【数字信号调制】AWGN、Rayleigh和Rician信道上的自适应数字调制（BPSK、QPSK、16-QAM）附Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、数字调制概述
数字调制是将数字信号转换为适合在信道中传输的模拟信号的过程。通过改变载波的幅度、相位或频率等参数，将数字信息加载到载波上。常见的数字调制方式如二进制相移键控（BPSK）、四相相移键控（QPSK）和 16 - 正交幅度调制（16 - QAM），它们在不同的场景下各有优劣，适用于不同的信道条件和性能要求。
二、信道模型
- 加性高斯白噪声（AWGN）信道
- 原理
：AWGN 信道是一种理想的噪声信道模型，其特点是噪声在所有频率上具有均匀的功率谱密度，并且服从高斯分布。在这种信道中，接收信号 r(t) 等于发送信号 s(t) 加上高斯白噪声 n(t)，即 r(t)=s(t)+n(t)。
- 对调制的影响
：AWGN 信道主要影响信号的信噪比（SNR）。随着噪声功率的增加，信号的误码率会上升。不同的数字调制方式在 AWGN 信道下对噪声的容忍能力不同。例如，BPSK 由于其简单的调制方式，在低 SNR 下具有较好的性能；而 16 - QAM 虽然能在单位带宽内传输更多信息，但对噪声更为敏感，需要较高的 SNR 才能保证较低的误码率。
- 原理
- Rayleigh 信道
- 原理
：Rayleigh 信道用于描述多径衰落环境，其中信号通过多条不同路径传播后在接收端叠加。当这些多径信号的幅度和相位随机变化，且没有明显的主导路径时，接收信号的幅度服从 Rayleigh 分布。
- 对调制的影响
：Rayleigh 信道中的衰落会导致信号幅度的随机变化，使得接收信号的强度不稳定。这对数字调制系统的性能影响较大，因为信号幅度的衰落可能导致信号点在星座图上的位置发生较大偏移，从而增加误码率。例如，在 Rayleigh 信道下，BPSK 和 QPSK 等简单调制方式可能需要采用分集技术来对抗衰落，提高通信的可靠性；而 16 - QAM 等高阶调制方式由于其星座点分布更为密集，对衰落更加敏感，误码率会显著增加。
- 原理
- Rician 信道
- 原理
：Rician 信道也是用于描述多径衰落环境，但与 Rayleigh 信道不同的是，Rician 信道中存在一条主导路径（视距路径）。接收信号的幅度服从 Rician 分布，它是由主导路径信号和多个随机多径信号叠加而成。
- 对调制的影响
：由于存在主导路径，Rician 信道的衰落程度相对 Rayleigh 信道较轻。在 Rician 信道下，数字调制系统的性能相对较好，但仍然需要考虑多径效应带来的影响。例如，不同调制方式在 Rician 信道下对主导路径和多径信号的依赖程度不同，需要根据信道参数进行调整以优化性能。
- 原理
三、自适应数字调制
- 原理
：自适应数字调制是根据信道条件自动选择最合适的数字调制方式的技术。通过实时监测信道的 SNR、衰落特性等参数，系统可以动态地调整调制方式，以在不同的信道条件下实现最佳的通信性能，例如最大化数据传输速率或最小化误码率。
- 在不同信道上的应用
- AWGN 信道
：在 AWGN 信道中，当 SNR 较高时，系统可以选择高阶调制方式如 16 - QAM，以充分利用信道带宽，提高数据传输速率；当 SNR 较低时，切换到 BPSK 或 QPSK 等低阶调制方式，以保证通信的可靠性，降低误码率。
- Rayleigh 信道
：在 Rayleigh 信道下，由于衰落的影响，系统需要更复杂的自适应策略。例如，在衰落较严重时，优先选择对衰落鲁棒性较好的调制方式，并结合分集技术来对抗衰落。随着信道条件的改善，可以逐渐切换到更高阶的调制方式以提高数据速率。
- Rician 信道
：在 Rician 信道中，根据主导路径的强度和多径信号的影响程度，系统可以自适应地调整调制方式。如果主导路径较强，系统可以采用相对高阶的调制方式；如果多径效应较为显著，则需要采取措施来减轻衰落影响，如选择更稳健的调制方式或采用信道编码技术。
- AWGN 信道
⛳️ 运行结果
📣 部分代码
SNRdB_range = 0:2:20;
channelType = 'Rician';
ricianK = 5;
numFrames = 50;
schemes = {'BPSK','QPSK','16QAM'};
bitsPerSymbol = [1,2,4];
% Preallocate result matrices
BER_results = zeros(length(schemes), length(SNRdB_range));
SE_results = zeros(length(schemes), length(SNRdB_range));
BER_adaptive = zeros(1,length(SNRdB_range));
SE_adaptive = zeros(1,length(SNRdB_range));
modulationChoice = zeros(1,length(SNRdB_range));
targetBER = 1e-3;
% Modulation Simulation
for s = 1:length(schemes)
🔗 参考文献
[1]王青红.共信道多信号的检测与调制分析技术研究[D].解放军信息工程大学[2026-04-13].DOI:CNKI:CDMD:2.1013.161164.
🍅更多创新智能优化算法模型和应用场景可扫描关注
1.机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
2.组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
4.路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
5.小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
6.原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心
更多免费代码链接（也可直接点击阅读原文）：