(参考)基于matlab的OFDM信号调制解调与多径传输

1、基于matlab 的OFDM 信号调制和多径传输仿真一、 OFDM信号的调制OFDM系统实现的基本步骤为：首先是对待发送的序列进行串并转换，然后进行映射，再对其进行IFFT，即为OFDM信号的调制，加入循环前缀，然后发送。接收端接收到信号首先去掉循环前缀，然后进行FFT，即为OFDM信号的解调，然后在进行并串转换，最后进行判决得到接收序列。1、2、3、产生发送序列：可以通过matlab的 round(rand（1，）)命令来产生一个随机的发送序列。串并转换：通过matlab的 reshape命令进行串并转换，需要注意的是转换后的结果是以列为单位的，不是以行为单位的。16QAM调制：一般可以用Q

2、PSKM-QAM等调制方式，本次试验使用16QAM调制方式。在实验中利用所编的qam.m（自己编的）子函数来进行16QAM调制。4、调制：OFDM信号的调制是利用IFFT来实现的，注意使用matlab的 IFFT命令时，是对矩阵的列向量进行变换，而不是对行向量进行变换，这样经过变换后每一行的元素的频率就是一样的，而正好每一行频率都是正交的，而每一行是属于同一个子载波。5、6、加入循环前缀：将IFFT变换后的后面gl个元素复制到前面，作为循环前缀，这样能抵抗由于多径时延引起的码间干扰的影响，如果循环前缀的长度大于最大时延扩展，则在理论上说能完全消除码间干扰的影响。并串转换后送入信道进行传输，信号

3、在信道中会产生多径、频偏、相偏等现象。7、8、9、接收端进行串并转换（同（2）；去循环前缀；FFT：去循环前缀之后的信号进行FFT，使用 matlab的 FFT命令；10、 信道估计：在此实验中是利用多径时延信道进行信息传送的，因此信号在信道中传输的过程中会出现多径时延，多普勒频移等现象，所以接收到的信号会产生严重的失真，但是如果我们知道信道对信号的影响，在接收端对信号进行恢复，从而减弱甚至抵消信道对信号的影响。本实验中使用基于LS算法的信道估计。11、 16QAM解调：在实验中利用deqam.m（自己编的）子函数进行16QAM解调。二、 仿真结果1、产生的发送序列：随机产生的01序列，总数为

4、25600个，此处只画出它的前 50个值；产生的序列10.90.80.70.6度幅0.50.40.30.20.100510152025序号3035404550图 12、经过符号的星座映射后产生的星座图：该实验中使用16QAM进行数字调制；产生的复信号的星座图21.510.50-0.5-1-1.5-2-2-1.5-1-0.500.511.52图 23、发送信号：加 入 噪 声 的 发 送 信 号0.40.30.20.10-0.1-0.2-0.3-0.4-0.4-0.3-0.2-0.100.10.20.30.4图 34、接收信号：信号在信道中传输，不仅会受到噪声的影响，还会产生多径时延、多普勒频移

5、等现象，所以信号会出现严重的失真；接 收 信 号0.50.40.30.20.10-0.1-0.2-0.3-0.4-0.5-0.4-0.3-0.2-0.100.10.20.30.40.5图 45、信道估计后信号的星座图：信道估计后的信号矢量图（最大时延为个数据单位）21.510.50-0.5-1-1.5-2-2-1.5-1-0.500.511.52图 5信道估计后的信号矢量图（最大时延为个数据单位）21.510.50-0.5-1-1.5-2-2-1.5-1-0.500.511.52图 66、接收序列：所得的接收序列应该也是一个长度为25600的 01序列，此处只画出它的前50个值；接收序列1度幅

6、005序号图 7多径时延信道对信号的一个重要影响就是会使信号产生多径时延，如图89、10分别列出了最大时延为16、33和 41个数据单位时信道估计后的信号的矢量图；信道估计后的信号矢量图（最大时延为个数据单位）21.510.50-0.5-1-1.5-2-2-1.5-1-0.500.511.52图 8信道估计后的信号矢量图（最大时延为个数据单位）32100123图 9信道估计后的信号矢量图（最大时延为个数据单位）32100123图 10从图 8、9、10可以看出，随着最大时延的增大，信道估计后的信号的矢量图的离散性越来越大。所以说最大时延和误码率有关。最大时延和误码率的关系率码误0最大时延 单个

7、数据单位图 11以上所涉及的都是4-path Rayleigh Fading 下图是多径的条数和系统误码率的关系；0-1-2-3-4REB图 12从图 12可以看出，在相同的信噪比下，随着信道多径条数的增大，系统的误码率也随之增大。当信道多径的条数一定时，系统的误码率随着信噪比的增大而减小。下面分析系统误码率和信噪比的关系（以多径条数为4为例）图 13、14和 15分别给出了当系统的信噪比为20,15,10dB时，信道估计后的信号的矢量图；信道估计后的信号矢量图（SNR=20dB）2.521.510.50-0.5-1-1.5-2-2.5-2.5-2-1.5-1-0.500.511.522.5图

8、 13信道估计后的信号矢量图（）210012图 14信道估计后的信号矢量图（）3210-1-2-3-3-2-10123图 15从图 13、14、15可以看出，随着系统信噪比的减小，信道估计后的信号与发送信号的区别越来越大。下图为基于4-path Rayleigh Fading channel的系统的信噪比和误码率的关系；OFDM Simulation0-1R-2EB-3-41011121314151617181920SNRdB图 16附：本次实验用到的程序clc;clear all;rand(state,4);SNR=15;%信噪比取值，单位为 dbfl=128;%fft的长度Ns=50;%设

9、置一个帧结构中 OFDM信号的个数para=128;%设置并行传输的子载波个数sr=250000;%设置符号速率br=sr*2;%设置每个子载波的比特率gl=32;%设置保护时隙的长度an=1,0.7,0.3,0.5;%每条多径的幅度增益% tn=0,1,2,3;%每条路径的相对时延，单位为uswn=rand(1,4).*10;%每条路径的多普勒频移% an=rand(1,4)*2;tn=fix(rand(1,4)*0);% wn=round(rand(1,4)*10);sita=rand(1,4).*2*pi;%设置相偏%*信源发生器*signal=round(rand(1,para*Ns*

10、4);figure(1);stem(signal(1:50);title(产生的序列);%*16QAM*x1=qam(signal);x=reshape(x1,para,Ns);figure(2);plot(x,o);title(产生的复信号的星座图);%*加入训练序列*training_symbols=qam(round(rand(1,para*4);training_symbols=training_symbols;training_symbols_2=cat(2,training_symbols,training_symbols);training_symbols_4=cat(2,tra

11、ining_symbols_2,training_symbols_2);training_symbols_8=cat(2,training_symbols_4,training_symbols_4);x=cat(2,training_symbols_8,x);%*IFFT*y=ifft(x);ich2=real(y);qch2=imag(y);%*插入循环前缀*ich3=ich2(fl-gl+1:fl,:);ich2;qch3=qch2(fl-gl+1:fl,:);qch2;ich4=reshape(ich3,1,(fl+gl)*(Ns+8);qch4=reshape(qch3,1,(fl+g

12、l)*(Ns+8);Trdata=ich4+qch4.*sqrt(-1);%形成复数发射数据%*加入噪声*Trdata_power=var(Trdata)+mean(Trdata)*mean(Trdata);linear_SNR=10(SNR/10);noise_sigma=Trdata_power/linear_SNR;noise_factor=sqrt(noise_sigma);noise=randn(1,length(Trdata)*noise_factor;redata=Trdata+noise;% redata=Trdata;figure(3)plot(redata,o);title

13、(加入噪声的发送信号);%*建立信道*%*得到信道的响应函数，然后令输入信号和信道响应做卷积得到输出信号q=0:max(tn);h=zeros(4,max(tn)+1);for p=1:4h(p,:)=an(p).*exp(sqrt(-1).*(wn(p).*q).*exp(sqrt(-1)*sita(p).*(dirac(q-tn(p)1);endh=sum(h);s2=conv(redata,h);s3=s2(1:length(redata);figure(4)plot(s3,o);title(接收信号)%*接收端，去掉循环前缀,fft*idata=real(s3);qdata=imag(

14、s3);idata1=reshape(idata,fl+gl,Ns+8);qdata1=reshape(qdata,fl+gl,Ns+8);idata2=idata1(gl+1:gl+fl,:);qdata2=qdata1(gl+1:gl+fl,:);Rx_data=idata2+qdata2*sqrt(-1);Rx_carriers=fft(Rx_data);Rx_training_symbols=Rx_carriers(:,(1:8);Rx_carriers=Rx_carriers(:,(9:(Ns+8);%*信道估计*training_symbols=cat(2,training_sym

15、bols,training_symbols);training_symbols=cat(2,training_symbols,training_symbols);training_symbols=cat(2,training_symbols,training_symbols);Rx_training_symbols=Rx_training_symbols./training_symbols;Rx_training_symbols_deno=Rx_training_symbols.2;Rx_training_symbols_deno=Rx_training_symbols_deno(:,1)+R

16、x_training_symbols_deno(:,2)+Rx_training_symbols_deno(:,3)+Rx_training_symbols_deno(:,4)+Rx_training_symbols_deno(:,5)+Rx_training_symbols_deno(:,6)+Rx_training_symbols_deno(:,7)+Rx_training_symbols_deno(:,8);Rx_training_symbols_nume=Rx_training_symbols(:,1)+Rx_training_symbols(:,2)+Rx_training_symb

17、ols(:,3)+Rx_training_symbols(:,4)+Rx_training_symbols(:,5)+Rx_training_symbols(:,6)+Rx_training_symbols(:,7)+Rx_training_symbols(:,8);% Rx_training_symbols_nume=conj(Rx_training_symbols_nume);Rx_training_symbols=Rx_training_symbols_nume./Rx_training_symbols_deno;Rx_training_symbols2=cat(2,Rx_trainin

18、g_symbols,Rx_training_symbols);Rx_training_symbols4=cat(2,Rx_training_symbols2,Rx_training_symbols2);Rx_training_symbols8=cat(2,Rx_training_symbols4,Rx_training_symbols4);Rx_training_symbols16=cat(2,Rx_training_symbols8,Rx_training_symbols8);Rx_training_symbols32=cat(2,Rx_training_symbols16,Rx_training_symbols16);Rx_training_symbols48=cat(2,Rx_training_symbols32,Rx_training_symbols16);Rx_training_symbols50=cat(2,Rx_training_symbols48,Rx_training_symbols2);Rx_carriers=Rx_tr