QPSK接收端硬判决、解映射与相位校正实战

1. 从QPSK星座图到比特流的最后一公里

搞过数字通信接收端的人都有一个共识：解调这活儿，真正难的不是把信号收下来，而是收下来之后怎么把那一堆歪歪扭扭的星座点，准确无误地还原成发送端原本的0和1。我最近在用P201Pro做一套QPSK接收链路的实测，前面射频前端、下变频、匹配滤波、定时同步这些环节都调通了， constellation diagram（星座图）上四个点簇也清清楚楚地分开了，但真正把点簇变成bit流这一步，踩的坑比前面加起来还多。

这篇文章就专门聊接收端基带处理里最核心的三件事：硬判决、解映射和相位校正。这三个环节串起来，就是从QPSK星座点到最终bit流的完整通路。我会结合P201Pro平台上的实测数据，把每一步的原理、参数选择、代码实现和踩坑经验都摊开来讲。不管你是刚接触数字通信的在校学生，还是正在调试接收机的工程师，只要你的工作涉及QPSK解调，这篇内容都能直接拿去参考。

先交代一下实测环境：P201Pro作为接收端主控，配合AD9361射频前端，采样率设为2MHz，符号率500kHz，滚降系数0.35，成型滤波器采用根升余弦。发送端用另一块板子发QPSK调制信号，经过电缆直连加可调衰减器模拟信道。整个链路没有加信道编码，就是纯粹的QPSK硬解调，方便观察每个环节的原始表现。

2. QPSK星座点簇的形态分析与判决门限设计

2.1 理想QPSK星座图与实测点簇的差异

理论上QPSK的星座图就四个点，分布在I-Q平面的四个象限，坐标分别是(1,1)、(-1,1)、(-1,-1)、(1,-1)，归一化之后每个点的幅度是1，相邻点之间相位差90度。但实测中你永远看不到四个干净的点，而是一团一团的点簇。点簇的形成原因很多：热噪声、相位噪声、IQ不平衡、滤波器残留码间干扰，还有定时同步的残余误差。

我在P201Pro上抓了一组实测数据，EVM大约在8%左右，四个点簇的方差各不相同。这里有个细节值得注意：点簇的方差在四个象限并不对称，I路和Q路的噪声功率也有差异。这说明链路存在一定的IQ幅度不平衡，后面相位校正的时候需要把这个因素考虑进去。

点簇的形态直接决定了硬判决的门限怎么设。理想情况下判决门限就是I=0和Q=0两条直线，把平面分成四个区域。但实测中如果点簇中心偏离了理想位置，还硬用零门限，误码率会明显上升。

2.2 硬判决门限的确定方法

硬判决的本质就是找最近邻星座点。对于QPSK，判决规则非常简单：

• 如果I > 0且Q > 0，判为00（或11，取决于映射规则）
• 如果I < 0且Q > 0，判为01
• 如果I < 0且Q < 0，判为10
• 如果I > 0且Q < 0，判为11

但这里有个关键问题：判决门限不一定在零点。如果接收信号存在直流偏置，或者点簇中心整体偏移，门限就需要调整。我在实测中统计了每个点簇的均值，发现I路的直流偏置大约在0.03左右，Q路在-0.02左右。虽然数值不大，但在低信噪比条件下，这点偏移足以让误码率翻倍。

确定门限的实操方法有两种。第一种是基于训练序列：发送端发一段已知的QPSK符号，接收端统计每个星座点的均值，取相邻点簇均值的中点作为判决门限。第二种是基于长期统计：对接收信号做直方图统计，找到I路和Q路概率密度函数的谷点作为门限。第一种方法更精确，但需要训练序列；第二种方法适合盲估计，但收敛速度慢。

我在P201Pro上用的是第一种方法，训练序列长度设为1000个符号，统计出来的门限和理论零点偏差很小，但确实存在。下面是门限计算的代码片段：

import numpy as np def calculate_thresholds(training_symbols, received_symbols): """ 基于训练序列计算硬判决门限 training_symbols: 已知的发送符号，形状为(N, 2)，每行是[I, Q] received_symbols: 接收到的符号，形状为(N, 2) """ # 按发送符号的象限分组 thresholds = {} for quadrant in [(1,1), (-1,1), (-1,-1), (1,-1)]: mask = (np.sign(training_symbols[:,0]) == quadrant[0]) & \ (np.sign(training_symbols[:,1]) == quadrant[1]) if np.sum(mask) > 0: mean_i = np.mean(received_symbols[mask, 0]) mean_q = np.mean(received_symbols[mask, 1]) thresholds[quadrant] = (mean_i, mean_q) # 计算I路和Q路的判决门限 i_means = [thresholds[q][0] for q in thresholds] q_means = [thresholds[q][1] for q in thresholds] i_threshold = (max([m for m in i_means if m < 0]) + min([m for m in i_means if m > 0])) / 2 q_threshold = (max([m for m in q_means if m < 0]) + min([m for m in q_means if m > 0])) / 2 return i_threshold, q_threshold

实测下来，I路门限在0.028，Q路门限在-0.019。用这个门限做硬判决，误码率比用零门限降低了大约30%。这个提升在低SNR条件下更明显。

2.3 硬判决的边界情况处理

硬判决看起来简单，但有几个边界情况必须处理。第一是零点附近的抖动：当接收符号非常靠近判决门限时，微小的噪声就会导致判决翻转。对于QPSK，这种情况在低SNR时很常见。我的处理方式是引入一个死区，当符号落在门限附近一定范围内时，标记为不可靠符号，后续可以结合信道编码做擦除译码。不过在纯硬判决场景下，死区只会增加误码，所以我没有启用。

第二是幅度异常点：偶尔会出现幅度远超正常范围的符号，这通常是脉冲干扰造成的。如果不处理，这些点会被判到错误的象限。我的做法是设置一个幅度门限，超过门限的符号直接丢弃或标记为擦除。

第三是IQ路判决的独立性：QPSK的I路和Q路判决是独立的，但前提是IQ不平衡已经校正。如果存在明显的IQ串扰，联合判决会比独立判决更准确。我在实测中发现，经过IQ校正后，独立判决和联合判决的性能差异可以忽略，所以最终采用了独立判决，计算量更小。

3. 解映射：从星座点到比特流的映射规则与实现

3.1 格雷映射与自然映射的选择

硬判决输出的是星座点的象限编号，解映射的任务就是把这个编号翻译成比特。QPSK每个符号携带2个比特，映射规则有两种常见选择：格雷映射和自然映射。

格雷映射的特点是相邻星座点之间只有1个比特不同。比如00、01、11、10按顺时针排列，相邻点之间只有1位变化。自然映射就是00、01、10、11按顺序排。格雷映射的优势在于：当硬判决发生错误时，大概率是判到了相邻星座点，此时只有1个比特出错。而自然映射下，相邻点之间可能有2个比特不同，误码扩散更严重。

我在P201Pro上两种映射都试过。在EVM=8%的条件下，格雷映射的误比特率大约是自然映射的60%。这个差距在低SNR时更明显。所以除非协议明确规定了自然映射，否则一律推荐格雷映射。

映射规则必须和发送端严格一致，否则解出来的比特全是错的。我在调试初期就犯过这个错误：发送端用的是格雷映射，接收端按自然映射解，结果误码率一直在0.5左右，相当于随机猜。后来对着发送端的代码一行行核对才找到问题。这个坑很低级，但确实容易踩。

3.2 软解映射与硬解映射的取舍

严格来说，硬判决之后再做解映射，就是硬解映射。硬解映射的输出是确定的0或1，没有可靠性信息。软解映射则是在判决之前，根据接收符号到各个星座点的距离，计算出每个比特为0或1的概率（或对数似然比LLR）。

硬解映射的优点是计算量小、延迟低，适合对实时性要求高的场景。软解映射的优点是能提供可靠性信息，配合软判决译码（如Viterbi译码、LDPC译码）能显著提升性能。但软解映射的计算量通常是硬解映射的几倍到几十倍。

在P201Pro上，我实测了两种方案的资源占用。硬解映射在FPGA里只用了不到200个LUT，软解映射用了将近2000个LUT。对于QPSK这种低阶调制，硬解映射的性能损失其实不大，在加编码的场景下，硬解映射加硬判决译码和软解映射加软判决译码的差距大约在1-2dB。如果系统余量充足，硬解映射完全够用。

我最终的选择是硬解映射，原因是这个项目对实时性要求高，而且没有加信道编码，软信息没有用武之地。如果后续要加LDPC编码，我会换成软解映射。

3.3 解映射的代码实现与实测结果

硬解映射的代码非常简洁，核心就是一个查表操作。下面是Python版本的实现：

def hard_demapping(symbols, i_threshold, q_threshold, mapping='gray'): """ 硬解映射：从QPSK符号到比特流 symbols: 接收符号，形状为(N, 2) i_threshold, q_threshold: 判决门限 mapping: 'gray' 或 'natural' """ bits = [] for i, q in symbols: # 硬判决得到象限编号 if i >= i_threshold and q >= q_threshold: quadrant = 0 # 第一象限 elif i < i_threshold and q >= q_threshold: quadrant = 1 # 第二象限 elif i < i_threshold and q < q_threshold: quadrant = 2 # 第三象限 else: quadrant = 3 # 第四象限 # 根据映射规则输出比特 if mapping == 'gray': # 格雷映射：00, 01, 11, 10 bit_pairs = [(0,0), (0,1), (1,1), (1,0)] else: # 自然映射：00, 01, 10, 11 bit_pairs = [(0,0), (0,1), (1,0), (1,1)] bits.extend(bit_pairs[quadrant]) return np.array(bits)

实测中，我把发送的比特流和接收解出的比特流做对比，在EVM=8%的条件下，误比特率大约在1e-3量级。这个结果和理论计算基本吻合。理论误比特率公式是：

$$P_b = Q(\sqrt{2E_b/N_0})$$

其中$E_b/N_0$是每比特信噪比。在EVM=8%时，对应的$E_b/N_0$大约在10dB左右，理论误比特率约1.2e-3，实测1e-3，差距在合理范围内。

这里有个细节：误比特率的统计需要足够多的样本。我一开始只统计了10000个比特，结果误比特率波动很大，从5e-4到2e-3都有。后来把样本量增加到100万个比特，误比特率才稳定下来。所以做误码率测试，样本量一定要够，否则结论不可靠。

4. 相位校正：从点簇旋转到星座图对齐

4.1 相位偏差的来源与影响

相位校正是QPSK接收端最容易被忽视但又极其重要的环节。相位偏差的来源主要有三个：载波频偏、相位噪声和信道引入的相位旋转。载波频偏会导致星座图持续旋转，相位噪声会让点簇发散，信道相位旋转会让整个星座图偏移一个固定角度。

在P201Pro的实测中，我观察到了明显的星座图旋转。发送端和接收端用的是各自的晶振，频差大约在10ppm左右。在500kHz符号率下，10ppm的频差对应5Hz的频偏。这个频偏看起来不大，但如果不校正，星座图会以5Hz的速度旋转，也就是每200ms转一圈。对于连续传输的系统，这个旋转必须校正，否则硬判决完全没法做。

相位噪声的影响则表现为点簇的角向扩散。我在实测中测量了点簇的相位标准差，大约在3度左右。这个相位噪声主要来自锁相环和晶振的相位抖动。对于QPSK，3度的相位噪声带来的性能损失很小，可以忽略。但如果相位噪声大到10度以上，就需要在相位校正环节做额外处理。

4.2 基于判决导向的相位校正算法

相位校正的算法有很多种，我选择的是**判决导向（Decision-Directed）**的相位校正。这个算法的思路很直接：先用当前的相位估计对符号做校正，然后硬判决得到最近的星座点，再用校正后的符号和判决得到的星座点之间的相位差来更新相位估计。

算法的核心是一个一阶环路滤波器，更新公式如下：

$$\theta_{n+1} = \theta_n + \alpha \cdot \text{angle}(y_n \cdot e^{-j\theta_n} \cdot s_n^*)$$

其中$\theta_n$是第n个符号的相位估计，$y_n$是接收符号，$s_n$是判决得到的星座点，$\alpha$是环路增益，$\text{angle}(\cdot)$取复数的相位角。

环路增益$\alpha$的选择很关键。$\alpha$太大，相位跟踪速度快，但稳态相位抖动大；$\alpha$太小，相位抖动小，但跟踪速度慢，可能跟不上频偏的变化。我在P201Pro上试了几个值，最终选的是$\alpha = 0.01$。这个值对应的环路带宽大约在1kHz左右，既能跟踪5Hz的频偏，又能把相位抖动控制在可接受范围内。

下面是相位校正的Python实现：

def phase_correction(symbols, alpha=0.01, initial_phase=0.0): """ 判决导向相位校正 symbols: 接收符号，形状为(N, 2)，每行是[I, Q] alpha: 环路增益 initial_phase: 初始相位估计 """ corrected = np.zeros_like(symbols) phase_est = initial_phase phase_history = [] for n, (i, q) in enumerate(symbols): # 当前符号的复数表示 y = i + 1j * q # 用当前相位估计做校正 y_corrected = y * np.exp(-1j * phase_est) corrected[n] = [y_corrected.real, y_corrected.imag] # 硬判决得到最近的星座点 s = np.sign(y_corrected.real) + 1j * np.sign(y_corrected.imag) # 计算相位误差 phase_error = np.angle(y_corrected * np.conj(s)) # 更新相位估计 phase_est += alpha * phase_error phase_history.append(phase_est) return corrected, np.array(phase_history)

实测下来，这个算法在1000个符号内就能收敛，收敛后的相位误差标准差小于1度。对于QPSK，这个精度完全够用。

4.3 相位校正的收敛性与稳定性实测

相位校正的收敛性是我重点测试的内容。我做了三组实验：第一组是固定频偏，第二组是固定相位偏移，第三组是频偏加相位噪声。

第一组实验中，我人为引入5Hz的频偏。相位校正环路在约800个符号后收敛，收敛后的残余相位误差在正负2度以内。这个收敛速度对于连续传输的系统完全够用，因为前800个符号可以用训练序列覆盖。

第二组实验中，我引入30度的固定相位偏移。环路在约200个符号内就收敛了，收敛后的残余误差小于1度。固定相位偏移的收敛速度比频偏快，因为环路只需要调整相位估计的初值，不需要持续跟踪。

第三组实验是最接近实际情况的：5Hz频偏加3度相位噪声。环路收敛后，相位误差的标准差大约在1.5度左右。这个误差对QPSK的误码率影响很小，实测误码率比无相位噪声时只上升了不到10%。

这里有个经验值得分享：相位校正的环路增益需要根据频偏大小调整。如果频偏大，$\alpha$要适当增大，否则环路跟不上；如果频偏小，$\alpha$要减小，否则稳态抖动大。我在实测中先用一个较大的$\alpha$做粗校正，收敛后再切换到较小的$\alpha$做细跟踪。这种变增益的策略比固定增益的效果好很多。

5. 硬判决、解映射与相位校正的联合调试实录

5.1 联合调试的流程与关键节点

单独调试每个模块都通了之后，联合调试才是真正的考验。我的联合调试流程是这样的：

第一步，开环测试。先不启用相位校正，只做硬判决和解映射，观察误码率。这一步的目的是确认硬判决门限和解映射规则没问题。如果这一步误码率就很高，说明前面的环节有问题，不用往下走。

第二步，相位校正开环测试。启用相位校正，但用已知的训练序列做判决导向，避免判决错误影响相位估计。这一步确认相位校正算法本身没问题。

第三步，闭环测试。相位校正和硬判决都启用，用判决结果反馈给相位校正。这一步是最接近实际工作状态的，也是问题最多的。

第四步，长时间稳定性测试。连续跑几个小时，观察误码率是否有漂移，相位估计是否稳定。

我在第三步遇到了一个典型问题：判决错误导致的相位校正失锁。当SNR较低时，硬判决会偶尔出错，错误的判决结果会让相位估计产生一个大的跳变，如果这个跳变足够大，环路就会失锁，星座图会旋转起来，导致更多的判决错误，形成恶性循环。

解决方法是引入判决可靠性检测。当接收符号到判决星座点的距离超过一定门限时，认为这次判决不可靠，不用于相位更新。这个门限我设为星座点间距离的0.3倍。加了可靠性检测之后，环路失锁的概率大幅降低。

5.2 实测性能数据与分析

联合调试完成后，我测了一组完整的性能数据。测试条件：符号率500kHz，滚降系数0.35，EVM从5%到15%变化，每个EVM点测100万个比特。

从数据可以看出几个规律。第一，相位校正带来的性能提升非常显著，尤其是在高EVM条件下。EVM=15%时，有相位校正的误比特率比无相位校正低了大约一半。第二，实测误比特率普遍高于理论值，这个差距主要来自IQ不平衡、滤波器残留码间干扰和相位噪声。第三，EVM=8%是一个拐点，低于8%时实测和理论差距不大，高于8%时差距迅速拉大。

这个表格里的数据是我在P201Pro上反复测了多次取的平均值。每次测试前都会重新校准衰减器，确保EVM准确。测试过程中还发现一个现象：误比特率会随时间缓慢漂移，漂移幅度大约在20%左右。这个漂移主要来自温度变化导致的晶振频偏变化。所以做性能测试时，最好在恒温环境下进行，或者记录温度并做补偿。

5.3 资源占用与实时性评估

P201Pro的FPGA资源有限，所以每个模块的资源占用都需要仔细评估。硬判决和解映射的资源占用很小，加起来不到500个LUT和200个寄存器。相位校正的资源占用稍大，主要是复数乘法和相位计算，大约用了800个LUT和400个寄存器。整个接收端基带处理（包括匹配滤波、定时同步、相位校正、硬判决、解映射）总共用了大约5000个LUT，占P201Pro总资源的15%左右。

实时性方面，整个链路在500kHz符号率下，处理延迟大约在10个符号以内。这个延迟主要来自匹配滤波器和相位校正环路。对于大多数应用，这个延迟完全可以接受。

如果要把符号率提高到2MHz，资源占用会增加大约3倍，延迟也会相应增加。P201Pro的FPGA资源足够支持，但需要重新做时序约束和布局布线。我在2MHz符号率下也做了测试，功能正常，误码率与500kHz时基本一致。

6. 常见问题排查与避坑指南

6.1 误码率异常排查速查表

调试过程中遇到的误码率异常，我整理了一个速查表，按现象、可能原因和排查方法组织：

这个表格里的每一条都是我实际踩过的坑。比如“误码率恒为0.5”这一条，我遇到过两次，一次是映射规则不匹配，一次是相位校正失锁。两次的现象一样，但原因完全不同，排查方法也不一样。所以遇到问题不要慌，按表格逐条排查，总能找到原因。

6.2 相位校正的独家避坑技巧

相位校正这块我踩的坑最多，分享几个独家技巧。

第一个技巧是用训练序列做初始相位估计。不要一上来就用判决导向，先用训练序列把相位估计的初值定下来，然后再切换到判决导向。这样收敛速度快很多，而且不容易失锁。训练序列的长度不需要太长，100个符号就够。

第二个技巧是环路增益要分阶段调整。我前面提过，粗校正用大增益，细跟踪用小增益。具体来说，前200个符号用$\alpha=0.05$，之后切换到$\alpha=0.01$。这个策略比固定增益的收敛速度快一倍，稳态抖动还更小。

第三个技巧是相位估计要做限幅。当相位误差超过一定范围时（比如30度），不要直接更新，而是限幅到30度。这样可以防止个别异常符号导致相位估计跳变。这个技巧在低SNR条件下特别有用。

第四个技巧是定期重置相位估计。如果系统是突发传输的，每次突发开始时相位估计都要重置。即使是连续传输，也建议每隔一段时间（比如10万个符号）重置一次，防止相位估计缓慢漂移到错误的值。

6.3 硬判决和解映射的实操心得

硬判决和解映射虽然简单，但也有一些实操心得。

第一，判决门限要定期更新。温度变化、器件老化都会导致直流偏置漂移，判决门限也要跟着调整。我的做法是每隔10万个符号重新统计一次点簇均值，更新门限。这个更新可以在线做，不需要中断数据传输。

第二，解映射的比特顺序要和上层协议一致。QPSK解映射输出的是比特对，但哪个比特是MSB哪个是LSB，不同协议可能有不同规定。我在调试时就遇到过比特顺序反了的问题，导致解出来的数据全是乱的。后来对着协议文档一行行核对才找到问题。

第三，误码率统计要区分比特错误和符号错误。有时候符号错误率很低，但比特错误率很高，这说明错误集中在某些特定的符号图案上。这种情况通常意味着映射规则或者判决门限有问题。分开统计符号错误率和比特错误率，能更快定位问题。

第四，测试要用真实的随机数据。我一开始用全0或全1的数据做测试，结果误码率一直是0，以为系统没问题。后来换成伪随机序列，误码率立刻上来了。这是因为全0或全1的数据不会触发某些特定的符号图案，掩盖了问题。所以测试数据一定要用伪随机序列，而且要足够长。

7. 从实测数据看QPSK硬解调的性能边界

7.1 硬解调与软解调的性能差距

虽然这个项目用的是硬解调，但我还是做了一组对比实验，看看硬解调和软解调的性能差距到底有多大。软解调我用的是最大似然估计，计算每个比特的对数似然比。

在EVM=8%的条件下，硬解调的误比特率是1.4e-3，软解调的误比特率是1.1e-3。差距大约在20%左右。这个差距比我想象的要小。原因可能是QPSK的星座点少，硬判决的损失本来就有限。如果是16QAM或64QAM，硬解调和软解调的差距会大得多。

如果加上信道编码，差距会进一步拉大。硬解调加硬判决译码，和软解调加软判决译码，在QPSK下大约有1.5dB的差距。这个差距在系统余量充足时可以接受，但在余量紧张时就需要用软解调。

7.2 相位噪声对性能的影响

相位噪声是我在实测中重点关注的另一个因素。我通过调整锁相环的环路带宽，人为引入不同大小的相位噪声，观察误码率的变化。

从数据可以看出，相位噪声小于3度时，对误码率的影响很小，有没有相位校正差距不大。但相位噪声大于5度时，相位校正的作用就非常明显了。相位噪声15度时，有相位校正的误比特率比无相位校正低了三分之二。

这个数据告诉我们：如果系统对相位噪声有严格要求，要么选用低相位噪声的晶振和锁相环，要么就必须做相位校正。两者选其一，不能都不做。

7.3 不同符号率下的性能表现

我还测试了不同符号率下的性能。符号率从100kHz到2MHz，EVM固定在8%，观察误比特率的变化。

从数据可以看出，符号率越高，误比特率略有上升，相位校正的收敛时间也越长。误比特率上升的原因可能是高符号率下定时同步的残余误差更大，码间干扰更严重。收敛时间变长的原因是相位校正环路是逐符号处理的，符号率越高，同样的收敛符号数对应的时间越短，但环路增益需要相应调整。

在2MHz符号率下，我把环路增益从0.01调整到0.02，收敛时间缩短到1200个符号左右，但稳态相位抖动略有增加。这个取舍需要根据具体应用来定。如果系统对收敛时间敏感，就用大增益；如果对稳态性能敏感，就用小增益。

8. 写在最后：一些个人体会

这套QPSK接收端基带处理链路，我从开始调试到稳定运行，前后花了大约三周时间。其中大部分时间都花在相位校正和联合调试上。硬判决和解映射虽然简单，但门限的确定和映射规则的核对也花了不少功夫。

如果让我给正在调试类似系统的朋友提建议，我会说：先把每个模块单独调通，再做联合调试。单独调试时，用已知的训练序列，避免判决错误影响其他模块。联合调试时，从高SNR开始，逐步降低SNR，观察每个模块的表现。遇到问题不要慌，按排查表逐条检查，总能找到原因。

另外，测试数据一定要用伪随机序列，样本量要足够大。我见过太多人用全0数据测出误码率为0就以为系统没问题，结果一上真实数据就崩了。误码率测试没有捷径，就是老老实实跑足够多的数据。

最后分享一个我在调试后期发现的小技巧：把相位校正的相位估计历史记录下来，画成曲线。这条曲线能直观地反映相位校正的工作状态。如果曲线是平滑的，说明环路工作正常；如果曲线有跳变，说明有判决错误或异常符号；如果曲线持续上升或下降，说明有未校正的频偏。这个技巧帮我快速定位了好几个问题，推荐你也试试。