Python中16 QAM mapping消息重构异常问题咨询

一、导致消息重构不符的核心原因 #

• 映射/解映射逻辑不匹配：发射端比特到16QAM星座点的映射规则，与接收端星座点到比特的解映射规则不一致，是最常见的触发因素
• 比特分组/解包顺序错误：比如发射端按高位到低位分组，接收端解映射后按低位到高位拼接，导致比特顺序完全颠倒
• 星座点判决逻辑错误：接收端未正确计算接收符号与星座点的欧氏距离，或使用了错误的阈值区间，导致大量符号误判
• 比特流长度对齐问题：原始消息转比特流后长度不是4的倍数，未做补零处理，导致最后一组比特缺失，解映射后出现乱码
• 信道噪声未合理控制：AWGN噪声功率过大，超过系统抗噪能力，导致大量符号被噪声干扰而误判

二、代码常见的遗漏错误与可优化点 #

• 未采用格雷码映射：普通二进制映射会导致单个符号误判时产生多比特错误，格雷码可将误码控制在1比特，大幅降低整体误码率
• 反向映射表缺失或错误：发射端定义了正向映射，但接收端未对应构建反向映射，或手动编写的反向映射与正向映射不匹配
• 未处理比特流长度对齐：未对长度非4倍数的比特流补零，也未记录补零位数，解包时无法还原原始消息长度
• 噪声添加方式错误：AWGN噪声的实部和虚部未单独生成，或未根据信噪比（SNR）计算合理的噪声功率，导致噪声强度不合理
• 解映射阈值错误：比如将实部阈值设为±2（正确应为±1、±3），导致星座点判决逻辑完全失效
• 缺少星座点能量归一化：16QAM星座点能量不一致（部分点模长更大），导致接收端判决时权重失衡，误码率升高

三、代码修改方案与实现示例 #

1. 修正映射与解映射逻辑 #

采用格雷码定义16QAM映射表，确保收发两端对应关系完全一致：

# 16QAM格雷码映射表（4比特b3b2b1b0 -> 星座点）
qam16_map = {
    '0000': 3+3j, '0001': 3+1j, '0011': 3-1j, '0010': 3-3j,
    '0100': 1+3j, '0101': 1+1j, '0111': 1-1j, '0110': 1-3j,
    '1100': -1+3j, '1101': -1+1j, '1111': -1-1j, '1110': -1-3j,
    '1000': -3+3j, '1001': -3+1j, '1011': -3-1j, '1010': -3-3j
}
# 反向映射表（星座点 -> 4比特串）
qam16_inv_map = {v: k for k, v in qam16_map.items()}

2. 修正比特分组与解包逻辑 #

处理比特流长度对齐，记录补零位数用于后续还原：

def str_to_bitstream(s):
    # 字符串转8比特/字符的比特流
    bitstream = ''.join([format(ord(c), '08b') for c in s])
    # 补零至4的倍数，记录补零数
    pad_bits = (4 - len(bitstream) % 4) % 4
    bitstream += '0' * pad_bits
    return bitstream, pad_bits

def bitstream_to_str(bitstream, pad_bits):
    # 去掉补的零
    if pad_bits > 0:
        bitstream = bitstream[:-pad_bits]
    # 每8比特转一个字符
    chars = [chr(int(bitstream[i:i+8], 2)) for i in range(0, len(bitstream), 8)]
    return ''.join(chars)

3. 修正发射端映射逻辑 #

import numpy as np

def transmitter(bitstream):
    symbols = []
    # 每4比特分组映射为星座点
    for i in range(0, len(bitstream), 4):
        bit_group = bitstream[i:i+4]
        symbols.append(qam16_map[bit_group])
    return np.array(symbols)

4. 优化信道模块（AWGN） #

def awgn_channel(symbols, snr_db):
    # 计算信号平均能量
    signal_power = np.mean(np.abs(symbols)**2)
    # 计算噪声功率（SNR单位为dB）
    noise_power = signal_power / (10 ** (snr_db / 10))
    # 生成复高斯噪声（实部虚部分开）
    noise = np.random.normal(0, np.sqrt(noise_power/2), len(symbols)) + \
            1j * np.random.normal(0, np.sqrt(noise_power/2), len(symbols))
    return symbols + noise

5. 修正接收端解映射逻辑 #

使用欧氏距离判决，确保符号匹配准确：

def receiver(received_symbols):
    bitstream = ''
    for sym in received_symbols:
        # 计算到所有星座点的欧氏距离，取最小的对应比特串
        min_dist = float('inf')
        best_bit_group = ''
        for const_point, bits in qam16_inv_map.items():
            dist = np.abs(sym - const_point)
            if dist < min_dist:
                min_dist = dist
                best_bit_group = bits
        bitstream += best_bit_group
    return bitstream

6. 完整测试流程 #

# 原始消息
original_msg = "Hello 16QAM Transmission System!"
print(f"原始消息: {original_msg}")

# 字符串转比特流
bitstream, pad_bits = str_to_bitstream(original_msg)

# 发射端映射
transmitted_symbols = transmitter(bitstream)

# 信道传输（SNR设为20dB，保证低误码）
received_symbols = awgn_channel(transmitted_symbols, snr_db=20)

# 接收端解映射
recovered_bitstream = receiver(received_symbols)

# 比特流转字符串
recovered_msg = bitstream_to_str(recovered_bitstream, pad_bits)
print(f"重构消息: {recovered_msg}")

# 计算相似度
similarity = sum(1 for a, b in zip(original_msg, recovered_msg) if a == b) / len(original_msg)
print(f"相似度: {similarity:.2f}")

测试输出示例 #

原始消息: Hello 16QAM Transmission System!
重构消息: Hello 16QAM Transmission System!
相似度: 1.00

内容的提问来源于stack exchange，提问作者Faizy