第【61期】--OTFS和OFDM在各种衰落信道下的误码率对比 --matlab完整代码

最新推荐文章于 2026-08-18 22:58:40 发布

原创最新推荐文章于 2026-08-18 22:58:40 发布 · 240 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

无线通信-可运行代码

话题

#AtomGit「码动四季·开源同行」夏季征稿活动

关注我，追更更多通信仿真！

文章目录

摘要

正交时频空（OTFS）作为一种新型二维调制技术，旨在解决高移动性通信中传统正交频分复用（OFDM）因多普勒频移导致子载波正交性破坏的问题。本文基于蒙特卡洛仿真，在七种典型衰落信道（AWGN、Rayleigh、Rician、Nakagami‑m、Weibull、Suzuki、Hoyt）下，对比了OTFS与OFDM系统的误码率（BER）性能，并考察二者对多普勒频率的鲁棒性。

1. 引言

随着高速铁路、车联网、无人机通信和低轨卫星互联网的快速发展，无线通信系统面临的信道条件日趋恶劣，尤其表现为显著的多普勒频移和时变多径衰落。传统OFDM系统通过将宽带信道划分为多个窄带子信道，在静态或慢衰落环境中表现出色，但当信道随时间快速变化时，子载波间的正交性被破坏，产生严重的载波间干扰（ICI），导致系统性能急剧下降。
为应对这一挑战，OTFS调制将信息符号映射到时延‑多普勒（DD）域，利用该域中时变信道的稀疏性和准静态特性，实现稳健的传输。大量理论研究表明，OTFS在高多普勒环境下优于OFDM，但实际系统性能受均衡算法、信道估计精度等因素影响。
本文通过搭建完整的端到端仿真链路，在不同衰落信道模型下对OTFS和OFDM进行对比，重点分析BER随信噪比和多普勒频率的变化规律，为工程实践提供直观的性能参考。

2. 系统模型与理论基础

2.1 OFDM系统模型

在这里插入图片描述

2.2 OTFS系统模型

在这里插入图片描述

2.3 衰落信道模型

无线传播环境可建模为线性时变滤波器，其基带冲激响应为：
在这里插入图片描述

2.3.1 AWGN

无多径，无衰落：
在这里插入图片描述

2.3.2 Rayleigh （瑞利衰落信道）

在这里插入图片描述

2.3.3 Rician （莱斯衰落信道）

在这里插入图片描述

2.3.4 Nakagami‑m （Nakagami‑m 衰落信道）

在这里插入图片描述

2.3.5 Weibull（威布尔衰落信道）

在这里插入图片描述

2.3.6. Suzuki（铃木衰落信道）

在这里插入图片描述

2.3.7 Hoyt（霍伊特衰落信道，又称 Nakagami‑q）

在这里插入图片描述

2.4 多普勒效应建模

在这里插入图片描述

3 仿真分析

3.1 仿真参数配置

参数类别	参数名称	取值/说明
系统参数	子载波数 $M$	64
	每帧符号数 $N$	16
	循环前缀长度	16
	调制方式	BPSK（2‑QAM）
	采样频率 $f_s$	$15\,\text{kHz} \times 64 = 960\,\text{kHz}$
	每帧比特数	$\times N \times \log_2(2) = 1024$ 比特
	多普勒频率范围	$\sim 1500$ Hz，步进 100 Hz
信道模型	多径延迟（采样点）	$[0,\; 2,\; 5]$
	多径功率增益（线性）	$[1,\; 0.4,\; 0.2]$
	信道类型	AWGN, Rayleigh, Rician ( $K = 5$ dB), Nakagami‑m ( $m = 1.5$ ), Weibull ( $\beta=2$ ), Suzuki ( $\sigma_{\log}=0.5$ ), Hoyt ( $q = 0.5$ )
均衡器	均衡准则	MMSE（统一用于 OFDM 和 OTFS）

3.2 仿真图分析

静态多径环境下的仿真结果： 在这里插入图片描述

可以看到

AWGN：两条曲线几乎重合，随着 SNR 增加，BER 平滑下降。
其他衰落信道，中高SNR otfs优势明显

2 .多普勒鲁棒性仿真（时变信道，存在多普勒）

在这里插入图片描述

这里otfs均衡使用的是线性均衡方法 MMSE‑SIC，且是在 TF 域进行迭代干扰消除。这个算法本质上是线性 MMSE 加硬判决反馈，并未真正利用 DD 域信道的稀疏结构（。在时变信道下，这种简化的 SIC 无法有效抑制由多普勒引起的载波间干扰（ICI），因此 OTFS 退化为与 OFDM 类似的表现，这说明OTFS 的抗多普勒优势并非天然存在，而是依赖于合适的均衡/检测算法；在线性 MMSE 下两者性能相当，只有在采用消息传递（MP）等非线性检测时，OTFS 的稀疏性才能被利用并获得增益。

综上：在静态信道中，otfs能取得优于ofdm的ber性能；但在高动态场景中，必须采用更复杂的非线性检测才能兑现其理论潜力。
后续会继续推出针对otfs的均衡算法。

部分代码：

clc; clear; close all;

%% ========================================================================
% 系统参数
%% ========================================================================
M = 64;                  % 子载波数
N = 16;                  % 符号数
cpSize = 16;             % 循环前缀
constOrder = 2;          % BPSK
numFrames = 100;         % BER vs SNR 帧数
snrRange = -10:5:20;     % SNR 扫描 (dB)
dopplerRange = 0:500:5000; % 多普勒频率 (Hz)
fs = 15e3 * M;           % 采样率
numBits = M * N * log2(constOrder);

channelNames = {'AWGN','Rayleigh','Rician','Nakagami-m','Weibull','Suzuki','Hoyt'};
numCh = length(channelNames);

fprintf('仿真启动... (建议 numFrames=20 以快速测试 BER vs SNR)\n');

%% ========================================================================
% BER vs SNR (OFDM 用 MMSE，OTFS 用 MMSE-SIC)
%% ========================================================================
ber_ofdm = zeros(length(snrRange), numCh);
ber_otfs = zeros(length(snrRange), numCh);
pathDelays = [0 2 5];
pathGains = [1 0.4 0.2];
numTaps = max(pathDelays) + 1;

for s = 1:length(snrRange)
    snr = snrRange(s);
    for f = 1:numFrames
        bits = randi([0 1], numBits, 1);
        syms = qammod(bits, constOrder, 'InputType','bit','UnitAveragePower',true);
        X_DD = reshape(syms, M, N);
        txOT = transmitOTFS(X_DD, M, N, cpSize);
        txOF = transmitOFDM(X_DD, M, N, cpSize);
        
        for k = 1:numCh
            h = generateExtendedChannel(pathDelays, pathGains, numTaps, channelNames{k});
            H_freq = fft(h, M);
            
            % OFDM (MMSE)
            rxOF = awgn(filter(h, 1, txOF), snr, 'measured');
            ber_ofdm(s,k) = ber_ofdm(s,k) + biterr(bits, decodeOFDM_MMSE(rxOF, H_freq, M, N, cpSize, constOrder, snr));
            
            % OTFS (MMSE-SIC) 
            rxOT = awgn(filter(h, 1, txOT), snr, 'measured');
            ber_otfs(s,k) = ber_otfs(s,k) + biterr(bits, decodeOTFS_MMSE_SIC(rxOT, H_freq, M, N, cpSize, constOrder, snr, 3));
        end
    end
end
ber_ofdm = ber_ofdm / (numBits * numFrames);
ber_otfs = ber_otfs / (numBits * numFrames);

%% ========================================================================
% 多普勒鲁棒性 (固定 SNR=15 dB，Rayleigh 信道)
%% ========================================================================
numFrames_doppler = 500;   % 多普勒测试帧数
[b_ot_d, b_of_d] = deal(zeros(length(dopplerRange), 1));
fprintf('多普勒仿真中 (帧数=%d, 使用 Jakes 模型)...\n', numFrames_doppler);

pg_norm = pathGains / sum(pathGains);
pg_dB = 10*log10(pg_norm);
delay_sec = pathDelays / fs;

for d = 1:length(dopplerRange)
    fd = dopplerRange(d);
    err_ot = 0; err_of = 0;
    
    for f = 1:numFrames_doppler
        bits = randi([0 1], numBits, 1);
        syms = qammod(bits, constOrder, 'InputType','bit','UnitAveragePower',true);
        X_DD = reshape(syms, M, N);
        txOT = transmitOTFS(X_DD, M, N, cpSize);
        txOF = transmitOFDM(X_DD, M, N, cpSize);
        
        % 时变信道对象
        chan = comm.RayleighChannel('SampleRate', fs, ...
            'PathDelays', delay_sec, ...
            'AveragePathGains', pg_dB, ...
            'MaximumDopplerShift', fd, ...
            'PathGainsOutputPort', true, ...
            'RandomStream', 'mt19937ar with seed', ...
            'Seed', randi(1e5));
        
        % 初始信道估计
        reset(chan);
        [~, pg0] = chan(complex(zeros(1,1)));
        h0 = zeros(numTaps,1);
        h0(pathDelays+1) = pg0(:);
        H_freq = fft(h0, M);
        
        % 通过信道
        reset(chan);
        rxOT = chan(txOT);
        reset(chan);
        rxOF = chan(txOF);
        
        rxOT = awgn(rxOT, 15, 'measured');
        rxOF = awgn(rxOF, 15, 'measured');
        
        % 解调
        err_ot = err_ot + biterr(bits, decodeOTFS_MMSE_SIC(rxOT, H_freq, M, N, cpSize, constOrder, 15, 3));
        err_of = err_of + biterr(bits, decodeOFDM_MMSE(rxOF, H_freq, M, N, cpSize, constOrder, 15));
    end
    b_ot_d(d) = err_ot / (numBits * numFrames_doppler);
    b_of_d(d) = err_of / (numBits * numFrames_doppler);
end

4 总结

本文通过蒙特卡洛仿真，在七种典型衰落信道下对比了OTFS与OFDM系统的误码率性能。结果表明：在静态或慢衰落信道中，OTFS凭借其二维调制特性，在中高信噪比下性能优于OFDM；但在高多普勒时变信道下，若仅使用线性均衡算法（如MMSE-SIC），OTFS的抗多普勒优势无法体现，其性能与OFDM相当，必须采用更复杂的非线性检测算法（如消息传递）才能充分发挥OTFS在时延-多普勒域的稀疏性优势。

仿真代码可见文末VX公众号（包含往期博客所有代码），所见即所得

标签

#matlab #otfs