03 星座图生成基础：QPSK/16QAM符号映射与加噪可视化

⭐符号映射的工程起点：从比特流到星座点

星座图生成基础的验收口径

在数字通信系统的基带处理链路中，星座图生成（Constellation Diagram Generation）是连接编码比特与物理波形之间的关键桥梁。本节的核心目标是让读者亲手实现 QPSK 与 16QAM 的符号映射（Symbol Mapping），并观察加性高斯白噪声（AWGN）对星座点分布的影响。工程实践中，一个常见的误区是直接将二进制比特映射到复数平面，却忽略了格雷编码（Gray Coding）对误码率（BER）性能的改善作用。我们首先需要明确：QPSK 符号映射（QPSK Symbol Mapping）将每 2 个比特映射为一个复数符号，而 16QAM 符号映射（16QAM Symbol Mapping）则处理每 4 个比特。两者的核心差异在于星座点的密度和判决区域的复杂度

在开始编码前，请确认你的开发环境中已安装 numpy 和 matplotlib。我们将使用 numpy 进行向量化运算，避免循环带来的性能瓶颈。以下是一个典型的 QPSK 映射实现，它直接体现了格雷编码的相邻星座点仅相差 1 比特的原则

import numpy as np
def qpsk_mapping(bits):
    """
    QPSK符号映射，采用格雷编码。
    输入bits: 长度为2N的二进制数组 (0/1)
    返回: 复数数组，每个元素对应一个星座点
    """
    bits = bits.reshape(-1, 2)
    # 格雷编码映射表: 00->1+1j, 01->-1+1j, 11->-1-1j, 10->1-1j
    mapping = { (0,0): 1+1j, (0,1): -1+1j, (1,1): -1-1j, (1,0): 1-1j }
    symbols = np.array([mapping[tuple(b)] for b in bits])
    return symbols
# 生成随机比特流并映射
np.random.seed(42)
test_bits = np.random.randint(0, 2, 1000)
qpsk_symbols = qpsk_mapping(test_bits)
print(f"QPSK符号数: {len(qpsk_symbols)}, 前5个符号: {qpsk_symbols[:5]}")

阅读这段代码时，重点看星座图生成基础的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

这段代码的关键在于 mapping 字典的定义。它直接决定了星座点的位置。对于 16QAM，映射表会扩展到 16 个条目，每个条目对应 4 个比特。验证映射正确性的一个快速方法是检查所有符号的功率是否归一化：对于 QPSK，每个符号的功率应为 2（即 |1+1j|^2 = 2）。如果功率不归一，后续的加噪和 EVM 计算将产生系统性偏差

⭐加噪可视化与 EVM 计算：量化信号质量

完成符号映射后，下一步是模拟信道加噪并绘制星座图。加噪过程通过向复数符号添加高斯噪声实现，噪声功率由信噪比（SNR）决定。这里容易出错的地方在于噪声功率的计算：对于复数信号，噪声方差应为 signal_power / (10^(SNR/10))，且实部和虚部的噪声方差各为总方差的一半。以下代码展示了完整的加噪与星座图绘制流程

import matplotlib.pyplot as plt
def add_awgn(symbols, snr_db):
    """
    向符号添加AWGN。
    snr_db: 信噪比，单位dB
    """
    signal_power = np.mean(np.abs(symbols)**2)
    snr_linear = 10**(snr_db/10)
    noise_power = signal_power / snr_linear
    # 实部和虚部各分配一半噪声功率
    noise = (np.random.randn(len(symbols)) + 1j*np.random.randn(len(symbols))) * np.sqrt(noise_power/2)
    return symbols + noise
def calculate_evm(original, received):
    """
    计算误差矢量幅度 (EVM)。
    返回归一化EVM百分比。
    """
    errors = received - original
    evm = np.sqrt(np.mean(np.abs(errors)**2) / np.mean(np.abs(original)**2)) * 100
    return evm
# 生成16QAM符号并加噪
def qam16_mapping(bits):
    bits = bits.reshape(-1, 4)
    # 16QAM格雷编码映射表 (简化版，实际应包含16个条目)
    # 此处仅演示结构，完整映射需手动定义
    mapping = {
        (0,0,0,0): -3-3j, (0,0,0,1): -3-1j, (0,0,1,1): -3+1j, (0,0,1,0): -3+3j,
        # ... 省略其余12个映射
    }
    symbols = np.array([mapping[tuple(b)] for b in bits])
    return symbols
# 实际运行时请使用完整映射表
test_bits_16 = np.random.randint(0, 2, 4000)
qam16_symbols = qam16_mapping(test_bits_16)
noisy_qam16 = add_awgn(qam16_symbols, snr_db=15)
# 计算EVM
evm_value = calculate_evm(qam16_symbols, noisy_qam16)
print(f"16QAM在SNR=15dB下的EVM: {evm_value:.2f}%")
# 绘制星座图
plt.figure(figsize=(6,6))
plt.scatter(noisy_qam16.real, noisy_qam16.imag, s=1, alpha=0.6)
plt.title(f'16QAM Constellation (SNR=15dB, EVM={evm_value:.1f}%)')
plt.xlabel('In-phase')
plt.ylabel('Quadrature')
plt.grid(True)
plt.axis('equal')
plt.show()

阅读这段代码时，重点看星座图生成基础的伪代码，以及它如何用稳定性与可观测性证明结果可复测。

代码中 calculate_evm 函数实现了误差矢量幅度（EVM）的计算。EVM 是衡量调制质量的核心指标，它量化了接收符号与理想符号之间的偏差。在工程验收中，例如 5G NR 或 LTE 系统，EVM 通常要求低于 3.5%（对于 64QAM）或 8%（对于 16QAM）。上述代码在 SNR=15dB 时得到的 EVM 值应在 10%-15% 之间，这直接反映了噪声对星座点扩散的影响

🔍判决区域与故障排查：从星座图诊断链路问题

星座图不仅是可视化工具，更是链路故障的“听诊器”。通过观察星座点的分布形态，可以快速定位以下问题：

• 相位噪声：星座点沿圆弧扩散，而非径向扩散
• IQ 不平衡：星座图呈现椭圆形，而非圆形
• 载波泄漏：星座图中心出现一个额外的点簇

为了系统化地诊断这些问题，我们引入以下判断标准表。该表帮助工程师根据星座图现象快速定位根因

在实际项目中，当 EVM 超标时，不要立即怀疑算法。首先检查星座图是否出现上述“差的表现”中的特征。例如，若星座点呈现椭圆形，则优先排查 IQ 增益不平衡；若点簇沿圆弧扩散，则优先排查本振相位噪声。这种基于星座图的故障排查流程，比盲目调整算法参数高效得多

最后，请记住：星座图生成基础（Constellation Diagram Generation Fundamentals）的核心在于符号映射（Symbol Mapping）的准确性和加噪模型的正确性。本节实现的 QPSK/16QAM 映射与 EVM 计算函数，可以直接复用到后续的链路仿真或硬件在环测试中。在进入下一节“谱图生成”之前，建议你修改 SNR 参数，观察不同信噪比下星座点的扩散程度，并验证 EVM 与 SNR 的理论关系：EVM ≈ 1 / sqrt(SNR_linear)