在仿真什么很多初学者一提到BPSK第一反应是画一个正弦波然后用0和1去控制正弦波的相位。这个思路本身没错但实际上在MATLAB里做误码率仿真时我们根本不需要把载波画出来。先把这一层想明白后面所有代码才不会写歪。1.1 基带等效模型省掉载波为什么反而更接近本质BPSK的带通信号可以写成s(t) A·cos(2πfc·t φ)其中φ在0和π之间切换对应比特1和0。如果完全按照这个公式仿真你需要设置载波频率fc、采样率fs并且保证每个符号周期内有足够多的采样点才能把正弦波形画好看。再往后做接收还要在接收端恢复载波相位、做下变频、做低通滤波。这一套流程不是不能做但它会把“BPSK的误码率到底是多少”这个核心问题淹没在大量与性能无关的细节里。在AWGN信道下带通信号和它的基带等效在误码性能上是严格等价的。BPSK的基带等效信号特别简单比特1对应1比特0对应-1。接收端只需要判断收到的符号落在数轴正半轴还是负半轴。载波、相位、频率这些东西在理想相干解调的假设下被“搬移”掉了最终决定误码率的只有符号能量和噪声功率密度的比值。所以在仿真代码里我们会直接生成±1的符号序列然后加高斯白噪声。这不是偷懒而是数字通信仿真里的标准做法。等你想看带通波形、做载波同步、仿真频偏影响时再把载波那一层加回去也不迟。1.2 Eb/N0与SNR性能口径不能混否则噪声功率就错了误码率性能的标准横坐标是Eb/N0也就是每比特能量与噪声功率谱密度的比值。这个参数和信号/噪声功率比SNR不是一回事但它们之间有确定关系。简单说SNR是信号功率和噪声功率的比值会随采样率、带宽定义变化而Eb/N0把符号速率和带宽归一化了可以在不同系统之间公平比较。MATLAB自带的awgn函数直接用SNR来加噪声如果你不把Eb/N0换算成SNR就很容易加多或者加少。在本文的代码里我不使用awgn函数而是根据Eb/N0手动计算噪声方差然后直接生成高斯随机数叠加到信号上。这么做的好处是每一步都透明你可以清楚地看到噪声功率是从哪里来的出问题也好排查。2. 一份能直接跑的MATLAB代码——从参数定义到输出曲线下面这份代码是完整可运行的我把它拆成几个模块来解释。你可以直接复制到MATLAB的编辑器里保存成BPSK_AWGN_Sim.m运行也可以照着下面的分段说明一行一行自己敲。2.1 主函数框架与全局参数设置%% BPSK_AWGN_Sim.m % BPSK调制解调仿真基带等效模型AWGN信道 % 固定随机种子保证结果可复现 clear; close all; clc; rng(2025); % 参数设置 numBits 1e6; % 仿真比特数 EbN0dB 0:1:10; % Eb/N0范围单位dB % 预分配误码率数组 BER zeros(size(EbN0dB));这里有几个参数值得说一下。numBits表示总仿真比特数1e6是蒙特卡洛仿真里比较常用的量级。bit数量越多统计结果越稳定但运行时间也越长。如果你的电脑性能一般可以先用1e5试跑一遍确认代码没问题后再加到1e6。EbN0dB的范围取0到10dB覆盖了误码率从大约8%到万分之一的区间。这个范围的曲线最有辨识度也是通信原理课程里最常要求画的范围。2.2 发送端调制比特到符号的映射逻辑% 生成随机比特序列 data randi([0 1], numBits, 1); % BPSK映射0 - -1, 1 - 1 s 2 * data - 1;这个映射是BPSK最核心的一步。randi生成的是0和1组成的列向量data的形状是numBits行1列。2*data-1把0变成-1把1变成1正好对应BPSK的两种相位状态。为什么用±1而不是0和1因为0和1是数字逻辑电平不是信号星座点。BPSK的两个星座点在信号空间里是等能量、等距离的映射到数轴上就是-1和1。平均符号能量Es ((-1)^2 (1)^2)/2 1这为后面计算噪声功率提供了方便。2.3 AWGN信道手写噪声注入替代awgn()的理由% 逐个Eb/N0点做蒙特卡洛仿真 for k 1:length(EbN0dB) % 将Eb/N0从dB转换为线性值 EbN0lin 10^(EbN0dB(k) / 10); % 由于Es1噪声单边功率谱密度N0 1 / EbN0lin N0 1 / EbN0lin; % 高斯噪声标准差 noiseSigma sqrt(N0 / 2); % 生成高斯噪声并叠加到信号上 noise noiseSigma * randn(numBits, 1); r s noise;这段代码是整个仿真的关键。你可能好奇为什么不用自带的awgn函数原因是awgn函数的输入参数是SNR而SNR的定义在不同情况下有细微差别尤其对于复基带信号、过采样信号用awgn时经常要额外调整增益。手写噪声注入则完全可控既然发送符号是±1平均符号能量Es就是1给定具体的Eb/N0线性值后噪声功率谱密度N0 Es / EbN0lin对于实信号噪声方差就是N0/2。这里除以2的原因是高斯白噪声经过匹配滤波后噪声在信号维度上的方差是N0/2这是通信理论里最基本的一个结论。2.4 接收端解调阈值判决与比特还原% BPSK判决门限为0 dataHat real(r) 0; % 统计错误比特数 numErr sum(dataHat ~ data); % 计算误码率如果没有错误则置为NaN if numErr 0 BER(k) numErr / numBits; else BER(k) NaN; end % 打印当前点的结果 fprintf(Eb/N0 %2d dB, BER %.3e (%d errors)\n, ... EbN0dB(k), BER(k), numErr); end接收端做的事很简单把收到的符号和0比大小大于0判为1小于0判为0。用real(r)0而不是直接用r0是为了保证代码之后扩展到QPSK时不用改这一行。QPSK的判决需要分别看实部和虚部提前用real函数是一个好习惯。误码率等于错误比特数除以总比特数。如果某一次仿真一个错误都没出现BER会是0但semilogy对数坐标在画图时显示不了0值所以把它设为NaN这样曲线会在该点断开避免画出一段莫名其妙的平线。2.5 误码率统计、理论曲线与绘图% 理论误码率曲线 EbN0lin 10.^(EbN0dB / 10); BERTheory 0.5 * erfc(sqrt(EbN0lin)); % 绘图 figure; semilogy(EbN0dB, BER, o-, LineWidth, 1.5); hold on; semilogy(EbN0dB, BERTheory, r--, LineWidth, 1.5); grid on; xlabel(Eb/N0 (dB)); ylabel(Bit Error Rate); legend(Monte Carlo, Theory, Location, southwest); title(BPSK over AWGN);理论上BPSK在AWGN信道下的误码率公式是0.5*erfc(sqrt(Eb/N0))erfc是MATLAB里的补误差函数。这个公式的推导过程和为什么这样写我放到第3节细讲。运行完这段代码你会看到一条和理论值贴得很近的仿真曲线。如果曲线在低信噪比区域和高信噪比区域都贴合得很好说明整个调制解调链路实现没有问题。3. 代码背后必须懂的三个公式推导加易错点这份代码只有几十行但里面藏着三个关键公式。如果你只是复制代码跑出图不代表你真正理解了BPSK仿真。把这三个公式弄明白以后做QPSK、8PSK甚至QAM的时候才会事半功倍。3.1 噪声功率怎么算从Eb/N0到噪声方差通信原理里最常见的性能指标是Eb/N0但在仿真里我们真正需要的是噪声方差也就是噪声功率。转换关系是N0 Es / (Eb/N0)的线性值对于BPSKM2所以每个符号携带1比特Es Eb。因为发送符号经过映射后为±1平均符号能量是1所以N0 1 / EbN0lin这里要特别注意N0是噪声功率谱密度单位是W/Hz。在实基带信号下噪声经过匹配滤波后信号维度上的噪声方差是N0/2。所以代码里写的是noiseSigma sqrt(N0 / 2)这个“除以2”是最容易踩坑的地方。很多人的曲线比理论值偏了3dB十有八九就是这里出了问题。如果噪声方差用成N0而不是N0/2噪声功率就会偏大曲线整体向右移动。如果用在复基带模型里那么I路和Q路的噪声方差各为N0/2总的复噪声功率是N0又是另一套口径。3.2 理论误码率0.5*erfc(sqrt(Eb/N0))的来源BPSK的理论误码率可以从信号空间的角度理解。发送1时接收信号r 1 n其中n是均值为0、方差为N0/2的高斯噪声。当r小于0时判决出错。因此P(error | 发送1) P(n -1) Q(1 / sqrt(N0/2)) Q(sqrt(2/N0)) Q(sqrt(2*Eb/N0))由于BPSK两个发送符号等概率且噪声分布对称总误码率等于单个符号的条件误码率。Q函数和erfc函数的关系是Q(x) 0.5 * erfc(x / sqrt(2))把x sqrt(2*Eb/N0)代入得到BER Q(sqrt(2*Eb/N0)) 0.5 * erfc(sqrt(Eb/N0))这就是代码里理论曲线那一行的来源。如果你在学习通信原理时被Q函数绕晕过现在用这个角度重新看会比死记公式清楚得多。3.3 蒙特卡洛最少跑多少比特误差上界与观察次数蒙特卡洛仿真本质上是做统计实验。误码率本质上是一个伯努利过程某个比特是否出错服从二项分布。仿真得到的误码率估计值会有一个方差方差 BER * (1 - BER) / numBits也就是说误码率越低要统计到足够多的错误比特数需要的总比特数就越多。一个经验法则是至少统计到100个错误比特误码率的估计才算比较可靠。如果你想验证BER 1e-4这个点至少需要仿真1e6个比特因为期望错误数是100。如果你想验证BER 1e-6那就需要1e8个比特这在普通Matlab环境里运行时间会非常长。所以当你看到仿真曲线在高信噪比尾部乱跳时不要奇怪。那多半是因为高信噪比下误码很少统计波动变大。解决方法是增加比特数。这也是为什么初始设置numBits 1e6可以在0到10dB范围内得到一条漂亮曲线的平衡点。4. 实测运行结果与排查仿真曲线对不上理论值时怎么办代码跑通了曲线也出来了但有时候曲线就是贴不上理论值。这一节我从实际调试角度说说最常见的几个现象和排查思路。4.1 正常偏差有多大用置信区间判断即使代码完全正确仿真曲线和理论曲线也不会完全重合。误码率的统计误差服从二项分布估算标准偏差大约是std(BER) sqrt(BER * (1 - BER) / numBits)举个例子在Eb/N05dB时理论BER大约是6e-3如果numBits1e6标准偏差大约是sqrt(6e-3 * 0.994 / 1e6) ≈ 7.7e-5相对误差在1%左右曲线点基本会压在理论线上。但在Eb/N09dB时理论BER大约是3.4e-5期望错误数只有34个标准偏差相对误差能达到17%所以曲线点会在理论值附近明显抖动。判断曲线是否正常我的经验是只要仿真点在理论曲线的两倍标准偏差范围以内就算通过。不要追求完美重合在高误码率低信噪比区域仿真反而会非常稳定因为统计的样本量足够大。4.2 星座图、眼图和误码散布三种定位手段当曲线对不上时第一件事不是改代码而是把中间变量画出来看。星座图用scatterplot函数看得最直观。BPSK的接收信号星座图应该是以±1为中心的两团散点。如果散点中心不在±1上说明映射或者信道增益有问题。如果散点分布范围明显过宽说明噪声功率设置大了。如果散点分布范围过窄说明噪声功率设置小了。眼图通常需要过采样信号才有意义。如果是基带符号级仿真没有过采样眼图其实没有太大信息量。日常调试时我更推荐画误码散布图用stem函数把错误比特的位置标出来看错误是否在时间轴上均匀分布。如果错误集中在某些特定位置那大概率是随机性出了问题而不是噪声功率问题。4.3 高信噪比下的零误码陷阱在Eb/N010dB附近理论BER大约是3.9e-6如果numBits1e6期望错误数只有4个。有可能一次运行下来一个错误都没有BER0。前面我已经把BER设为NaN曲线会在该点断开。这是符合统计规律的现象不是bug。但很多人会在这里画蛇添足把0误码当作1e-7或者eps画上去让曲线看起来“完整”。我不建议这么做因为它会误导读者好像仿真值真的验证了10dB下误码率是1e-7。更合理的做法是增加numBits到1e7甚至1e8去真实地统计出这个误码点或者干脆让曲线在这个位置断开并说明“该信噪比下抽样数不足”。5. 写这套代码踩过的坑随机数、复噪声、模块化这段是我自己的实战记录。我不止一次帮人调过BPSK仿真也踩过一些看起来莫名其妙、实际原因很常见的坑。5.1 随机数种子不固定导致实验结果不可复现第一次跑通代码没有任何问题但第二次、第三次跑出来曲线不同于是有人拿着结果怀疑自己代码有bug。这不是bug是随机性。MATLAB的rand和randn默认每次运行都会从系统时间获取种子所以每次运行的结果都不一样。如果在代码最开始加上rng(2025)这类固定种子那么每次运行生成的数据和曲线完全一致实验可复现这对写报告和调试都有巨大帮助。做学术实验时固定种子也是基本要求。不然别人拿到你的代码跑出来的图和你报告里的图完全不一样就很难核对。5.2 复数噪声方差用错性能偏了3dB还找不到原因这是我认为BPSK仿真里最深的一个坑。很多教材在讲基带等效模型时会把信号写成复基带形式接收端的噪声也写成复高斯噪声。如果你按照复基带模型来写BPSK就很容易写成noise noiseSigma * (randn(numBits,1) 1j * randn(numBits,1)); r s noise; % s是复数这样写本身不算错在复基带模型里I路和Q路的噪声方差各为N0/2复噪声总方差是N0。但问题在于如果你把实BPSK信号强行当成复信号接收判决时又用real(r)0那么你的有效噪声其实只取了复噪声的实部实部方差是N0/2这会比预期少了一半噪声功率导致仿真曲线比理论值偏左看起来就像性能比理论还好。反之如果你用实噪声模型却想当然地在噪声那里乘一个sqrt(2)噪声功率又会偏大曲线就会比理论值差。这两种情况在实际代码review里都出现过。我的建议是先明确你的模型是实基带还是复基带再决定噪声形式。BPSK本身是实信号用实噪声模型最简单如果要写成复基带那么发送符号、噪声、判决都要完整走复基带的逻辑不能只改噪声写法。5.3 一段代码写到底的教训函数化与模块化习惯刚开始写仿真时我习惯把所有代码堆在一个脚本里变量多的时候过一个月再打开根本分不清哪些是参数、哪些是中间变量。后来我改成函数化写法把发送、信道、接收、统计分开调试效率明显提高。比如可以把一次Eb/N0点的仿真封装成一个函数function [BER, numErr] runBpskSim(numBits, EbN0dB) data randi([0 1], numBits, 1); s 2 * data - 1; EbN0lin 10^(EbN0dB / 10); N0 1 / EbN0lin; noiseSigma sqrt(N0 / 2); r s noiseSigma * randn(numBits, 1); dataHat real(r) 0; numErr sum(dataHat ~ data); BER numErr / numBits; end主脚本只需要调用这个函数循环所有Eb/N0点即可。这样每个模块的输入输出都很清晰后续改成QPSK、加信道编码、加脉冲成型都是局部修改不会到处挖坑。6. 从BPSK到更进阶成型滤波与QPSK扩展BPSK只是通信仿真世界的起点。跑通基础版本之后如果你还有时间和精力我建议做两个扩展给系统加入真实脉冲成型以及把BPSK改造成QPSK。这两个扩展能让你对仿真模型的理解更扎实。6.1 加根升余弦成型眼图、频谱与Eb/N0口径变化基带符号级仿真的缺点是所有符号都等效于理想矩形脉冲带宽无限看不出来频谱形状。真实系统里符号必须通过脉冲成型滤波器限制带宽。MATLAB里可以用rcosdesign设计根升余弦滤波器sps 8; % 每符号采样点数 span 6; % 滤波器截断符号数 beta 0.35; % 滚降系数 h rcosdesign(beta, span, sps); tx upfirdn(s, h, sps); % 对s过采样并滤波接收端需要用一个匹配滤波器也就是同一个h再做下采样rx upfirdn(tx, h, 1); % 下采样时需要去掉滤波器群延迟 delay span * sps / 2; rSymbol rx(delay 1 : sps : end);这里有一个和Eb/N0换算有关的细节成型滤波器会改变信号能量upfirdn之后信号的功率需要重新归一化。如果你直接把滤波后的信号再做噪声注入不统一能量口径曲线又会漂。更省心的方法是在符号级完成噪声注入再通过成型滤波或者滤波后计算实际信号能量再根据Es/N0反推噪声方差。总之凡是改动信号路径都要重新校准噪声功率不能依赖第一版代码里的N0假设。6.2 升级到QPSK只需改映射和噪声功率两处QPSK其实比想象中简单因为BPSK的很多框架可以直接复用。QPSK每个符号携带2比特所以需要生成两个独立的比特流一个映射到I路一个映射到Q路dataI randi([0 1], numBits/2, 1); dataQ randi([0 1], numBits/2, 1); sI 2 * dataI - 1; sQ 2 * dataQ - 1; s (sI 1j * sQ) / sqrt(2);这里除以sqrt(2)是为了让平均符号能量Es保持为1。因为归一化后每个符号的实部或虚部平均能量都是1/2合计为1。这样Es1的假设仍然成立噪声方差的计算方式不需要改。接收端判决改为分别判断实部和虚部dataI_hat real(r) 0; dataQ_hat imag(r) 0;然后分别与发送的bit比较统计错误比特数。QPSK在AWGN下的理论误比特率其实和BPSK一样因为QPSK可以看作两个正交的BPSK每个分支的功率都只分配到一半。对Eb/N0而言两者的误码性能相同。很多人在做QPSK仿真时会惊讶这一点跑出来对比一下反而能把BPSK的很多概念理解得更透。我个人做这套BPSK仿真时最大的体会是代码行数不重要重要的是每个参数都能说出推导过程。你如果能把Es、N0、噪声方差、理论误码率这四个量之间的关系一五一十讲清楚这门通信仿真就算真正入门了。以后不管遇到PSK、QAM还是OFDM核心的思考路径都是一样的先定义好符号能量再算噪声方差最后用统计实验验证理论。本文还有配套的精品资源点击获取