DCO-OFDM原理与实现：从直流偏置到可见光通信的完整指南

简介：针对可见光通信中的直流偏置光正交频分复用技术，这份资源提供了完整的仿真实现，适合光通信与数字信号处理方向的研究者和工程师参考。该技术通过在子载波上添加直流偏置来抑制发光二极管非线性造成的幅度失真，是可见光通信系统常用的调制方案。压缩包内共含两个m格式脚本文件：一个完成可见光信道建模，涵盖光强度调制与直接检测、大气吸收散射、光电探测器响应等环节；另一个实现从符号映射、逆傅里叶变换、添加循环前缀、直流偏置到接收端傅里叶变换、均衡、解码的完整收发链路，便于观察误码率和频谱效率等性能。资源合计仅3KB，文件精简，便于直接运行，也可以通过调整调制阶数和偏置大小进一步分析系统特性。已有1550人学习下载，适合需要快速建立可见光通信物理层仿真环境、理解该技术原理或进行课程设计的人员使用。

1. 直流偏置光正交频分复用：为什么说它是光 OFDM 里最该先跑通的基准方案

可见光通信的物理层仿真有个看似矛盾的需求：LED 只能通过光强度承载信息，送给它的信号必须是单极性实信号，而 OFDM 的基带天生是复数波形。直流偏置光正交频分复用（DCO-OFDM）用两步把这对矛盾化解掉：先在频域排布 Hermitian 对称结构让 IFFT 输出实数，再叠加一个直流偏置把整个波形抬到 LED 线性区。它不像 ACO-OFDM 那样靠牺牲子载波来避免偏置，而是用多花光功率的代价换取更高的频谱效率和更简单的接收端。正因如此，DCO-OFDM 在可见光通信研究里几乎成了默认基准，任何一个做 VLC 物理层的人都得先把它跑通。这篇笔记就沿着“原理、最小实现、参数标定、踩坑”这条线展开，希望能让你少走几趟冤枉路。

2. 从射频 OFDM 到光调制：Hermitian 对称与直流偏置是两件事，顺序不能反

2.1 IM/DD 链路只认非负实信号，射频 OFDM 照搬过来会直接削掉半周

在射频 OFDM 里，发送端把复数频域符号做 IFFT、加循环前缀、再经正交上变频得到带通实信号。接收端用本振做下变频，把 I/Q 两路分开，完成解调。整套链路的关键在于“正交”两个字：接收机能够恢复复数基带，完全依赖载波同步和正交混频。这一套搬到可见光通信里，直接不复存在。IM/DD 接收机只有一个光电二极管，响应的是光强度，输出的是与光功率成正比的电流，没有本振，也没有 I/Q 两路的概念。这意味着接收端能拿到的只有非负实数波形，而且是强度信息，不是电场信息。如果直接把射频 OFDM 信号接给 LED，负半周会被器件钳位，等价于给整个 OFDM 符号加了一个强非线性环节。子载波之间的正交性在非线性下会崩掉，星座图散得没法看。

所以光 OFDM 的第一步不是先想着信道均衡，而是先把信号改成“实且非负”的形式。实现里有两条路：一条是 DCO-OFDM 这种加直流偏置；另一条是 ACO-OFDM 这种只利用奇数子载波并在时域削掉负半周，靠频域稀疏来换取无偏置工作。DCO-OFDM 的出发点是：与其牺牲一半子载波，不如多花一点光功率把整个波形抬起来。理解了这个取舍，后面标定偏置参数才有方向。

2.2 Hermitian 对称：让 IFFT 输出变成实数，代价是载波利用率折半

具体做法一句话：在频域把正频率部分放真实数据，负频率部分填上正频率数据的共轭，同时把直流和奈奎斯特两个载波置零。写成公式就是 X[N-k] = conj(X[k])。对这个频域向量做逆傅里叶变换，时域信号的虚部会完全抵消，只剩下实数部分。这是因为指数项的成对出现让虚部互相抵消，数学上可以从离散傅里叶变换的定义直接推出来，不需要引入任何近似。

拿 N_FFT=8 举例：正频率载波 1、2、3 放数据，那么负频率载波 7、6、5 分别放载波 1、2、3 的共轭，载波 0 和 4 置零。这样时域 8 个点全是实数。如果把数据误放进载波 4（奈奎斯特频率），它的镜像就是它自己，没办法构成共轭对，IFFT 输出立刻带上虚部。很多第一版仿真翻车就翻在这里。

因为镜像占了一半载波，DCO-OFDM 的频谱效率比射频 OFDM 低一半。这不是缺陷，而是 IM/DD 信道物理特性决定的：接收端只有强度信息，相位信息丢了半边，只能用“频率域共轭对称”这种方式把复数信息编码到实数波形里。后面如果要对比频谱效率和 ACO-OFDM 比，心里要时刻记着这个折半的事实。

2.3 直流偏置：把实数信号抬进 LED 线性区，同时把一部分功率“锁”在直流

IFFT 输出 x(n) 是双极性实信号，均值接近零，峰值有正有负。DCO-OFDM 在时域给它加一个固定直流电压 B_dc，得到 s(n) = x(n) + B_dc。只要 B_dc 大于 x(n) 的负向峰值，s(n) 就始终非负，可以直接驱动 LED。实际工程中 LED 还有线性区上限，超过上限的信号会被削顶，所以 B_dc 不是越大越好。

一个值得注意的特性是：直流分量在接收端 FFT 后只落在第 0 个子载波上，而第 0 个子载波本来就不放数据。换句话说，在理想线性信道里，直流偏置不会直接污染数据子载波。这让 DCO-OFDM 的接收端实现变得非常简单，不需要像模拟光通信那样专门做偏置恢复。但代价同样明显：偏置消耗了发送端的直流功率，这部分功率不携带任何数据，却抬高了平均光功率。同一个 LED 的散热和驱动电流预算有限，直流功率占比越大，能给数据信号用的功率就越小，这就是后面要反复权衡的“光功率代价”。

如果 B_dc 和 x(n) 的负峰值几乎相等，信号会贴在下边界上，偏离 LED 线性工作区，产生削波失真；如果偏置过大，平均光功率和散热成本又跟不上。所以“直流偏置”在这个名字里不是一句背景描述，而是整个 DCO-OFDM 链路分析中一个实打实的功率分量。后续所有参数标定，本质上都是在“削波失真”和“光功率代价”之间找平衡点。

2.4 动手写代码前的两个自检点：直流置零、虚部归零

动手写代码之前，先把两个检查点想明白，能省掉大半调试时间。一是频域向量的第 0 号和第 N/2 号子载波必须置零；如果数据序列长度正好等于 N_DATA，硬塞进去就会破坏实数性。二是 IFFT 之后时域序列的虚部应该只有浮点误差量级，比如小于 1e-10，一旦看到明显虚部，先回头查镜像索引是不是写成了“倒序”而不是“N_FFT − k”。这两个检查点一过，再往下走就是信道和噪声的事情了，DCO-OFDM 本身的结构问题基本排除干净。

2.5 与 ACO-OFDM 对比：DCO 用光功率换频谱利用率

ACO-OFDM 的思路也很有意思：只把数据放在奇数子载波上，偶数子载波置零，时域信号经过 IFFT 后天然具有半波对称性；这时候直接削掉负半周，削波产生的失真只会落在偶数子载波上，数据所在的奇数子载波不受影响。接收端不需要偏置恢复，但频谱效率只剩下 DCO-OFDM 的一半都不到。

对比一下：DCO-OFDM 用直流偏置保住全部可用子载波，频谱效率高于 ACO-OFDM；代价是偏置功率降低了整体光功率效率。在室内可见光通信这种频谱资源紧张、但光功率预算相对宽裕的场景，DCO-OFDM 往往是更务实的选择。所以论文里做基准对比时，DCO-OFDM 默认出场，就是这个原因。你就把它理解成：DCO-OFDM 是用“多花电功率”来换取“少占带宽”，而 ACO-OFDM 正相反。二者没有绝对优劣，只有场景适配。

3. 用 Python 在本地跑通 DCO-OFDM 最小收发链路：发送端与接收端代码

这一章给出一套可以直接运行的最小 Python 实现。参数上固定为 FFT 点数 256、循环前缀 16、16QAM、200 个 OFDM 符号，数据子载波取正频率 1 到 100。这套参数和 Wi-Fi 的 OFDM 结构类似，但主要目的是把 DCO-OFDM 的结构说清楚；你后面换成 64QAM 或改载波数，只需要动参数区，链路逻辑完全不用变。

3.1 仿真参数与子载波规划，先画一张表

仿真里最容易出问题的是载波索引。设计思路是这样的：N_FFT=256 时，可用的正频率子载波是 1 到 127，下标 0 是直流，128 是奈奎斯特频率。我从 1 到 100 依次选为数据子载波，剩余 101 到 127 留作保护频带不加数据。发送端构造频域向量时，正频率部分放 QAM 符号，负频率部分放它们的共轭，下标关系为 X[156] = conj(X[100])，X[157] = conj(X[99])，依此类推。

有了这张表，下面代码里的数组下标就不会看混。特别强调一下，data_neg 不是简单地把 data_pos 倒序，而是 N_FFT 减去正频率下标，这是一个容易写错的地方，错一个点整条链路都起不来。

3.2 发送端代码：QAM 映射、Hermitian 对称、IFFT、加循环前缀与直流偏置

先看 QAM 调制和解调两个基础函数。这里用的是格雷映射的方形 QAM，星座点平均功率做了归一化，这一点对后面 SNR 对标很重要。代码里我把随机数生成器 rng 放在最前面统一初始化，这样每次跑出来的结果可以复现。

import numpy as np rng = np.random.default_rng(1) def qam_mod(bits, M): """M-QAM 调制：bits 是 0/1 数组，返回平均功率为 1 的复数符号""" K = int(np.log2(M)) n = len(bits) // K bits = bits[:n*K].reshape(n, K) J = int(np.sqrt(M)) k2 = K // 2 def to_gray(bits_col): d = np.zeros(len(bits_col), dtype=int) for j in range(bits_col.shape[1]): d = (d << 1) | bits_col[:, j] return d ^ (d >> 1) # 二进制整数转格雷码 I_gray = to_gray(bits[:, :k2]) Q_gray = to_gray(bits[:, k2:]) I = 2 * I_gray - J + 1 # 映射到 -J+1, -J+3, ..., J-1 Q = 2 * Q_gray - J + 1 sym = (I + 1j * Q).astype(complex) return sym / np.sqrt(np.mean(np.abs(sym) ** 2)) # 平均功率归一化到 1

逻辑说明：K 是每个符号的比特数，16QAM 的 K=4，J=4，I/Q 两路各分一半比特。先把比特转成二进制整数，再做格雷码，最后映射成对称的星座电平，这一步能保证相邻星座点只差一个比特，硬判决出错时不会出现多位连续错。归一化那步非常关键：如果不除以平均幅度，星座点能量会是 1、9、25 这些数值的混合，导致同样噪声下误码率统计失真。

参数说明：M 必须是平方数，4、16、64 都能直接适配。如果你的系统用 PSK 或非方形 QAM，映射表要单独改，但后续 IFFT 和偏置的流程完全一样。

def qam_demod(rx, M): """M-QAM 硬判决解调：rx 是接收复数符号数组，返回 0/1 比特流""" J = int(np.sqrt(M)) K = int(np.log2(M)) k2 = K // 2 out = [] def gray_inv(g): mask = g >> 1 while mask: g ^= mask mask >>= 1 return g for v in rx: Iv = int(np.clip(round(v.real), -(J-1), J-1)) Qv = int(np.clip(round(v.imag), -(J-1), J-1)) Ig = (Iv + J - 1) // 2 Qg = (Qv + J - 1) // 2 I_idx = gray_inv(Ig) Q_idx = gray_inv(Qg) for b in range(k2-1, -1, -1): out.append((I_idx >> b) & 1) for b in range(k2-1, -1, -1): out.append((Q_idx >> b) & 1) return np.array(out)

逻辑说明：接收端假定星座已经恢复到归一化幅度，硬判决就是找最近的合法星座点。clip 把超出边界的噪声值拉回到边界，避免 round 之后数值飞出合法区间。gray_inv 把格雷码还原成二进制整数，再逐位拆回比特流。

参数说明：round 之前不要做任何额外缩放，否则判决边界会偏移。如果后续引入信道增益，必须先做单抽头均衡再进 demod，这个后面多径信道部分会提到。

接下来是发送端主流程。这个函数把一个 OFDM 符号完整走一遍：构造频域向量、IFFT、补循环前缀、加直流偏置。

def dco_ofdm_tx(qam_sym, data_pos, N_FFT, N_CP, bias_dB): """DCO-OFDM 发送端，返回加偏置后的时域信号和未加偏置的实信号""" N_DATA = len(data_pos) X = np.zeros(N_FFT, dtype=complex) X[data_pos] = qam_sym X[N_FFT - data_pos] = np.conj(qam_sym) # Hermitian 对称 x = np.fft.ifft(X) * N_FFT # 时域实信号，幅度与 X 同量级 x_pow = np.mean(x ** 2) # 交流信号功率 bias = np.sqrt(10 ** (bias_dB / 10) * x_pow) # 直流偏置电压 s = x + bias s_cp = np.concatenate([s[-N_CP:], s]) # 补循环前缀 return s_cp, x, bias

逻辑说明：X 在负频率处的共轭镜像决定了时域信号必然是实数，用N_FFT - data_pos计算镜像下标，等价于负频率。IFFT 乘以 N_FFT 是因为 numpy 的 ifft 自带 1/N 缩放，乘回去之后时域样本幅度和频域系数直接对应。bias 用一个功率比值计算：bias_dB 表示 10log10(B_dc² / E[x²])，这是 DCO-OFDM 文献里最常见的偏置定义方式。

参数说明：bias_dB 通常在 7~13 dB 之间取，取太小会让负向削波概率升高，取太大则光功率浪费严重。如果你的驱动电路还受最大电压限制，还需要在这里加削峰函数，把 s 的上限钳位到 LED 允许的最大电压。

3.3 接收端代码：去循环前缀、FFT、提取数据子载波与 BER 统计

接收端方向比较顺，因为 DCO-OFDM 的直流偏置天然落在 FFT 的直流子载波上，而直流子载波不放数据。也就是说，在 AWGN 信道下，接收端不需要知道发送端偏置具体是多少，做完 FFT 直接把数据子载波取出来即可。这一点比 ACO-OFDM 简单太多，ACO-OFDM 还得做削波噪声的频谱分析。

def dco_ofdm_rx(s_cp, N_FFT, N_CP, data_pos, noise_var, rng): """DCO-OFDM 接收端：AWGN 信道下返回接收 QAM 符号""" w = rng.normal(0, np.sqrt(noise_var), len(s_cp)) # 加性高斯白噪声 y_cp = s_cp + w y = y_cp[N_CP:] # 去循环前缀 Y = np.fft.fft(y) / N_FFT # 归一化 FFT return Y[data_pos] # 取数据子载波 noise_var = N_FFT / (10 ** (SNR_DB / 10)) # 每数据子载波电 SNR 对应的时域噪声方差

逻辑说明：噪声方差这么写，是因为前面 IFFT 乘了 N_FFT，所以 FFT 再除回 N_FFT 之后，数据子载波上的等效噪声功率等于时域噪声方差除以 N_FFT。把这个值设成 10^(-SNR_DB/10)，就保证了每个数据子载波的电 SNR 正好是你设定的 SNR_DB。

参数说明：SNR_DB 指的是数据子载波上的电 SNR，不是整条链路的总 SNR。16QAM 在误码率 1e-3 附近大约需要 18~20 dB，扫描时可以按 2 dB 步进。

把发送和接收串起来，统计 BER：

N_SYM = 200 bits_tx = rng.integers(0, 2, N_SYM * N_DATA * int(np.log2(M_QAM))) bits_per_sym = N_DATA * int(np.log2(M_QAM)) err_total = 0 bit_total = 0 for i in range(N_SYM): bits_sym = bits_tx[i*bits_per_sym : (i+1)*bits_per_sym] qam_sym = qam_mod(bits_sym, M_QAM) s_cp, x, bias = dco_ofdm_tx(qam_sym, data_pos, N_FFT, N_CP, BIAS_DB) rx_qam = dco_ofdm_rx(s_cp, N_FFT, N_CP, data_pos, noise_var, rng) bits_rx = qam_demod(rx_qam, M_QAM) err_total += np.sum(bits_rx != bits_sym) bit_total += len(bits_sym) print(f"BER = {err_total / bit_total:.2e}")

逻辑说明：这里对每个 OFDM 符号都重新调用发送和接收函数，便于逐符号观察中间变量。如果只关心 BER，也可以把所有 OFDM 符号拼成一个长比特流一次性处理，那样更快但不利于调试。EVM 或星座图散点图可以在 rx_qam 这里直接采集，存成一个 list 再画图。

参数说明：N_SYM 取 200 时，统计比特数为 200×100×4=80000，在 BER 1e-3 量级误差可接受。你要是验证 1e-4 以下的误码，建议把 N_SYM 提高到 2000，否则曲线抖动会很大。

3.4 运行这份脚本时最简单的三个调试动作

第一，先把 BIAS_DB 设成 0.1，噪声方差设成 0，跑一帧，打印max(abs(x.imag))，如果大于 1e-10 说明 Hermitian 对称写错了。第二，设成无噪声，检查星座图是否正好落在理想格点上，这一步能排除 QAM 映射的问题。第三，加噪声后跑 20 个符号，打印前 50 个比特的收发对比，肉眼看清楚错在哪一位，再决定是否继续长仿真。这三个动作加起来不到两分钟，能把 DCO-OFDM 链路里最容易出问题的三个环节全部筛查完。

4. 直流偏置和削波门限怎么标：从 7 dB 到 13 dB 的代价与典型选择

4.1 直流偏置指数：功率比和电压比两种定义，先分清再标定

看到文献里出现直流偏置指数时，先确认对方用的是电压比还是功率比。电压比定义是 B_dc / σ，其中 σ 是 AC 信号 x 的均方根；功率比定义是 B_dc² / σ²，转成 dB 后写作 10log10。两者差一个平方倍，数值上差一倍。我上章代码里用的是功率比，也就是“直流偏置指数 8 dB”对应 B_dc/σ≈2.51。若按电压比定义，同一个偏置要写 20log10(B_dc/σ)，数值是 8.6 dB。如果拿两篇论文的表去对，不先统一定义会把工作点偏出好几档。

仿真里我习惯把两种定义都打印出来，至少在代码注释里写清楚。因为接收端或光功率计算环节里，不同模块可能沿用不同文献的实现，统一单位比修 bug 省事得多。工程上这不算高技术含量，但属于典型的一行注释换半天排查时间的买卖。

4.2 偏置大小与负向削波概率：一张高斯近似对照表

OFDM 时域信号幅度近似服从高斯分布，子载波多时中心极限定理成立。把 x 视作均值为 0、方差为 σ² 的高斯随机变量，加偏置后 s = x + B_dc 的负向削波概率就是 Pr(x < −B_dc) = Φ(−B_dc/σ)。这个近似在 N_DATA 较小时偏乐观，但用来定偏置范围足够，因为 DCO-OFDM 的削波失真一旦超过千分之一量级，BER 会立刻恶化。

选偏置的核心原则是：让高斯分布的负向尾巴刚好落在 LED 线性区下边界附近。若偏置选小了，负向削波会产生较强的非线性失真，且这种失真无法用均衡器恢复；选大了，光平均功率上升，接收端直流分量变大，在总功率受限的光链路里相当于压缩了交流信号可用的功率。两者权衡之后，工程上通常取 7~13 dB，具体要结合调制阶数定。低阶 QAM 对削波容忍度高，偏置可以压到 7 dB 附近；64QAM 对非线性更敏感，至少要 10 dB 以上。

4.3 正向削波与峰均比惩罚：上边界同样不能忽视

LED 的线性区有上下两个边界：下边界是 0，上边界受最大驱动电流限制。偏置固定后，信号峰值超过上边界会产生正向削波。正向削波不直接破坏非负性，但其产生的削波噪声会铺满整个频带，数据子载波同样被污染。这跟射频功率放大器的峰均比问题类似，只是换了个名字：光 OFDM 的峰均比惩罚。

动手标定门限时，我一般会先固定偏置，然后逐步降低发送端信号幅度，观察 BER 是否改善。如果偏置和幅度都不变，正向削波大到一定程度，BER 曲线会出现一条水平线，这就是削波底噪压过了热噪声。这个现象在示波器上看波形可能不明显，但在 BER 曲线上非常直观。实际 LED 驱动电路里，前级的线性功放也会先于 LED 饱和，所以正向削波的门限往往由驱动放大器决定，而不是 LED 本身。仿真时把上边界设成变量，扫一遍就能看出你手上这套驱动方案的余量。

4.4 一套可执行的偏置标定流程：固定电 SNR 还是固定平均光功率

第一步，按目标调制阶数选定候选偏置范围，16QAM 从 7 dB 起步，64QAM 从 10 dB 起步。第二步，在固定偏置下扫描电 SNR，画出 BER 曲线，找到最低可接受的 SNR 点，比如 BER=1e-3。第三步，把偏置增加 2 dB 再扫一轮，看所需 SNR 是升还是降：下降说明削波受限，上升说明光功率代价开始主导。第四步，取连续三轮里 BER 最低的偏置作为工作点。第五步，如果系统还受平均光功率约束，扫描时需要同时把 B_dc 计入总功率，不能只看电 SNR。

这个流程看起来慢，但一套 DCO-OFDM 仿真的计算量很小，几分钟就能把 0 到 16 dB 的偏置全部扫完。想省时间的人可以只扫 7、9、11、13 这四挡，趋势就能看清楚。需要注意，工程上还会额外加 1~2 dB 的余量，因为实际 LED 的线性区会随温度漂移，偏置设在理论最优附近很容易在高温时滑出线性区。

5. DCO-OFDM 常见问题避坑：五个翻车点的现象、原因与修复

5.1 IFFT 输出带虚部：Hermitian 对称没配全

现象是max(abs(x.imag))明显大于 1e-10，星座图经过 FFT 后出现奇怪的旋转或镜像。原因多半是镜像索引算错，最常见的是把 data_neg 写成了data_pos[::-1]，而不是N_FFT - data_pos。另一种是把数据塞进了第 0 号或第 N/2 号子载波，这两个位置没有镜像对象。修复办法：正频数据子载波集合里严格排除 0 和 N/2；负频部分用 N_FFT 减正频率下标；每个符号在进 IFFT 前做一次断言，虚部超限直接报错。这一条是 DCO-OFDM 仿真的第一道安检，建议直接写成 assert 放进代码。

5.2 接收星座图整体偏移：直流分量处理方法不对

现象是接收星座图整体朝某个方向平移，中心不在零点，但形状没有严重变形。原因是接收端在 FFT 前减均值时把偏置和信号一起处理了，或者提取数据子载波时把第 0 号子载波也当成了有效信号。DCO-OFDM 的直流偏置只落在第 0 号子载波上，提取数据时只要剔除第 0 号，偏置自然消失，不需要额外做直流恢复电路。很多代码习惯性地先减均值再 FFT，这在射频 OFDM 里是对的，在 DCO-OFDM 里反而可能破坏信号结构。修复办法：去掉减均值那一步，直接对接收时域波形做 FFT，然后取 data_pos 即可。

5.3 偏置调大 BER 反而变差：把电 SNR 和光功率预算混为一谈

现象是固定电 SNR，把偏置从 6 dB 调到 13 dB，BER 越来越高。原因有两个层面。第一个层面是仿真设置：电 SNR 不变时，偏置增大意味着信号平均功率在增加，如果后级还有固定满量程的 ADC 或者固定增益放大器，信号会被压缩，等效 SNR 下降。第二个层面是系统评估：在相同平均光功率约束下，偏置占的功率越多，数据信号分到的越少。修复办法：评估时明确区分两种场景，固定电 SNR 用来验证算法本身，固定平均光功率用来做系统性能裁决。写报告时把这两条曲线分开画，别挤在一张图里误导自己。

5.4 BER 曲线出现地板：削波失真不是热噪声

现象是 BER 下降到 1e-4 左右后，不管怎么提高 SNR 都压不下去。这是削波失真的典型特征，因为削波是确定性非线性，不随热噪声降低而消失。排查时把加偏置后的信号做一次直方图，看最低电平是不是大量堆积在零附近；或者在发端暂时把削波函数屏蔽掉再跑一条曲线，地板消失就证明是削波。修复办法是把偏置调高，或者减小信号幅度。但幅度小时电 SNR 又会下降，所以工程上只能取折中。这个现象和射频功放的非线性失真很像，建议在设计阶段就把削波概率控制在 0.1% 以下，而不是等测到地板再回头调。

5.5 星座图幅度偏离归一化：QAM 平均功率没归一

现象是 BER 曲线整体偏右，比理论值差 5~8 dB，星座图散点明显偏大或偏小。原因多是 QAM 符号没有按平均功率归一化。有人直接把 −3、−1、1、3 这些映射值塞进频域载波，16QAM 星座平均功率是 10，等于给每个符号额外乘了 sqrt(10) 的增益。看起来只是缩放，但在噪声方差固定时，它改变了等效 SNR。修复办法：qam_mod 最后做一次幂归一化，或者在接收端统计时用理论功率做修正。仿真里所有信噪比标定曲线，都要以“星座平均功率=1”为基准，这条尽量写成代码注释里的约定，避免换了人维护时再踩一次。

6. 进阶验证：三步确认真实链路，再记住一个多径习惯

6.1 退化测试、直流峰检查和 U 形曲线

验证一：退化为标准 OFDM。偏置设成极小，比如 0.1 dB，削波关闭，信道换成纯 AWGN，此时 DCO-OFDM 应该退化为一个标准的实 OFDM 链路，BER 曲线应该和理论 AWGN 16QAM 曲线重合。如果偏差超过 0.5 dB，问题多半出在 QAM 调制或 SNR 定义，而不是 DCO-OFDM 本身。

验证二：检查频域直流峰。把加偏置后的时域信号做 FFT，查看第 0 号子载波是否出现一个明显凸起，同时数据子载波频谱平坦。对 256 点 FFT，偏置会在 0 号上留下一个高耸的直流峰，其余子载波只有数据频谱。如果直流峰不在 0 号而在旁边，说明镜像位置写错。

验证三：扫描偏置从 0 dB 到 16 dB，看 BER 曲线族是否呈 U 形。每条曲线应该有各自的最低点，最优偏置随 SNR 升高而略微右移。出现完全水平或者单调递减的曲线时，多半是削波被关闭，或者偏置没有真正加进功耗模型。这三个验证做完，链路基本可以拿去跑批量仿真了。

6.2 从 AWGN 走向多径信道前：偏置项与信道估计要分开

我在做室内 VLC 信道仿真时踩过一次坑，把训练序列直接经过带偏置的时域信号发给接收端，再用 FFT 结果估计信道，结果估计出来的信道响应带有额外直流误差。原因就是等效信道中混入了偏置项。正确做法是：训练阶段发送已知的频域数据，接收端提取数据子载波之后再去做 LS 或 MMSE 信道估计，不要把时域直流分量带进估计矩阵。如果你用了导频符号，导频子载波和数据子载波一样，都要避开第 0 号。均衡时也只需要对数据子载波做单抽头迫零，不需要碰直流那一项。

最后给一个习惯性的建议：每改一个参数，先跑一遍 200 符号的快速 BER，再看星座图和频谱，不要一上来跑 1e6 比特的长仿真。DCO-OFDM 的链路结构不复杂，绝大多数问题在小样本下就能现形，把上面三个验证点养成肌肉记忆，比任何调试技巧都省时间。希望帮到你。

本文还有配套的精品资源，点击获取