SLM降低PAPR仿真代码实战：从原理到CCDF验证

简介：这份资源提供SLM方法降低PAPR的MATLAB仿真代码，面向学习OFDM多载波通信、关注峰均功率比抑制的本科生、研究生及通信工程技术人员。代码围绕信号级映射思路展开：对OFDM符号做IFFT得到时域信号，用多组相位矢量生成等效版本，比较各版本功率后选取最小者传输，并通过CCDF曲线对比处理前后的PAPR分布，直观呈现降低效果。压缩包仅726B，内含1个m脚本文件，即slm_ccdf.m，涵盖子载波数与仿真次数等参数设置、OFDM符号生成、SLM处理、CCDF计算与曲线绘制等环节，结构紧凑，便于直接运行和二次修改。已有703人学习下载，适合作为理解SLM原理、验证PAPR抑制效果并评估计算复杂度与编码开销权衡的入门参考。

1. 为什么我建议你先跑通这份 SLM 降低 PAPR 的仿真代码

OFDM 系统里最让人头疼的指标之一就是 PAPR——峰均功率比。子载波一多，时域信号就会出现偶发的尖峰，功放一旦被推到非线性区，带外辐射和误码率同时恶化。选择性映射（SLM）是解决这个问题的经典路线：用多组相位旋转序列对同一份频域数据做加权，生成多个候选时域信号，挑 PAPR 最低的那一个发出去。原理不复杂，但真到自己写代码时，相位序列怎么生成、边带信息怎么处理、CCDF 曲线怎么对齐理论值，每一步都有细节。这份 SLM 降低 PAPR 的仿真代码把候选序列生成、IFFT、PAPR 统计和 CCDF 对比串成了一条完整链路，适合正在做 OFDM 链路仿真、需要快速验证 SLM 增益的从业者，也适合刚接触 PAPR 抑制、想先看到曲线再回头抠公式的新手。下面我按自己拆包复现的顺序，把能抄的参数、能踩的坑和验证方法一次讲透。

2. SLM 的核心链路拆解：从相位序列到 CCDF 曲线

SLM 的骨架其实只有四步：频域符号分块或整体复制、乘上 U 组相位旋转向量、逐组做 IFFT、比较各组 PAPR 取最小。听起来线性，但真正决定仿真结果可信度的，是相位序列的取值集合、U 的大小、过采样倍数，以及 CCDF 的统计口径。这一章先把原理和选型理由讲清楚，再落到代码上，避免你拿到脚本只会改数字、不知道改完为什么曲线变了。

2.1 相位序列的取值集合与 U 值选型

SLM 的相位旋转向量一般记作 b(u) = [b0(u), b1(u), …, bN-1(u)]，每个元素从有限集合里取。最常见的集合是 {+1, -1} 和 {+1, -1, +j, -j}，前者实现简单、边带信息只需 1 bit/子载波，后者候选多样性更好但边带开销翻倍。工程上还有一个折中做法：只对部分子载波做旋转，其余保持 1，这样边带信息量可控。

U 的选择直接决定增益和复杂度。U 从 1 增到 4 时 CCDF 下降最明显，U 超过 8 之后边际收益迅速变小，而 IFFT 次数线性增长。我一般先用 U=4 跑基线，确认链路无误后再上 U=8 或 U=16 看增益天花板。代码里通常把 U 和相位集合做成可配置参数，下面这段是候选序列生成的典型写法：

import numpy as np def gen_phase_vectors(U, N, mode='bpsk'): """生成 U 组长度为 N 的相位旋转向量 mode='bpsk' -> {+1, -1} mode='qpsk' -> {+1, -1, +j, -j} """ if mode == 'bpsk': pool = np.array([1, -1], dtype=complex) elif mode == 'qpsk': pool = np.array([1, -1, 1j, -1j], dtype=complex) else: raise ValueError('unsupported phase mode') # 第一组固定为全 1，保证存在“不旋转”的参考候选 phases = np.ones((U, N), dtype=complex) rng = np.random.default_rng(2024) phases[1:] = rng.choice(pool, size=(U - 1, N)) return phases

这段代码有两个容易被忽略的点。第一，第一组相位固定为全 1，这样最低 PAPR 候选里始终包含原始信号，便于对比“SLM 到底带来了多少增益”，也方便排查是不是相位生成写错了。第二，随机种子固定，保证多次运行 CCDF 可复现——仿真类代码最怕每次跑出来曲线都在飘，排错时根本分不清是算法问题还是随机性。参数上，N 要和你的 FFT 点数一致，U 建议从 4 起步，mode 先跑 bpsk 再换 qpsk 对比。

2.2 过采样与 PAPR 统计口径

PAPR 的定义是 max|x(t)|² / mean|x(t)|²。离散域直接对 N 点 IFFT 结果求峰值，会系统性低估真实 PAPR，因为连续时间的尖峰可能落在采样点之间。常见做法是过采样 L=4，即频域补零到 L·N 再做 IFFT。补零位置有讲究：一般在中频两侧对称补零，等效于理想插值，能较真实地反映峰均比。

统计口径上，CCDF 是 PAPR 超过某门限的概率，横轴单位 dB。仿真时每个 OFDM 符号统计一次 PAPR，跑几千个符号后画经验 CCDF。这里有个血泪经验：不同论文的 CCDF 曲线对不齐，十有八九是过采样倍数或符号数不同，不是算法写错了。下面是对齐口径的统计代码：

def compute_papr(x, L=4): """x: 时域过采样信号（已含 L 倍插值） 返回单个符号的 PAPR(dB) """ peak = np.max(np.abs(x) ** 2) avg = np.mean(np.abs(x) ** 2) return 10 * np.log10(peak / avg) def ccdf_curve(papr_db, thresholds): """经验 CCDF：P(PAPR > threshold)""" return np.array([np.mean(papr_db > t) for t in thresholds])

compute_papr 里平均功率用的是过采样后信号自身的均值，这一点必须和峰值同口径，否则比值会偏。ccdf_curve 用严格大于号，和多数文献的 P(PAPR > PAPR0) 定义一致。thresholds 一般取 0 到 12 dB、步长 0.5 dB，符号数建议不少于 5000，否则尾部概率抖动明显。我见过有人只跑 200 个符号就下结论说 SLM 没增益，翻车翻得很典型。

2.3 主链路串接：从 QAM 映射到候选选择

把上面两块拼起来，完整链路是：随机比特 → QAM 映射 → 频域补零过采样 → 逐组乘相位向量 → IFFT → 算 PAPR → 取最小。注意相位旋转要在频域做，IFFT 之后再做旋转是错的，因为那只是改变了时域相位、不改变峰均比分布。下面是把链路串起来的核心函数：

def ofdm_slm_symbol(num_bits, N, U, L=4, mod_order=16, mode='bpsk'): # 1. 比特映射到 QAM 符号 bits_per_sym = int(np.log2(mod_order)) n_sym = num_bits // bits_per_sym idx = np.random.randint(0, mod_order, n_sym) # 简化 16QAM 映射（实际项目请用标准星座表） qam = (2 * (idx % 4) - 3) + 1j * (2 * (idx // 4) - 3) X = qam[:N] # 2. 频域对称补零到 L*N Xos = np.zeros(L * N, dtype=complex) half = N // 2 Xos[:half] = X[:half] Xos[-(N - half):] = X[half:] # 3. 生成相位向量并逐组 IFFT phases = gen_phase_vectors(U, N, mode) paprs, candidates = [], [] for u in range(U): Xu = Xos.copy() # 相位只作用在有效子载波上 Xu[:half] *= phases[u, :half] Xu[-(N - half):] *= phases[u, half:] x = np.fft.ifft(Xu) * np.sqrt(L * N) candidates.append(x) paprs.append(compute_papr(x, L)) best = int(np.argmin(paprs)) return candidates[best], paprs[best], paprs

逻辑说明：第 2 步的补零位置决定了插值质量，half 取 N//2 是常见对称补零写法；第 3 步相位只乘在有效子载波上，补零位置保持 0，否则会破坏频谱结构。参数上，mod_order 换成 64 时星座表要相应调整，这里为了可读性做了简化，实际项目建议直接调标准 QAM 映射函数。返回的 paprs 列表保留全部候选的 PAPR，方便你统计“选中候选比最差候选低多少”，这个差值能直观反映 SLM 的挑选空间。

3. 把仿真跑起来：参数配置与结果验证

代码能跑通只是第一步，真正决定这份资源能不能用的，是参数配置是否合理、结果能不能和理论/文献对上。这一章讲清楚怎么配、怎么验、怎么判断曲线是不是可信。

3.1 关键参数表与推荐取值

仿真结果对参数极其敏感，我一般先把下面这张表钉死，再动算法：

这张表里最容易被低估的是 num_symbols。CCDF 在 10^-3 量级的尾部，5000 个符号才勉强稳定，想画到 10^-4 至少上万。另一个是 N，N=64 时 SLM 增益可能只有 2 dB 出头，N=256 时能到 3～4 dB，拿小 N 的结论去推大系统会偏乐观。

3.2 基线对比：SLM 到底降了多少

验证 SLM 有没有生效，最直接的办法是同一批符号分别跑“无 SLM”和“SLM”，画两条 CCDF。无 SLM 就是 U=1 的特例。下面这段把两条曲线一起算出来：

def run_compare(num_symbols=5000, N=128, U=8, L=4, mod_order=16): papr_noslm, papr_slm = [], [] for _ in range(num_symbols): _, p1, _ = ofdm_slm_symbol(N * 4, N, U=1, L=L, mod_order=mod_order) _, p2, _ = ofdm_slm_symbol(N * 4, N, U=U, L=L, mod_order=mod_order) papr_noslm.append(p1) papr_slm.append(p2) thresholds = np.arange(0, 12.5, 0.5) return thresholds, ccdf_curve(np.array(papr_noslm), thresholds), \ ccdf_curve(np.array(papr_slm), thresholds)

这里每次循环都重新生成比特和相位，保证两条曲线统计独立、口径一致。跑完看 10^-2 概率点上的横轴差值，就是常说的 SLM 增益。如果差值接近 0，先查相位是不是真的乘上去了、argmin 是不是取对了；如果 SLM 曲线反而更差，基本可以断定相位作用位置错了，比如乘到了补零段上。

3.3 和理论 CCDF 对表

无 SLM 的 OFDM 在过采样下，PAPR 的 CCDF 有近似闭式表达，可以用来校准仿真链路。常见做法是把仿真得到的无 SLM 曲线和理论曲线叠在一起看趋势是否吻合，重点看 10^-1 到 10^-3 区间。偏差在 0.5 dB 以内算正常，偏差大就要回头查过采样和平均功率口径。这一步很多人跳过，结果 SLM 增益算出来偏大偏小都说不清是算法还是链路问题。我的习惯是每次改完参数先跑无 SLM 对表，对上了再谈 SLM 增益，这个顺序能省掉大量返工。

4. 避坑与排查：SLM 仿真里最容易翻车的五处

这份代码结构不复杂，但仿真类项目的坑往往藏在“看起来对”的地方。下面五条是我复现同类脚本时真实遇到过的，按现象、原因、解决写，照着排能少走弯路。

4.1 现象：CCDF 曲线每次跑都不一样，尾部乱跳

原因：随机种子没固定，或者统计符号数太少。SLM 本身依赖随机相位，若不控种子，两次运行的候选集合不同，尾部概率自然飘。解决：相位生成和比特生成都用固定种子的随机数发生器，num_symbols 提到 5000 以上，画图前先确认同一参数连跑两次曲线重合。

4.2 现象：SLM 增益只有零点几 dB，远低于文献

原因：多半是过采样倍数 L=1，离散峰值低估了真实 PAPR，SLM 的挑选空间被压缩。也可能是 U 太小或相位集合退化成全 1。解决：L 固定为 4，检查 gen_phase_vectors 返回的矩阵是否真的每行不同，打印前几组相位确认不是全 1。

4.3 现象：SLM 曲线比无 SLM 还差

原因：相位旋转乘到了补零段，或者 IFFT 之后才做旋转。前者破坏频谱、后者不改变峰均比分布，两种都会让“挑选”失去意义。解决：确认相位只作用在有效子载波索引上，旋转必须在 IFFT 之前的频域完成，补零位置保持零值。

4.4 现象：PAPR 数值异常大，动辄十几 dB

原因：平均功率口径错了，比如用频域符号功率做分母，或者 IFFT 后没做归一化，峰值和均值不同尺度。解决：峰值和均值都从同一个时域过采样信号取，IFFT 后统一乘 sqrt(L*N) 做能量归一化，再算比值。

4.5 现象：换调制阶数后结果突变，怀疑代码有 bug

原因：QAM 星座映射用了简化表，阶数一变映射关系错位，等效于引入了额外幅度波动。解决：调制映射换成标准星座表或成熟库函数，换阶数时只改映射模块，不动 SLM 主链路，隔离变量再对比。

5. 进阶用法：把 SLM 增益压到边带开销可控

跑通基线之后，真正值得花时间的是边带信息和复杂度的权衡。SLM 的代价是接收端要知道选了哪组相位，传统做法是显式传边带信息，U=8 时每符号多传 3 bit。工程上更常见的优化是盲检测或半盲方案，利用相位序列的已知结构在接收端估计，代价是检测复杂度上升。仿真阶段可以先量化这笔账：固定 U，统计显式边带开销占总吞吐的比例，再对比盲检测的误判率，看哪个更划算。

另一个进阶方向是分块 SLM。整体 SLM 的 IFFT 次数是 U 次，分块后每块独立选相位，IFFT 次数变成块数乘每块候选数，复杂度可控且增益接近。下面是一个分块选择的骨架：

def block_slm(X, N, U, num_blocks, L=4): """分块 SLM：每块独立选最优相位，降低单次 IFFT 规模""" blk_len = N // num_blocks phases = gen_phase_vectors(U, blk_len, 'bpsk') out = np.zeros(L * N, dtype=complex) for b in range(num_blocks): seg = X[b * blk_len:(b + 1) * blk_len] best_p, best_x = None, None for u in range(U): seg_u = seg * phases[u] # 每块补零到 L*blk_len 后 IFFT tmp = np.zeros(L * blk_len, dtype=complex) tmp[:blk_len] = seg_u x = np.fft.ifft(tmp) p = compute_papr(x, L) if best_p is None or p < best_p: best_p, best_x = p, x out[b * L * blk_len:(b + 1) * L * blk_len] = best_x return out

这段骨架的重点不在数值精度，而在展示“分块后每块独立挑选”的结构。实际用时要注意块间拼接的相位连续性和补零位置，否则块边界会引入额外尖峰，反而拉高整体 PAPR。我一般会先在小 N 上验证分块增益和整体 SLM 的差距，差距在 0.5 dB 以内才考虑上大系统。

验证方法上，我习惯做三件事：同一参数连跑两次看曲线是否重合、无 SLM 对理论 CCDF 看偏差、SLM 增益随 U 增大的趋势是否单调收敛。这三步走完，基本能判断一份 SLM 仿真代码是能用的还是只能看的。从那以后我每次拿到 PAPR 抑制类脚本，都强制先跑无 SLM 对表再谈增益，这个习惯帮我挡掉了不少“曲线好看但链路是错的”的坑。希望帮到你。

本文还有配套的精品资源，点击获取