瑞利衰落与莱斯衰落信道模型：从公式到可运行代码的仿真实现

简介：这份资源聚焦无线通信中的瑞利衰落与莱斯衰落信道建模，面向通信工程专业学生、科研人员及算法工程师，用于理解多径传播环境下信号强度的随机变化规律。压缩包共4个文件，以3个m脚本文件和1张jpg示意图为主，脚本分别实现瑞利信道与莱斯信道的仿真及对比绘图，图片直观展示两种模型的幅度分布差异，整体约23KB，轻量易运行。目前已有1362人学习下载，适合作为课程实验或课题入门的参考素材。通过运行代码，读者可调整直射分量、多径增益等参数，观察衰落速率与包络分布的变化，进而分析分集接收、均衡与编码策略对系统性能的改善效果，为OFDM、多址接入等场景下的信道建模与算法验证提供可复用的仿真基础。

1. 瑞利衰落和莱斯衰落信道模型：从公式到可运行代码，一次讲透

做无线通信仿真的人，迟早会撞上瑞利衰落和莱斯衰落这两个词。做链路级仿真要它，做误码率曲线要它，做接收机算法验证也要它。但很多人第一次写瑞利信道代码时，直接randn一乘就完事，结果 BER 曲线跟理论值差了好几个 dB，回头查半天不知道错在哪。这个标题指向的就是这件事：用可复现的代码把瑞利信道模型和莱斯衰落信道模型搭出来，搞清楚包络服从什么分布、相位怎么处理、莱斯因子 K 怎么影响结果。适合正在做通信系统仿真、需要生成信道系数、或者要验证均衡与分集算法的人。下面按“先立住理论、再动手复现、最后排坑”的顺序展开，代码以 Python 为主，MATLAB 思路一致。

2. 瑞利衰落和莱斯衰落到底在描述什么：先分清散射环境

2.1 瑞利衰落的物理前提：没有直射路径

瑞利衰落描述的是这样一种场景：发射机和接收机之间没有视距分量，接收到的信号是大量相互独立的散射波叠加。根据中心极限定理，同相分量和正交分量都近似服从零均值高斯分布，于是复包络就是一个零均值复高斯随机变量。它的包络服从瑞利分布，相位在 $[-\pi, \pi)$ 上均匀分布。

这件事的工程含义很直接：包络可以深衰落，偶尔掉到接近零，接收端信噪比波动很大。所以瑞利信道常用来模拟城市密集区、室内非视距等环境。写代码时核心就一句话——生成两个独立零均值高斯序列，一个当实部一个当虚部。

2.2 莱斯衰落的物理前提：有一条主路径

莱斯衰落比瑞利多了一个确定性分量，也就是视距路径或强主路径。复包络可以写成“主路径 + 散射分量”的形式。主路径幅度固定，散射部分仍然是零均值复高斯。此时包络服从莱斯分布，用一个参数 K 来描述主路径功率与散射功率之比。

K 趋于零时，莱斯退化成瑞利；K 越大，包络越接近恒定值，衰落越浅。这就是为什么视距场景下信道更“稳”，而非视距场景下误码率曲线更陡峭地恶化。理解这一点，后面调参数就不会盲目。

2.3 两种模型的参数对照

选型理由不复杂：有明确视距就上莱斯，否则用瑞利。别为了“看起来高级”硬套莱斯，K 设错反而误导结论。

3. 用 Python 生成瑞利信道系数：最小可运行代码

3.1 复高斯生成法与功率归一化

最直接的做法是生成复高斯序列，再做功率归一化。下面这段代码可以直接跑，输出信道系数和包络分布。

import numpy as np import matplotlib.pyplot as plt def rayleigh_channel(N, seed=0): rng = np.random.default_rng(seed) # 实部和虚部独立零均值高斯，方差 0.5 保证总功率为 1 h_real = rng.normal(0, np.sqrt(0.5), N) h_imag = rng.normal(0, np.sqrt(0.5), N) h = h_real + 1j * h_imag return h N = 100000 h = rayleigh_channel(N) envelope = np.abs(h) print("平均功率:", np.mean(envelope**2)) # 应接近 1 print("包络均值:", np.mean(envelope)) # 理论 sqrt(pi/4)≈0.886

逻辑说明：实部虚部方差取 0.5，是为了让 $E[|h|^2]=1$，这是链路仿真里最常见的归一化约定。参数 N 是样本数，做分布验证建议不低于 1e5，否则直方图毛刺明显。seed 固定保证可复现。运行后平均功率应接近 1，包络均值接近 0.886，偏离太多说明方差设错了。

3.2 用直方图验证包络是否服从瑞利分布

生成完不能只看均值，要验证分布形状。瑞利分布的概率密度是 $f(r)=\frac{r}{\sigma^2}e^{-r^2/(2\sigma^2)}$，这里 $\sigma^2=0.5$。

r = np.linspace(0, 3, 300) sigma2 = 0.5 pdf_theory = (r / sigma2) * np.exp(-r**2 / (2 * sigma2)) plt.hist(envelope, bins=100, density=True, alpha=0.6, label="simulation") plt.plot(r, pdf_theory, 'r', label="theory") plt.xlabel("envelope") plt.ylabel("pdf") plt.legend() plt.show()

参数说明：bins 取 100 是经验值，样本多可以加到 200。density=True 必须开，否则直方图是计数不是概率密度，跟理论曲线对不上。如果仿真直方图整体右移，多半是功率没归一化；如果形状不对，检查实部虚部是否独立。

3.3 把信道作用到 QPSK 符号上看误码

光看分布还不够，最终要落到 BER。下面把瑞利信道乘到 QPSK 符号上，加高斯白噪声，做硬判决。

def qpsk_ber_rayleigh(EbN0_dB): EbN0 = 10**(EbN0_dB/10) N = 200000 bits = np.random.default_rng(1).integers(0, 2, 2*N) sym = (2*bits[0::2]-1) + 1j*(2*bits[1::2]-1) sym = sym / np.sqrt(2) # 归一化符号功率为 1 h = rayleigh_channel(N, seed=2) noise_var = 1 / (2 * EbN0) # 每维噪声方差 noise = np.sqrt(noise_var) * (np.random.default_rng(3).normal(size=N) + 1j*np.random.default_rng(4).normal(size=N)) y = h * sym + noise y_eq = y / h # 理想信道估计下迫零均衡 bits_hat = np.zeros(2*N, dtype=int) bits_hat[0::2] = (y_eq.real > 0).astype(int) bits_hat[1::2] = (y_eq.imag > 0).astype(int) return np.mean(bits != bits_hat) for dB in range(0, 21, 5): print(dB, qpsk_ber_rayleigh(dB))

逻辑说明：这里用了理想信道估计，接收端已知 h，直接除回去。参数 EbN0_dB 是每比特信噪比，噪声方差按 1/(2*EbN0) 算，因为 QPSK 每符号两比特且做了功率归一化。跑出来 20 dB 时 BER 大约在 1e-2 量级，这就是瑞利信道没有分集时的典型平底，跟理论值一致。如果明显偏高，先查噪声方差和符号归一化。

4. 莱斯信道代码怎么写：K 因子怎么设才不翻车

4.1 主路径加散射分量的构造方式

莱斯信道的复包络写成 $h = \sqrt{\frac{K}{K+1}} e^{j\phi} + \sqrt{\frac{1}{K+1}} g$，其中 g 是零均值单位功率复高斯，$\phi$ 是主路径相位。这样总功率仍然是 1，K 就是主路径与散射功率之比。

def rician_channel(N, K_dB, seed=0): rng = np.random.default_rng(seed) K = 10**(K_dB/10) los = np.sqrt(K/(K+1)) * np.exp(1j*2*np.pi*rng.random(N)) nlos = np.sqrt(1/(K+1)) * (rng.normal(0, np.sqrt(0.5), N) + 1j*rng.normal(0, np.sqrt(0.5), N)) return los + nlos for K_dB in [-10, 0, 6, 10]: h = rician_channel(100000, K_dB) print(K_dB, np.mean(np.abs(h)**2))

参数说明：K_dB 是莱斯因子以 dB 表示，常见取值 0 到 12 dB。K_dB 很小时结果接近瑞利，K_dB 很大时包络几乎恒定。主路径相位用均匀随机，是因为仿真里通常不关心绝对相位，只关心统计特性。平均功率应始终接近 1，如果随 K 变化说明归一化写错了。

4.2 K 因子对误码率曲线的影响

把上面的莱斯信道替换进 QPSK 流程，就能看到 K 的作用。

def qpsk_ber_rician(EbN0_dB, K_dB): EbN0 = 10**(EbN0_dB/10) N = 200000 bits = np.random.default_rng(1).integers(0, 2, 2*N) sym = ((2*bits[0::2]-1) + 1j*(2*bits[1::2]-1)) / np.sqrt(2) h = rician_channel(N, K_dB, seed=2) noise_var = 1/(2*EbN0) noise = np.sqrt(noise_var) * (np.random.default_rng(3).normal(size=N) + 1j*np.random.default_rng(4).normal(size=N)) y_eq = (h*sym + noise) / h bits_hat = np.zeros(2*N, dtype=int) bits_hat[0::2] = (y_eq.real > 0).astype(int) bits_hat[1::2] = (y_eq.imag > 0).astype(int) return np.mean(bits != bits_hat) for K_dB in [-10, 0, 6, 10]: print(K_dB, qpsk_ber_rician(20, K_dB))

逻辑说明：K 越大，20 dB 处的 BER 越低，因为主路径稳定，深衰落概率下降。K=-10 dB 时结果几乎和瑞利一样，这是验证代码正确性的一个好办法。参数设置上，做视距场景一般取 K=6 到 12 dB，做非视距直接退回瑞利模型。

4.3 时间相关性怎么加：Jakes 模型与滤波法

上面生成的都是独立同分布样本，真实信道有时间相关性。常见做法是给复高斯序列过一个多普勒滤波器，或者用 Jakes 模型的正弦叠加法。工程上更常用滤波法，因为实现简单。

from scipy.signal import lfilter def correlated_rayleigh(N, fd, fs, seed=0): rng = np.random.default_rng(seed) # 一阶低通近似，截止频率与多普勒频移相关 alpha = np.exp(-2*np.pi*fd/fs) b, a = [np.sqrt(1-alpha**2)], [1, -alpha] x = rng.normal(0, 1, N) + 1j*rng.normal(0, 1, N) x = x / np.sqrt(2) h = lfilter(b, a, x) return h

参数说明：fd 是最大多普勒频移，fs 是采样率，alpha 控制相关性强弱。fd/fs 越小相关性越强。这个一阶模型只是近似，做严格验证要用 Jakes 或 SUMOF-SINUSOIDS，但做算法链路验证足够。注意滤波后功率会变化，必要时重新归一化。

5. 避坑与排查：瑞利和莱斯信道仿真里最容易翻车的 5 个点

5.1 现象：BER 曲线比理论值低很多，甚至为 0

原因：噪声方差算错，或者符号功率没归一化，导致实际信噪比偏高。解决：固定 EbN0 后打印实际信噪比，确认符号平均功率为 1、噪声每维方差为 1/(2*EbN0)。别凭感觉设噪声。

5.2 现象：包络直方图和瑞利理论对不上

原因：实部虚部方差设成了 1 而不是 0.5，总功率变成 2。解决：统一约定 $E[|h|^2]=1$，实部虚部方差各 0.5。莱斯信道同理，主路径和散射分量功率加起来要为 1。

5.3 现象：莱斯信道 K 调大后 BER 反而变差

原因：主路径相位固定成 0，和某些符号相位对齐后产生系统性偏置，或者归一化漏了。解决：主路径相位用随机均匀分布，并检查平均功率是否恒为 1。K 增大 BER 应单调改善，不改善就是代码有问题。

5.4 现象：加了时间相关性后 BER 曲线抖动剧烈

原因：滤波器引入瞬态，前若干样本未稳态，或者相关长度超过仿真块长。解决：丢弃前 1000 个样本，仿真长度至少是相关长度的 10 倍以上。做块衰落仿真时，每块内信道恒定，块间独立，别混用。

5.5 现象：换 MATLAB 复现结果对不上

原因：MATLABrandn和 NumPy 默认随机流不同，且randn是方差 1 不是 0.5。解决：显式指定方差，固定随机种子，先对齐平均功率和包络均值再比 BER。别拿不同随机流的单次结果直接对比。

6. 进阶技巧：用理论 BER 公式反查你的信道代码对不对

写完代码怎么确认没写错？最可靠的办法是拿理论公式对。瑞利信道下 QPSK 的 BER 有闭式解，莱斯信道也有积分形式，可以直接算出来跟仿真比。

from scipy.special import erfc def qpsk_ber_rayleigh_theory(EbN0_dB): EbN0 = 10**(EbN0_dB/10) return 0.5*(1 - np.sqrt(EbN0/(1+EbN0))) for dB in range(0, 21, 5): print(dB, qpsk_ber_rayleigh_theory(dB))

逻辑说明：把这段输出和 3.3 的仿真结果并排看，20 dB 时理论约 0.0126，仿真应在同一量级。如果仿真低一个数量级，回去查噪声方差；如果高很多，查信道是否真的乘进去了。这个反查习惯我用了很多年，比盯着代码看有效得多。

我自己的习惯是：每写一个新信道模型，先跑分布验证，再跑 BER 对理论，两步都过才敢往系统仿真里放。瑞利和莱斯这两个模型看着简单，翻车基本都翻在归一化和噪声方差上，跟算法本身没关系。希望帮到你。

本文还有配套的精品资源，点击获取