简介信道均衡是通信系统中对抗多径衰落与符号间干扰的关键技术直接影响接收端信号恢复质量。该压缩包聚焦ZF迫零均衡和MMSE最小均方误差均衡两种经典算法面向无线通信、信号处理方向的学习者以及需要完成通信原理课程设计或实验的读者提供慢衰落与快衰落等不同信道环境下的仿真实现与误码率对比分析。包内共3个文件包含2个MATLAB脚本.m和1个自动保存文件.asv脚本覆盖信道建模、均衡器系数求解、信号均衡处理以及误码率统计等核心环节可直接运行并绘制误码率曲线压缩包整体仅5KB结构紧凑、易于修改。目前已有331人学习浏览。借助这些代码读者可以直观观察不同信道条件下两种均衡器的性能差异深入理解MMSE在低信噪比下抑制噪声放大、获得更优误码率表现的原因同时也能基于该代码框架快速开展参数调整与实验扩展是学习信道均衡原理与MATLAB仿真的实用参考。1. 同样是信道均衡为什么 ZF 和 MMSE 要放在同一份作业里通信系统第八次作业如果只做一个均衡器通常不会让初学者真正害怕真正让人卡住的是eighth-homework.zip里同时摆着 ZF 和 MMSE 两条实现还需要在两种信道环境下画误码率曲线。第一次跑通test_of_equalizer.m时你可能会发现高信噪比区域两条曲线几乎重叠于是以为 ZF 已经够用。但只要把信道抽头从 2 根加到 4 根或者把信噪比降到 5 dB 以下ZF 就会开始放大噪声而 MMSE 依然稳得住。这个差别不是调参技巧造成的而是两种均衡器目标函数的本质不同ZF 追求把信道矩阵完全逆掉MMSE 追求让估计符号的均方误差最小。本文以这个作业包里的equalizer.m为入口先推一遍均衡系数公式再给出能复现误码率曲线的主程序最后聊几个替换信道模型和调制阶数时容易掉进去的坑。2. 从接收信号模型到 ZF/MMSE 均衡器系数计算2.1 多径信道如何产生符号间干扰假设发送符号序列为x(n)经过一条 L 径信道h [h(1), h(2), ..., h(L)]接收信号可以写成卷积形式r(n) sum_{k1}^{L} h(k) * x(n-k1) v(n)这里的v(n)是加性高斯白噪声。卷积运算意味着第 n 个接收样本里混入了当前符号和前 L-1 个符号的影子这就是符号间干扰 ISI。在 MATLAB 中filter(h, 1, tx)返回的长度与tx相同但它隐含了“多径尾巴在序列末端被截断”的假设而conv会额外产生 L-1 个样本需要在后续处理中裁剪。更工程化的做法是使用convmtx(h, Nsym)生成卷积矩阵H把线性卷积变成矩阵乘法r H * x v。这样均衡问题就从“讨论卷积”变成“求解线性方程组”方便用矩阵求逆直接表达 ZF 和 MMSE 的系数。需要说明的是卷积矩阵 H 的尺寸取决于Nsym和信道抽头数。convmtx(h, Nsym)默认返回(NsymL-1) x Nsym矩阵。作业代码如果想保持方阵便于演示可以直接截取前Nsym行但更严谨的做法是保留完整行数否则矩阵乘法末尾会出现循环卷积的伪影导致星座图上出现一条“拖尾”。这个尺寸细节在后面排错部分还会遇到先在这里记住size(H)的实际含义能省下很多调试时间。2.2 ZF 和 MMSE 的目标函数差异均衡器把接收向量r乘以线性矩阵W得到估计值x_hat W * r。ZF 均衡器的设计目标是让W * H等于单位阵从而完全消除 ISI。于是W取信道矩阵H的 Moore-Penrose 伪逆W_zf pinv(H) (H^H H)^(-1) H^H这个公式的前提是H列满秩。当信道存在深衰落、抽头接近 0 时H^H H的最小特征值非常小求逆后对应方向的增益会变得极大把噪声放成误码。MMSE 均衡器不追求完全消除 ISI而是最小化E[||x - W r||^2]其闭式解为W_mmse (H^H H sigma^2 I)^(-1) H^H其中sigma^2是复噪声总方差。MMSE 在H^H H的对角线加上正则项后当一个特征值远小于sigma^2对应自由度不会被放大而是被“压住”了因此低信噪比下总是优于 ZF。代价是允许少量残余 ISI 存在。这个折中是信道均衡里最值得理解的边界条件。下表整理了两种均衡器的核心对比对比项ZF 均衡MMSE 均衡设计目标完全消除 ISI最小化均方误差系数公式pinv(H)(H^H H sigma^2 I)^(-1) H^H是否依赖噪声功率不依赖依赖sigma^2低信噪比表现噪声放大明显噪声与 ISI 折中高信噪比表现接近最优接近 ZF常见问题深衰落信道下矩阵奇异sigma^2估计不准会退化2.3 equalizer.m 的常见实现equalizer.m在作业包里通常是一个输入 H、接收向量 y 和模式字符串、输出估计符号的函数。我习惯把它写成支持 ZF 和 MMSE 两种模式便于在test_of_equalizer.m里循环对比。一个可运行的实现如下function x_hat equalizer(H, y, noise_var, mode) % equalizer 根据指定模式对接收向量 y 做线性均衡 % H: 信道矩阵y: 接收向量noise_var: 噪声总方差mode: zf 或 mmse [~, Nt] size(H); switch lower(mode) case zf % ZF 均衡取伪逆不携带噪声信息 W pinv(H); case mmse % MMSE 均衡在法方程中加入噪声方差正则项 W (H * H noise_var * eye(Nt)) \ H; otherwise error(mode must be zf or mmse); end x_hat W * y; end这段代码里有两个细节值得解释。第一ZF 模式用pinv(H)而不是inv(H*H)*H因为pinv对奇异矩阵会返回最小范数解避免仿真中出现 Inf 或 NaN如果你希望严格要求“零强迫”可以换成inv(H*Heps*eye(Nt))*H但那是数值意义上的退化写法。第二MMSE 模式使用\运算符而不是显式求逆MATLAB 对\会走高斯消元或 Cholesky 分解数值稳定性比inv更好对于 10000 阶左右的方阵也能保持可接受的速度。noise_var的换算要格外小心若信号功率归一化为 1复数基带的噪声总方差是10^(-snr/10)若信道多径抽头没有归一化接收信号功率不是 1噪声方差还要乘上信道增益平方和否则 MMSE 的正则项会差一个量级。3. test_of_equalizer.m 中的信道环境与蒙特卡洛误码率仿真3.1 慢衰落信道与快衰落信道在仿真中的建模test_of_equalizer.m的核心任务不是实现均衡器而是搭建一个合适的信道场景再统计误码率。作业里通常会出现两种信道环境慢衰落和快衰落。慢衰落信道在一个数据块内保持抽头不变这个过程叫块衰落快衰落信道中每个符号的多径抽头都可能变化类似终端移动产生的多普勒效应。仿真中没必要真的让每个符号都变因为重新生成 H 和重新求逆会让计算量膨胀好几倍。我一般会在快衰落模式里按帧更新信道每帧包含 100 个符号帧与帧之间重新生成抽头。这样既保留了信道时变特性又让均衡器在每个帧内有稳定的 H 可用。在搭建信道时多径抽头一般用复数高斯随机变量生成然后做功率归一化。例如三径信道的平均功率可以设为[1, 0.7, 0.3]抽头相位随机生成后整体除以功率和的平方根保证发送信号和接收信号的平均功率一致。这个归一化会直接影响后面噪声功率的计算。如果信道增益和信号功率不对齐MMSE 均衡器里的noise_var就变成纯调参幅度误码率曲线也会整体偏移。3.2 仿真参数与调制方式选择误码率曲线的横轴是信噪比 dB纵轴通常用对数坐标。调制方式越复杂星座点间距越小同样信噪比下误码率越高。为了先验证均衡器实现是否正确我建议先用 QPSK跑通后再换 16QAM。下表给出一组在作业框架下可复现的参数参数推荐值说明调制方式QPSKqammod中 M4Gray 映射符号数10000太短会导致误码率曲线抖动信噪比范围0:2:20 dB能看出 ZF 在低信噪比的噪声放大信道抽头数3产生明显 ISI同时矩阵规模可控信道抽头幅度[1, 0.7, 0.3]指数衰减接近实际无线信道均衡模式zf,mmse同一 H 下直接对比注意如果 MATLAB 没有通信工具箱可以用手动 QPSK 映射替代qammod。核心是保证发送符号的平均功率为 1接收端判决时使用相同的星座点坐标。在确定这些参数后H 矩阵的规模是Nsym x Nsym也就是 10000 乘 10000 的复数稠密矩阵。MATLAB 对 10000 阶矩阵求逆大约需要毫秒到秒级但如果在快衰落模式下每一帧都重新求逆帧数太多就会明显变慢。一个折中方案是只仿真 2000 个符号或者把 10000 个符号拆成 10 帧每帧重新生成 H这样既能统计误码率又不会让程序跑太久。3.3 蒙特卡洛主循环代码下面给出test_of_equalizer.m主循环的关键片段它直接调用第 2 章的equalizer.m。这个版本采用块衰落模型H 在整轮仿真中固定便于先验证两种均衡器的理论差距。% test_of_equalizer.m 主循环节选 clear; clc; M 4; % QPSK Nsym 10000; % 每轮发送符号数 snr_list 0:2:20; % 信噪比扫描范围 % 三径信道抽头指数衰减相位随机 h [1, 0.7*exp(-1j*0.8), 0.3*exp(1j*1.1)]; h h / sqrt(sum(abs(h).^2)); % 归一化信道功率 H convmtx(h, Nsym); % 卷积矩阵尺寸 (Nsym2) x Nsym H H(1:Nsym, :); % 这里直接截成方阵便于演示 tx qammod(randi([0 M-1], Nsym, 1), M, gray); tx_demod qamdemod(tx, M, gray); % 用于 biterr 正确对比 ber_zf zeros(size(snr_list)); ber_mmse zeros(size(snr_list)); for idx 1:length(snr_list) snr snr_list(idx); noise_var 10^(-snr/10); % 复数噪声总方差 noise sqrt(noise_var/2) * (randn(Nsym,1) 1j*randn(Nsym,1)); rx H * tx noise; % 经过多径信道叠加噪声 x_zf equalizer(H, rx, noise_var, zf); x_mmse equalizer(H, rx, noise_var, mmse); dem_zf qamdemod(x_zf, M, gray); dem_mmse qamdemod(x_mmse, M, gray); [~, ber_zf(idx)] biterr(tx_demod, dem_zf); [~, ber_mmse(idx)] biterr(tx_demod, dem_mmse); end semilogy(snr_list, ber_zf, o-, snr_list, ber_mmse, s-); legend(ZF均衡, MMSE均衡); xlabel(SNR (dB)); ylabel(BER);这段代码有几点需要说明。noise_var是复数噪声总方差生成噪声时实部和虚部各占一半功率所以乘以sqrt(noise_var/2)。H被截成Nsym x Nsym后H * tx的结果在末尾存在循环卷积误差但在这个演示规模下对整体误码率影响有限。biterr比较的是tx_demod和dem_zf的符号索引而不是复数星座坐标若直接传tx和x_zf函数会把复数视为数字结果没有意义。最后用semilogy绘图时如果某个高信噪比点误码率为 0需要把 0 替换为eps或NaN否则对数纵轴不会显示该点。3.4 作业包里 .asv 文件的用途eighth-homework.zip里那个test_of_equalizer.asv是 MATLAB 编辑器自动保存的备份文件说明作者在调试主程序时运行过多轮代码。.asv文件同样可以被 MATLAB 打开但它不参与最终逻辑。如果你在自己电脑上改代码建议直接删除旧.asv避免提交压缩包时混入两份版本不同的文件。对于复现作业只需要保留test_of_equalizer.m和equalizer.m即可。4. 误码率曲线之外数值稳定性、噪声功率和均衡器边界4.1 为什么 ZF 在深衰落场景下会出现误码率平台当信道矩阵 H 的条件数较大时H*H的最小特征值很小。ZF 均衡器会在这个特征向量方向上赋予极大增益使接收向量里的噪声被放大到影响判决。如果信道中存在一个接近 0 的多径抽头H 近似秩亏ZF 的误码率曲线会在某个信噪比以上不再下降形成一个平台。MMSE 因为加入了noise_var正则项遇到同样信道时不会把微小特征值放大到极限因此误码率曲线通常不会出现明显的平台。你可以用cond(H)预测平台的起始位置当cond(H) 1/sqrt(noise_var)时ZF 已经开始把噪声放在信号前面。这个现象在作业里容易被掩盖因为仿真信道的抽头多是手工指定的条件数不会太极端。如果换成随机瑞利信道若干次 Monte Carlo 循环里总会出现几次信道实现让 ZF 曲线跳出一个“尖刺”。我一般会跑多个信道实现取平均比单次随机信道更接近理论值。你也可以在equalizer.m中打印每次的cond(H)观察 MMSE 和 ZF 性能差的最大点是不是出现在条件数大的信道实现中。4.2 噪声功率估计错误会让 MMSE 退化成 ZFequalizer.m中noise_var是一个在调用时传入的标量。如果这个值被设成 0那么(H*H 0*I) \ H在数值上就是pinv(H)MMSE 会完全退化成 ZF。如果设得过大均衡器会过度平滑宁可保留少量 ISI 也不愿放大信号导致即使高信噪比下误码率也降不下去。常见错误是在使用awgn函数时把 SNR 和噪声功率搞混。awgn(x, snr, measured)会根据信号实测功率自动计算噪声功率但它并不返回噪声方差你需要从输入 SNR 和信号功率自己算。下面这段代码演示了正确和错误的噪声功率写法snr_db 10; signal_power mean(abs(tx).^2); % 理想情况下等于 1 noise_var_true signal_power * 10^(-snr_db/10); noise_var_wrong 10^(-snr_db/10); % 如果 signal_power 明显偏离 1会出错 % 正确复数噪声实部虚部各一半方差 noise_correct sqrt(noise_var_true/2) * (randn(Nsym,1) 1j*randn(Nsym,1)); % 错误每个维度都用了总方差实际噪声功率是 2 倍 noise_too_large sqrt(noise_var_true) * (randn(Nsym,1) 1j*randn(Nsym,1));这里的关键是对复数基带信号噪声总功率均匀分布在实部与虚部上。若直接用sqrt(noise_var_true)作为实部和虚部各自的标准差实际施加的噪声总功率就是2*noise_var_true比预期高 3 dB。这个误差不会让均衡器崩溃但会让误码率曲线整体右移约 3 dB导致你分析不出 ZF 和 MMSE 的真实差距。建议在循环开始前用snr_observed 10*log10(mean(abs(rx - H*tx).^2))检查噪声功率是否和设定一致三个字母的改动就能避免后续曲线全部偏移。4.3 经常出现的三个排错点第一个排错点是矩阵维度不匹配。filter(h,1,tx)返回长度等于tx但convmtx生成矩阵后 H 的尺寸是(NsymL-1) x Nsym。如果你把 H 截成Nsym行接收向量必须是Nsym x 1如果保留完整行数接收向量长度就是NsymL-1均衡后需要从中取出前Nsym个符号。任何一边不匹配MATLAB 都会报矩阵乘法维度错误。第二个排错点是误码率统计对象。symerr比较符号索引biterr比较二进制比特。QPSK 采用 Gray 映射时相邻符号只差 1 bit所以 BER 大约是 SER 的一半16QAM 下这个比例不再固定。作业要求画 BER 曲线时必须保证两个输入都是符号索引向量并且使用biterr。如果把tx复数星座点直接传给biterr它会把复数当作数值序列处理得到的结果既不是 BER 也不是 SER只能算“乱码率”。第三个排错点是均衡器输出没有归一化。MMSE 均衡后的星座点并不是原发送符号的绝对位置而是最小均方误差估计值幅度会有所收缩。如果直接送入qamdemod在高噪声下可能因为整体星座偏移而误判。一个常用的补救是在判决前计算接收星座的平均幅度把它归一化到发送星座的均方根幅度。你可以在x_zf和x_mmse上分别调用x_hat x_hat / rms(x_hat) * rms(tx)再送入解调器这样至少能排除“信道增益未归一化”带来的系统性误码。5. 从作业 equalizer.m 出发把 MMSE 均衡器改成自适应 LMS5.1 为什么作业解法不适用于时变信道equalizer.m的闭式解需要提前知道 H 和noise_var这在课程作业里成立因为信道是仿真生成的。但真实接收机不知道 H只能通过导频或训练序列估计。时变信道还会让 H 随符号变化等到你做完一次矩阵求逆信道可能已经变了。所以工程上更常见的是自适应均衡器不显式求逆而是靠误差反馈不断更新滤波器抽头。LMS 是其中最简单的算法它与 MMSE 的关系在于当逐步迭代收敛后LMS 的稳态权值会逼近维纳解也就是闭式 MMSE 解。这个性质让作业代码具备一个很自然的扩展把equalizer.m的结果当作 LMS 的初始权值然后用训练序列在线微调。5.2 LMS 均衡器的最小 MATLAB 实现下面给出一个简化版 LMS 均衡函数它把作业里的矩阵求逆换成梯度下降更新function w lms_equalizer(x, d, mu, L) % lms_equalizer 用训练序列 d 更新 L 抽头权值 % x: 接收序列d: 训练序列mu: 步长L: 抽头数 N length(x); w zeros(L, 1); for n L:N x_block x(n:-1:n-L1); % 当前时刻往前取 L 个样本 e d(n) - w * x_block; % 估计误差 w w mu * x_block * conj(e); % LMS 更新 end end这里d(n)是训练序列在时刻 n 的发送符号必须与接收序列 x 对齐。每当收到一个新的样本系统就用当前权值预测符号计算误差然后沿负梯度方向修正权值。mu是步长决定收敛速度和稳态失调。步长太大权值会在最优解附近振荡步长太小收敛需要更多训练符号。对于归一化功率的信号mu通常取 0.01 到 0.1 之间。你可以先把mu0.05带入上述代码与第 3 章的闭式 MMSE 结果对比会发现当训练序列长度达到 200 时LMS 的误码率已经非常接近 MMSE 曲线。5.3 一个可以立即实施的改进在test_of_equalizer.m中把 10000 个发送符号拆成 200 个训练符号和 9800 个数据符号。接收端先用lms_equalizer训练出权值 w然后对数据段连续用filter(w, 1, rx_data)做均衡最后统计数据段误码率。这个改动相当于把作业从“已知信道的离线均衡”升级成“未知信道的在线均衡”也更能解释为什么第五代移动通信系统在子载波上还要插入导频符号导频就是训练序列的一部分。如果想让 LMS 更稳定可以进一步修改更新式为归一化 LMS即把mu除以x_block的平方范数这样权值更新幅度不会随信号幅度剧烈变化。你可以在equalizer.m旁边新建一个nlms_equalizer.m把第四行改成w w (mu / (x_block * x_block eps)) * x_block * conj(e);这已经是实际接收机里非常接近工程原型的实现方式。本文还有配套的精品资源点击获取