MATLAB实战：AFDM与OFDM在时变信道下的抗多普勒性能对比

高铁车厢里刷短视频一直在转圈，无人机图传画面时不时糊成一团马赛克，很多人第一反应是“信号覆盖不好”。但在通信物理层工程师眼里，这大概率是另一回事：OFDM这类经典多载波波形，在快时变信道下被子载波间干扰（ICI）打崩了。OFDM靠子载波正交性吃饭，一旦移动速度上来，多普勒频移打破了正交性，误码率就跟着涨。这两年学术界和物理层研究圈子里，AFDM（Affine Frequency Division Multiplexing，仿射频率分复用）被反复提起，它把符号放到延迟-多普勒域上，用仿射傅里叶变换生成波形，是面向高铁、无人机、低轨卫星等高速场景的候选波形之一。这篇文章我就用MATLAB从零搭一套AFDM收发仿真，在相同的时变信道下跟OFDM做对比，把原理、参数设计、代码实现和踩坑点全部过一遍。适合正在做通信物理层仿真、毕业设计选题，或者对新型波形感兴趣的同学参考。

1. 为什么OFDM在高铁和无人机场景会“卡顿”，AFDM又是怎么来的

1.1 OFDM的软肋：子载波正交性被多普勒打破

OFDM的基本思想是把高速数据流拆成N路低速数据流，分别调制到N个正交子载波上。接收端用FFT可以完美分离各路信号，理论上子载波之间的正交性保证了互不干扰。这个过程打个比方：一队人在各自独立的步道上齐步走，只要步道划分清晰、大家步伐稳定，谁也不会踩到谁。

问题在于，这条“步道”在高速移动场景下会变形。多普勒频移让每个子载波的实际频率发生偏移，接收端看到的是一个个带频偏的载波。当最大多普勒频移f_d与子载波间隔Δf的比值达到百分之十几甚至更高时，子载波之间的谱泄漏非常严重，原本不该有干扰的位置充满了邻近子载波串扰过来的能量，这就是ICI。

具体算一笔账：假设载波频率fc=2GHz，高铁运行速度v=360km/h，换算成100m/s。那么最大多普勒频移

f_d = fc·v/c = 2e9 × 100 / 3e8 ≈ 666.7 Hz。

如果系统带宽B=160kHz，子载波数K=64，那么子载波间隔Δf = B/K = 2.5kHz。这时f_d/Δf ≈ 0.267，也就是多普勒频移占了子载波间隔的将近27%。这个数字意味着OFDM的正交性基本被破坏，星座图会散成一团，误码率出现很高的错误平层，这就是高铁场景下“信号满格却卡顿”的根本原因。

无人机场景更复杂。无人机飞行速度虽然不如高铁，但低空多径散射丰富、机体姿态快速变化、桨叶遮挡带来的信道突变，都会让信道在毫秒级尺度内快速起伏。OFDM符号周期稍微一长，信道就不再“时不变”，同样会产生严重的ICI。

1.2 AFDM的出身：仿射傅里叶变换与延迟-多普勒域调制

AFDM的思路跟OFDM完全不同。OFDM把符号放在频率域，用复指数基函数去匹配信道；AFDM把符号放在延迟-多普勒域，用带二次相位项的啁啾基函数去匹配信道。

为什么要换域？因为在时变多径信道中，每个传播路径可以用两个参数描述：延迟τ和多普勒ν。OFDM在频域调制，多普勒效应表现为子载波之间的能量扩散，收端要花很大力气去抵消；而AFDM直接在延迟-多普勒平面放置信息符号，让每个符号都对应一组特定的τ和ν。当信道中存在某条真实路径时，发射的符号能量会“集中”地转移到接收端对应的延迟-多普勒位置附近，而不是像OFDM那样被摊开到整个频带。

AFDM使用的数学工具是仿射傅里叶变换（Affine Fourier Transform，AFT），它是分数傅里叶变换的一种推广，也是最一般的线性正则变换的离散形式之一。从实现角度说，AFDM发射端要做的是逆离散仿射傅里叶变换（IDAFT），接收端做离散仿射傅里叶变换（DAFT），两者都是矩阵运算，复杂度跟FFT同量级，落地代价不大。

AFDM跟另一个热门候选波形OTFS经常被放在一起讨论。OTFS用ISFFT在时频域和延迟-多普勒域之间切换，基函数是二维矩形波；AFDM则直接构造仿射傅里叶基，基函数本身带两个啁啾参数，可以更灵活地匹配不同形态的时变信道。

1.3 AFDM、OFDM、OTFS到底怎么选

从这张表能看出，AFDM不是来颠覆OFDM的，而是面向未来高速移动场景的补充方案。它的核心价值在于：用几乎和OFDM相同的收发复杂度，换来对时变信道更强的鲁棒性。

2. 开写代码前必须搞懂的数学与仿真框架

2.1 AFDM收发机整体结构

AFDM的系统框图可以拆成几个模块：

发射端：数据比特 → QPSK映射 → 延迟-多普勒域符号矩阵X → IDAFT变换 → 时域信号s → 加循环前缀 → 发射。

信道：时变多径信道，每条路径有独立的时延、多普勒频移和复增益。

接收端：去循环前缀 → DAFT变换 → 得到延迟-多普勒域接收符号Y → 等效信道均衡/检测 → 判决解调。

这里最核心的两个模块就是IDAFT和DAFT。理解它们就抓住了AFDM的本质。

2.2 IDAFT和DAFT的矩阵表达

设总符号数为K，通常K = M × N，其中M是延迟维符号数，N是多普勒维符号数。对任意给定的两个啁啾参数c1和c2，定义K×K的DAFT矩阵F，其第(p, q)个元素为：

F(p, q) = (1/√K) · exp( j2π( c1·(q-1)² + c2·(p-1)² + (p-1)(q-1)/K ) )

其中p是输出索引，q是输入索引。注意c1是沿多普勒维（符号序号方向）的二次相位系数，c2是沿时间采样方向的二次相位系数，这个顺序在写代码时容易搞混，后面会专门讲。

IDAFT矩阵就是F的共轭转置，即F'。发射端把延迟-多普勒域符号向量x映射成时域信号：

s = F' · x

接收端把时域信号r映射回延迟-多普勒域：

y = F · r

F是酉矩阵，即F'·F = I，这意味着发射和接收变换本身不会引入额外畸变，信道之外的系统是完美可逆的。这一点非常重要，后面排查问题时可以用来验证链路是否正确。

MATLAB里构造这个矩阵的代码非常简洁：

function F = daft_matrix(K, c1, c2) % 构造K×K的DAFT矩阵 % c1: 多普勒维二次相位系数 % c2: 时间维二次相位系数 p = (0:K-1).'; q = (0:K-1); F = exp(1j*2*pi * (c1*q.^2 + c2*p.^2 + p*q/K)) / sqrt(K); end

这里p是K×1列向量，q是1×K行向量，pq自动得到K×K的交叉相位项矩阵。c1q.^2得到K×1向量，会自动广播成K×K；c2*p.^2同理。这段代码向量化程度高，K取几百时运行也很快。

2.3 参数设计：M、N、K、带宽、子载波间隔怎么定

参数设计直接决定仿真结果有没有参考价值。先明确几个基本关系：

• 系统带宽B，采样率fs = B（在基带等效模型中）
• 时域采样间隔Ts = 1/fs
• 一个AFDM帧包含K个时域采样点，帧时长T_frame = K·Ts = K/B
• 延迟分辨率 = 1/B，多普勒分辨率 = 1/T_frame = B/K
• 延迟维符号数M决定能分辨的最大时延扩展，多普勒维符号数N决定能分辨的最大多普勒扩展

关键约束有两个：

第一，子载波间隔Δf（这里借OFDM的说法，对应AFDM的格点间隔）必须大于信道最大多普勒频移，否则多普勒混叠严重。Δf = B/K，所以在带宽固定的情况下，K不能太大。

第二，帧时长T_frame不能超过信道相干时间，或者说多普勒分辨率要能容纳信道多普勒变化范围。1/T_frame要大于最大多普勒频移，否则DD域能量扩散出格点范围。

这两个约束是矛盾的：K越大，子载波间隔越小，抗多普勒能力越弱；K越小，虽然抗多普勒强了，但频谱效率太低。仿真中取折中。

我在示例里用M=8，N=8，K=64，B=160kHz。这样Δf=2.5kHz，T_frame=0.4ms，多普勒分辨率2.5kHz。最大多普勒666.7Hz，归一化后约0.267，这个值既能看出OFDM明显劣化，又不会让AFDM也因为多普勒混叠而失效。

啁啾参数c1和c2怎么取？理论上它们影响AFDM基函数在延迟-多普勒平面上的“倾斜”程度，需要跟信道最大时延和多普勒匹配。工程里最稳妥的做法是先用一组中等大小的值让链路跑通，比如c1=0.1，c2=0.05，然后再扫描参数看BER变化。注意一定不要同时取c1=c2=0，那样DAFT会退化成DFT，AFDM就变回OFDM了。

2.4 时变信道模型：延迟-多普勒抽头怎么建

时变多径信道最常见的离散基带等效模型是抽头延迟线模型。假设有P条可分辨路径，每条路径有独立的复增益a_i、整数时延τ_i和多普勒频移ν_i。第n个采样时刻第i条路径的信道系数为：

h_i[n] = a_i · exp( j2π·ν_i·(n-1)/fs )

也就是说，路径增益的幅度恒定，相位随时间线性旋转，旋转速度由多普勒频移决定。这个模型虽然简单，但能很好地模拟高铁、无人机场景下的一阶时变特性。

信道对发射信号的作用是时变卷积：

r[n] = Σ_i h_i[n] · s[n - τ_i] + w[n]

写成矩阵形式就是r = H_chan · s + w，其中H_chan是K×K的时变卷积矩阵。构造这个矩阵是整个仿真的关键操作，代码长这样：

H_chan = zeros(K, K); for n = 1:K for p = 1:P idx_out = n + delay(p); if idx_out <= K H_chan(idx_out, n) = H_chan(idx_out, n) + ... gain(p) * exp(1j*2*pi*Doppler(p)*(n-1)/fs); end end end

这段代码的思路是：发射信号第n个采样点s[n]经过第p条路径后，会在第n+τ_p个时刻出现在接收端，增益是a_p·exp(j2πν_p(n-1)/fs)。把每一对(n, n+τ_p)位置的关系写进矩阵，H_chan就完整描述了信道。

注意这里没有循环前缀，帧首尾的路径会截断。为了让OFDM和AFDM公平对比，两边都不加CP，让边界效应同时作用于两种波形。

3. MATLAB手把手实战：AFDM波形仿真完整实现

3.1 仿真环境与参数初始化

建议使用MATLAB R2020a及以上版本，代码只用到了基础矩阵运算和qam/qamdemod函数，不需要额外工具箱。

clearvars; close all; clc; % 帧参数 M = 8; % 延迟域符号数 N = 8; % 多普勒域符号数 K = M * N; % 总符号数 = 64 mod_order = 4; % QPSK bits_per_symbol = log2(mod_order); % 射频与系统参数 fc = 2e9; % 载波频率 2GHz B = 160e3; % 系统带宽 160kHz fs = B; % 基带采样率 delta_f = B / K; % 子载波间隔 2.5kHz T_frame = K / B; % 帧时长 0.4ms % AFDM啁啾参数 c1 = 0.1; % 多普勒维二次相位系数 c2 = 0.05; % 时间维二次相位系数 % 信道参数（高铁场景） % 速度360km/h -> 100m/s -> 最大多普勒约666.7Hz P = 2; % 可分辨路径数 delay = [0, 2]; % 时延：0采样点，2采样点 Doppler = [666.7, -500]; % 多普勒：666.7Hz，-500Hz gain = [1, 0.8*exp(1j*pi/4)]; % 复增益

这套参数对应的是高铁场景下两条典型路径：一条直达径，一条带时延的反射径，两条路径都有明显的多普勒。

3.2 发射端实现：IDAFT调制

发射端先把QPSK符号放进延迟-多普勒域的矩阵X中，展平成向量x_vec，再用IDAFT矩阵F'调制到时域。

% 构造DAFT矩阵 F = daft_matrix(K, c1, c2); F_idaft = F'; % IDAFT矩阵 = DAFT矩阵的共轭转置 % 随机生成QPSK符号 bits = randi([0 1], K*bits_per_symbol, 1); x_vec = qammod(bits, mod_order, 'InputType', 'bit', 'UnitAveragePower', true); % AFDM调制 s_afdm = F_idaft * x_vec; % 发射功率归一化，便于SNR控制 s_afdm = s_afdm / sqrt(mean(abs(s_afdm).^2));

这里有个细节值得解释：为什么不直接把符号矩阵X reshape之后做IFFT，而是要用矩阵乘法？因为AFDM的基函数不是标准的复指数，它包含c1和c2两个二次相位项。这两个相位项的作用是让基函数在延迟-多普勒平面上“对齐”信道的散射方向。矩阵乘法虽然比FFT慢，但K=64时完全不是瓶颈，而且逻辑更清晰，适合学习仿真。

发射功率归一化很重要。qammod函数在UnitAveragePower=true时保证符号平均功率为1，但经过F'调制后时域信号功率会变化，所以发射前要再归一化一次。这样后面计算SNR时，信号功率就是1，方便直接控制噪声方差。

3.3 时变多径信道实现

信道矩阵构造如前所述，完整代码可以封装成函数：

function H = tv_channel(K, delay, Doppler, gain, fs) % 构造K×K时变多径信道卷积矩阵 % delay: 时延向量（整数采样点） % Doppler: 多普勒频移向量（Hz） % gain: 复增益向量 % fs: 采样率 H = zeros(K, K); P = length(delay); for n = 1:K for p = 1:P idx_out = n + delay(p); if idx_out <= K H(idx_out, n) = H(idx_out, n) + ... gain(p) * exp(1j*2*pi*Doppler(p)*(n-1)/fs); end end end end

仿真主脚本中调用：

H_chan = tv_channel(K, delay, Doppler, gain, fs);

构造完H_chan之后，可以验证一下信道造成的功率变化：

chan_power = mean(abs(H_chan * s_afdm).^2) / mean(abs(s_afdm).^2); fprintf('信道功率增益: %.4f\n', chan_power);

正常情况下这个值应该在1附近。如果偏离很多，说明增益设置有问题或者边界截断太严重。两条路径的增益幅度平方和为1 + 0.64 = 1.64，但边界截断会损失一部分，实际值会略小。

3.4 接收端实现：DAFT解调与线性均衡

接收端做DFT解调，然后利用等效信道矩阵做迫零或者MMSE均衡。

% 接收 r_afdm = H_chan * s_afdm; % 过信道，暂时不加噪 % DAFT解调 y_afdm = F * r_afdm; % 等效信道矩阵：X -> s -> r -> y 的完整映射 Heff_afdm = F * H_chan * F_idaft; % 迫零均衡 x_hat_afdm = Heff_afdm \ y_afdm;

等效信道矩阵Heff_afdm的含义是：发射端符号x_vec经过IDAFT调制、时变信道、DAFT解调之后，在延迟-多普勒域看到的符号y_afdm跟x_vec之间的关系。如果信道是理想的，Heff_afdm就是单位阵；有信道时，它包含了时延扩展和多普勒扩展造成的所有干扰。用左除\做线性均衡，比显式求inv更稳定。

严格地说，迫零均衡在Heff_afdm病态时会放大噪声，导致高SNR下反而性能变差。工程上更推荐MMSE均衡，实现也很简单：

% MMSE均衡 snr_linear = 10^(snr_db/10); lambda = 1 / snr_linear; % 正则化系数 x_hat_afdm = (Heff_afdm' * Heff_afdm + lambda * eye(K)) \ (Heff_afdm' * y_afdm);

lambda取噪声方差和信号功率的比值。信号功率归一化为1时，lambda = 1/SNR_linear。

3.5 和OFDM同条件对比：完整BER仿真

OFDM的发射接收用归一化的FFT/IFFT矩阵实现，保证两种波形在相同总符号数、相同功率、相同信道条件下对比。

% 归一化FFT/IFFT矩阵 F_fft = fft(eye(K)) / sqrt(K); % 归一化DFT F_ifft = F_fft'; % 归一化IDFT % 发射端 s_ofdm = F_ifft * x_vec; s_ofdm = s_ofdm / sqrt(mean(abs(s_ofdm).^2)); % 接收端 r_ofdm = H_chan * s_ofdm; y_ofdm = F_fft * r_ofdm; Heff_ofdm = F_fft * H_chan * F_ifft; % 均衡 x_hat_ofdm = Heff_ofdm \ y_ofdm;

注意这里OFDM没有加循环前缀，这是有意为之。加了CP的OFDM在对抗时延扩展上会好一些，但无法对抗多普勒导致的ICI；AFDM同样可以加CP，为了公平，两边都采用无CP的原始形式，让对比聚焦在波形的时变信道鲁棒性上。

完整的BER扫描循环如下：

SNR_dB = 0:3:18; num_frame = 200; % 每个SNR点仿真200帧 ber_afdm = zeros(size(SNR_dB)); ber_ofdm = zeros(size(SNR_dB)); for idx = 1:length(SNR_dB) snr_linear = 10^(SNR_dB(idx)/10); noise_var = 1 / snr_linear; err_afdm = 0; err_ofdm = 0; total_bits = 0; for frm = 1:num_frame % 随机QPSK符号 bits = randi([0 1], K*bits_per_symbol, 1); x_vec = qammod(bits, mod_order, 'InputType', 'bit', 'UnitAveragePower', true); % 发射 s_afdm = F_daft' * x_vec; s_ofdm = F_ifft * x_vec; s_afdm = s_afdm / sqrt(mean(abs(s_afdm).^2)); s_ofdm = s_ofdm / sqrt(mean(abs(s_ofdm).^2)); % 信道 r_afdm = H_chan * s_afdm; r_ofdm = H_chan * s_ofdm; % 加噪 noise = sqrt(noise_var/2) * (randn(K,1) + 1j*randn(K,1)); r_afdm = r_afdm + noise; r_ofdm = r_ofdm + noise; % 接收与均衡 y_afdm = F_daft * r_afdm; y_ofdm = F_fft * r_ofdm; H_afdm = F_daft * H_chan * F_daft'; H_ofdm = F_fft * H_chan * F_ifft; % 改用MMSE更稳，这里用左除展示基础版 x_hat_afdm = H_afdm \ y_afdm; x_hat_ofdm = H_ofdm \ y_ofdm; % 判决 bits_hat_afdm = qamdemod(x_hat_afdm, mod_order, 'OutputType', 'bit', 'UnitAveragePower', true); bits_hat_ofdm = qamdemod(x_hat_ofdm, mod_order, 'OutputType', 'bit', 'UnitAveragePower', true); err_afdm = err_afdm + sum(bits ~= bits_hat_afdm); err_ofdm = err_ofdm + sum(bits ~= bits_hat_ofdm); total_bits = total_bits + length(bits); end ber_afdm(idx) = err_afdm / total_bits; ber_ofdm(idx) = err_ofdm / total_bits; end figure; semilogy(SNR_dB, ber_afdm, 'o-', 'LineWidth', 1.5); hold on; semilogy(SNR_dB, ber_ofdm, 's-', 'LineWidth', 1.5); grid on; xlabel('SNR (dB)'); ylabel('BER'); legend('AFDM', 'OFDM'); title('高铁场景时变信道下 AFDM vs OFDM');

这个循环每次重新生成独立的随机信道矩阵会更好，但为了控制运行时间和保证对比公平，我在示例中固定信道矩阵，只随机变化符号和噪声。实际跑的时候可以每隔几帧重新生成一次H_chan，观察平均性能。

3.6 仿真结果如何解读

跑完之后，你会看到两条明显分开的BER曲线。低SNR时两者差距不大，因为噪声是主要矛盾；随着SNR升高，OFDM的BER曲线会进入一个缓慢下降甚至平坦的阶段，这就是ICI导致的错误平层。AFDM的BER曲线继续下降，虽然迫零均衡放大了部分噪声，但整体趋势明显好于OFDM。

需要说明的是，这里用的是最基础的线性均衡，AFDM论文中最常使用的消息传递（MP）检测器性能更好，差距会拉得更大。但这个最简单的线性版本足够说明问题：在高多普勒信道下，AFDM的延迟-多普勒域调制确实比OFDM的频域调制更能对抗时变信道。

如果想看得更直观，可以在无噪声条件下画星座图：

% 无噪声接收星座 r_afdm = H_chan * s_afdm; y_afdm = F_daft * r_afdm; x_hat_afdm = Heff_afdm \ y_afdm; figure; subplot(1,2,1); plot(real(x_hat_afdm), imag(x_hat_afdm), '.'); title('AFDM 无噪声均衡后星座'); axis equal; grid on; subplot(1,2,2); r_ofdm = H_chan * s_ofdm; y_ofdm = F_fft * r_ofdm; x_hat_ofdm = Heff_ofdm \ y_ofdm; plot(real(x_hat_ofdm), imag(x_hat_ofdm), '.'); title('OFDM 无噪声均衡后星座'); axis equal; grid on;

OFDM的星座点会明显发散，AFDM的星座点相对集中，这个画面比BER曲线更直观。

4. 仿真避坑指南：多普勒换算、矩阵方向、归一化那些事儿

4.1 多普勒频移和子载波间隔的换算陷阱

多普勒频移的换算是最容易出错的地方。f_d = fc·v/c这个公式里，fc的单位是Hz，v的单位是m/s，c是光速3e8 m/s。如果把车速360km/h直接代入，算出来是2.4而不是666.7，差了3.6倍，因为km/h要除以3.6转成m/s。

另一个常见错误是把多普勒频移跟归一化多普勒混淆。归一化多普勒f_d/Δf才是跟子载波间隔的相对值，仿真中信道的Doppler向量里填的是绝对频移Hz，不是归一化值。如果填了0.267，信道变化速度会慢很多，仿真结果就完全失真了。

判断参数是否合理的经验法则：归一化多普勒小于0.01时，OFDM几乎不受影响，对比不出差距；大于0.3时，OFDM已经完全崩溃，OFDM和AFDM差距会很大但略微脱离实际。0.1到0.3之间是比较有说服力的区间。

4.2 IDAFT和DAFT矩阵方向别搞反

发射用F'，接收用F，这个方向一旦搞反，系统就会变成“先做DAFT再做IDAFT”，无信道时虽然能还原，但过信道后的等效信道矩阵完全错误，仿真结果毫无意义。

验证方法很简单：在无信道、无噪声条件下，令r = s_afdm，然后解调得到y_afdm，检查是否能还原x_vec。如果系统正确，y_afdm应该等于x_vec。这个自检最好放在仿真循环之前：

% 链路自检 s_test = F_daft' * x_vec; y_test = F_daft * s_test; if max(abs(y_test - x_vec)) > 1e-10 error('IDAFT/DAFT链路自检失败，请检查矩阵方向'); end

单看max误差时，浮点误差通常小于1e-12，如果出现较大误差，一定是矩阵定义写错了。

4.3 时变信道采样与多普勒混叠问题

信道矩阵H_chan中，多普勒相位项是exp(j2π·Doppler·(n-1)/fs)。根据奈奎斯特采样定理，要正确表示多普勒频移ν，需要ν < fs/2。不过实际中更严格的约束来自子载波间隔：ν相对于Δf的归一化值如果超过0.5，延迟-多普勒域的格点会出现混叠，符号能量从正多普勒方向溢出到负多普勒方向，均衡器很难纠正。

仿真中如果设置Doppler高达几千Hz，而Δf只有2.5kHz，就会出现这种混叠。轻则BER曲线异常，重则解调完全失败。遇到这种情况，要么提高B（增大Δf），要么降低Doppler，保证归一化多普勒不超过0.4。

另外，时延参数必须是整数采样点。如果延迟不是整数倍采样周期，需要用到分数时延滤波器或sinc插值，复杂度会显著增加，初学者不建议一上来就碰。

4.4 调参建议与常用的排查思路

如果BER曲线的趋势不对，先回到无信道场景确认通信链路本身是好的，再逐步加入多径、多普勒、噪声，每加一个模块就验证一次。这种“层层加码”的调试验证方式，比一次搭完整套流程再找bug高效得多。

还有一个小经验：跑BER仿真时，每个SNR点至少统计2万到5万个比特，否则BER到10的-2以下时不稳定，曲线会抖动得很厉害。我的示例里200帧×64符号×2比特，总共25600比特，在低误码率时勉强够用，想更平滑可以加大num_frame。

个人实操中的一些体会

这个仿真我前后跑了很多版，最直观的感受是：AFDM不是“魔法”，它的增益来自对信道散射函数的匹配。啁啾参数c1和c2看似只是两个常量，实际决定了整个波形的性格。曾经试过把c1和c2设得过大，AFDM的基函数在帧内振荡太剧烈，高频成分让信道矩阵的数值稳定性变差，均衡后反而比OFDM更差。后来把参数调小、结合信道最大时延和多普勒范围做匹配，优势才体现出来。

最后再分享一个技巧：仿真前先把无信道、无噪声的收发星座图打出来，确认链路是通的，再开始叠加信道和噪声。很多时候所谓“AFDM性能不如OFDM”的结论，其实都是矩阵方向或者功率归一化的问题，并不是波形本身的问题。通信仿真最忌讳的就是链路还没自检就去对比性能，那样得到的结果随时可能在改一个参数之后彻底反转。把这个习惯保持住，后续无论换成OTFS、FBMC还是更复杂的迭代检测器，都能少踩很多坑。