【误码率仿真】基于QPSK和16QAM可见光信道误码率仿真附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

基于QPSK和16QAM的可见光信道误码 Rate，BER）仿真可以通过以下步骤1. 选择QPSK或16QAM调制方案。

• QPSK：每个符号携带两特，具有4个相位状态（0°、90°、180°、270°）。
  
• 16QAM：每个符号携带4特，具有16个不同的相幅组合。
  

2. 确定可见光通信信道模型和参数，如光强衰减、噪声功率谱密度等。这些参数可以根据实际环境或文献中的经验值进行选择。
   
3. 生成发送端的随机比特序列，并用选定的调制方案对其进行调制，产生相应的载波信号。
   
4. 添加光强衰减和噪声，拟光信道中的传输效果。可以根据信道模型添加路径损耗、衰落和噪声。
   
5. 在接收端解调接收到的光信号，并使用合适的解调算法将其转换为接收到的比特序列。
   
6. 对比接收到的比特序列与发送端的原始比特序列，计算比特错误数。
   
7. 重复步骤3至6多次，以获得统计性能，例如BER的平围。
   
8. 根据所得的统计结果绘制BER性能曲线，可以通过改变信道参数、调制方案或其他相关因素来比较不同条件下的BER能。
   

需要注意的是，在进行可见光信道误码率仿真时，除了QPSK或16QAM调制案的选择和信道模型的建立，还应考虑其他可能的影响因素，如多径干扰、光照强度变化等。此外，实际可见光通信系统中也会采用一些误码率纠正编码和调制技术来提高系统的误码性能。

⛄ 部分代码

%%

clc;clear;

M=64;N=64;Lcp=16;K1=2.6;K2=3.2;

EbN0= 1:20;

SNR = 10.^(EbN0./10);

OFDM_block = 256;

h_los = 3.065774782638313e-06;

bit_rate = 1e9;

fb = 80e6;

t = 0:1/bit_rate:13/bit_rate;

hkk =h_los.*exp(-2*pi*fb*t);

Light = hkk./sum(hkk);

for i = 1:length(SNR)

   ernum =0;

   for kk = 1:OFDM_block

   X1 = randi([0 3],1,N);

   X1=X1';  

   QPSK = pskmod(X1,4);

   signal =QPSK;

   signal(1)=0;        

   signal(N/2+1)= 0;

   for j =N/2+2:N

       signal(j)=conj(signal(N+2-j));

   end    

   signal_ifft =sqrt(N)*ifft(signal,N);

   %4

   x2 =signal_ifft.*signal_ifft;

   signal_K=signal_ifft + K1*sqrt(mean(x2(:)));

   %5

   for j =1:N

       if signal_K(j)<0

           signal_K(j)=0;

       end

   end

   %6

   Tx_signal =[signal_K(N-Lcp+1:N)' signal_K'];

   Tx_signal = Tx_signal';

   %7

⛄ 运行结果

⛄ 参考文献

[1] 谭清元,潘学文.QPSK和16QAM调制下MIMO-OFDM系统Matlab仿真实现[J].电脑知识与技术：学术版, 2019, 15(12):2.

[2] 许斌,王传鑫,崔永,等.QPSK信号多径衰落信道的建模与误码率仿真[C]//全国青年通信学术会议.2009.

[3] 王林,刘金铸,段德平.QPSK系统仿真及误码率性能分析[J].电脑知识与技术：学术版, 2011(3X):2.DOI:10.3969/j.issn.1009-3044.2011.09.012.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1.卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3.旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划

4.无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

5.传感器部署优化、通信协议优化、路由优化、目标定位

6.信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号

7.生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化

8.微电网优化、无功优化、配电网重构、储能配置

9.元胞自动机交通流 人群疏散 病毒扩散 晶体生长