简介本资源是一套面向通信工程专业本科生与研究生的MATLAB仿真实践材料聚焦16QAM软解调、LDPC编译码及FFT频偏估计三大关键技术环节完整复现同步通信系统端到端误码率性能评估流程。压缩包共14个文件9个核心m脚本、4个预置mat参数文件、1个操作指引txt总大小仅112KB结构精炼——含主控流程main1/mian2、频偏补偿模块main1fft/main2fft、LDPC校验矩阵生成getH/getG、软解调函数func_Dec及结果比对脚本compared全部代码配有详尽中文注释。配套程序操作视频清晰演示路径设置、参数调整与结果可视化全过程显著降低MATLAB通信仿真入门门槛。目前已有69人学习下载适合开展课程设计、毕业设计或无线通信算法验证的实践者快速上手并深入理解频偏补偿对LDPC16QAM系统误码性能的影响机制。 做通信系统仿真的人都知道误码率曲线是衡量一条链路方案最直接的标尺。这段时间我把一条完整的“16QAM软解调LDPC编译码FFT频偏估计”通信链路在MATLAB里从零搭了起来跑通了误码率仿真也顺手整理了程序、中文注释和操作视频。这篇文章就是这次工作的完整复盘包括系统怎么设计、每个模块的原理与实现、我在调参过程中踩过的坑以及常见问题的排查方法。如果你正在做数字通信课程设计、毕业设计或者刚接触LDPC软判决译码和载波同步仿真这篇文章应该能帮你省下不少时间。这套系统最核心的价值在于它把三个经常被分开讨论的技术点放在了一条链路上16QAM解决的是“如何在有限带宽里塞进更多比特”LDPC解决的是“如何在噪声环境中把错误纠正回来”FFT频偏估计解决的是“收发两端频率不一致时如何把信号拉回正常位置”。三条线缺一不可组合起来才是一个有工程参考意义的完整收发机模型。1. 系统链路设计与模块取舍1.1 为什么是16QAMLDPCFFT频偏估计这个组合先聊一下选型思路。QPSK是很多教材的首选因为实现简单星座点之间距离大抗噪声能力强。但它的频谱效率只有2bit/s/Hz在现代通信系统里往往不够用。16QAM一个符号携带4比特频谱效率翻倍代价是对噪声和频偏更敏感。你只要把星座图画出来就会发现16QAM的相邻星座点距离比QPSK小很多同样的信噪比下误符号率会明显上升所以必须配上强纠错编码才能发挥它的优势。LDPC码是现在工程上用得最多的信道编码之一性能逼近香农限译码可以采用软判决迭代。所谓软判决就是译码器输入的不是“0/1”的硬判决结果而是每个比特的置信度信息通常用对数似然比LLR表示。这就引出了“软解调”的需求16QAM解调时不能简单地按星座距离判成最近的比特组合而要计算每个比特的LLR送给LDPC译码器。至于FFT频偏估计实际通信场景中发射机晶振和接收机晶振不可能完全同频加上多普勒效应接收信号会带有一个固定的频率偏移。如果不做估计和补偿16QAM星座会整体旋转解调性能断崖式下降。用FFT做频偏估计的好处是计算效率高、实现直观而且估计范围可以通过参数设计来控制非常适合在MATLAB仿真阶段快速验证算法。1.2 链路整体框架与模块划分整个系统按发射端、信道、接收端三大块来组织。发射端依次完成信源比特生成、LDPC编码、16QAM调制、插入训练序列、成型滤波可选然后过信道。信道这里主要加高斯白噪声和固定频偏噪声用SNR控制频偏用归一化频偏值控制。接收端是重头戏依次做接收信号与本地训练序列同步、FFT频偏估计与补偿、16QAM软解调LLR计算、LDPC译码、误码率统计。整个流程可以用文字链路表示信源比特 → LDPC编码 → 16QAM调制 → 插入训练序列 → 加噪声和频偏 → FFT频偏估计与补偿 → 16QAM软解调 → LDPC译码 → 误码统计我做仿真时把每个环节都拆成独立函数发射端、信道、接收端分开写。这样做的最大好处是排查问题方便误码率不对的时候可以单独调某个函数定位问题而不是在一大段代码里翻来翻去。1.3 仿真参数怎么定参数设置直接决定仿真结果是否有意义。我建议仿真前先明确以下几组参数调制阶数16QAM每符号4比特。LDPC码率可以选择1/2、2/3或3/4。码率越低纠错能力越强但频谱效率越低。仿真时建议至少对比两种码率便于观察编码增益变化。帧长与信息比特数每个LDPC码字对应一个帧。比如采用码率1/2、码长64800的DVB-S2标准LDPC码每帧信息比特是32400。做误码率仿真时帧数越多曲线越平滑。信道模型AWGN信道上叠加固定频偏。频偏用归一化频偏Δf·Ts表示单位是“每符号的相位增量”。SNR范围从0dB到16dB覆盖BER从高到低的完整区间。具体范围看LDPC码率和译码迭代次数决定。我把初始仿真参数整理成了表格方便对照参数项建议值说明调制方式16QAMGray映射每符号4比特I/Q独立LDPC码率1/2或2/3低码率性能更好高码率效率更高LDPC码长64800或16200DVB-S2标准MATLAB可直接支持归一化频偏0.0001~0.001过大可能超出FFT估计范围SNR范围0~16dB步进1dB或0.5dB每个SNR点帧数20~100帧帧数越多曲线越平滑但耗时越长译码迭代次数10~50次迭代多性能好但仿真慢这里特别提醒一个容易忽略的问题16QAM的平均符号功率是10星座点坐标平方和除以16不是1。如果不做功率归一化接收端计算LLR时的噪声方差就会对不上误码率曲线会整体偏移。后面软解调部分我会详细讲这个问题。2. 发射端从信息比特到16QAM信号2.1 LDPC编码参数与MATLAB实现MATLAB通信工具箱里封装了LDPC编码器和译码器在R2021b及以后版本中推荐使用ldpcEncoderConfig配合ldpcEncode函数或者使用comm.LDPCEncoder系统对象。两种方式都支持DVB-S2、DVB-T2以及5G NR标准的LDPC码也支持自定义奇偶校验矩阵。我仿真时使用的是DVB-S2标准中的LDPC码。加载方式很简单% 选择DVB-S2标准中码率1/2、码长64800的LDPC码 ldpcCfg ldpcEncoderConfig(dvbs2ldpc(1/2, 64800)); infoBits randi([0 1], ldpcCfg.NumInformationBits, 1); codeword ldpcEncode(infoBits, ldpcCfg);这里的关键点是NumInformationBits属性会自动告诉你当前码字能容纳多少信息比特不用自己手算。实际仿真中如果嫌64800码长跑得太慢可以先改用16200码长验证链路功能跑通后再换长码字出最终曲线。关于编码还有个细节LDPC编码器输出的是完整码字包含信息位和校验位。发送端调制时要把整个码字全部调制映射而不是只调信息位。译码端恢复出完整码字后需要从码字中截取信息位再统计误码率。2.2 16QAM调制与星座功率归一化16QAM调制在MATLAB里直接调用qammod即可但必须注意两点一是映射方式二是功率归一化。% 生成16QAM星座使用Gray映射 M 16; constellation qammod(0:M-1, M, gray); % 星座点坐标以复数形式表示qammod的输入是0~15的整数符号输出是复数星座点。如果不指定gray默认使用自然映射自然映射相邻星座点之间可能有多位比特翻转在噪声影响下容易产生成对错误所以工程上几乎都用Gray映射。功率归一化是这里最容易出问题的一步。16QAM星座点的实部和虚部分别取自{-3,-1,1,3}平均功率算下来是10。如果直接把星座点送到信道接收端的SNR和理论值就对不上。正确的做法是% 星座点归一化使平均功率为1 constellation constellation / sqrt(10); % 或者用norm计算 constellation constellation / norm(constellation) * sqrt(M);归一化之后再调制星座点的平均功率就是1这样用awgn函数加噪声时SNR设置就准确了。调制过程的完整代码如下% 将LDPC编码后的比特流每4个比特映射为一个16QAM符号 bitsPerSym 4; modulated qammod(reshape(codeword, bitsPerSym, [])., M, gray, ... InputTypebit, UnitAveragePowertrue);这里InputTypebit让qammod直接接收比特向量内部自动完成比特到符号的映射非常省事。同时我指定了UnitAveragePowertrue这样星座点会被自动归一化省去手动除sqrt(10)的步骤。不过我还是建议你手动做一次归一化因为后续软解调函数里需要自己写LLR计算对星座点的实际功率要有明确认知。2.3 训练序列与帧结构设计FFT频偏估计需要一个已知的训练序列。我采用的方式是在每个数据帧前插入两段完全相同的训练符号称为“重复前导”。接收端利用这两段相同序列的相位差来估计频偏。训练序列本身可以用随机生成的16QAM符号也可以用ZC序列这样的恒包络序列。恒包络的好处是接收端相关运算时幅度恒定估计结果更稳定。我仿真时为了简化直接用了随机16QAM符号效果也够用。帧结构如下字段长度用途训练序列AN个符号频偏估计训练序列BN个符号频偏估计与A相同数据段L个符号承载LDPC编码后的16QAM符号训练序列长度N的选择需要权衡。N越大FFT频率分辨率越高估计越精细但训练开销也越大频谱效率下降。工程上N取64~256比较常见。我仿真时取N128频率分辨率已经能满足后续误码率曲线的需求。3. 接收端核心一FFT频偏估计与补偿3.1 频偏对16QAM信号的影响先做个直观的说明。假设发送信号是s[n]经过信道后接收信号是r[n] s[n] · e^(j·2π·Δf·n·Ts) w[n]其中Δf是频偏Ts是符号周期w[n]是复高斯白噪声。频偏的影响体现在每个符号上叠加了一个线性增长的相位旋转。对16QAM来说星座点不仅在幅度上有差异相位上也携带信息。当频偏导致星座旋转时靠近原点的四个星座点功率小的点对相位最敏感旋转一点点就可能越过判决边界造成错误。归一化频偏Δf·Ts0.001时一个符号只转0.0002周看似很小但积累到1000个符号后相位旋转就达到了0.2周也就是72度。这时候星座已经完全转出了原位置硬判决基本全部错误。这说明了频偏估计和补偿的必要性。3.2 FFT频偏估计算法原理我采用的算法基于重复序列的自相关。发射端发送两段相同的训练序列接收端收到r[n]和r[nN]N为训练序列长度将两者共轭相乘r*[n] · r[nN] ≈ |s[n]|² · e^(j·2π·Δf·N·Ts) 噪声项这个乘积的相位就是2π·Δf·N·Ts与频偏成正比。为了估计这个相位可以对该乘积序列做FFT找到频谱峰值对应的频率。因为指数项的频谱是一根谱线FFT峰值位置就对应Δf·N·Ts。具体实现时我用接收到的训练序列A和训练序列B做共轭相乘然后对乘积序列做FFT搜索峰值。MATLAB代码如下function freqOffset fft_freq_estimate(rxA, rxB, N, Ts) % rxA: 接收到的训练序列A % rxB: 接收到的训练序列B % N: 训练序列长度 % Ts: 符号周期 % 返回值: 估计的归一化频偏 deltaF * Ts % 逐点共轭相乘得到包含频偏信息的序列 corrSeq conj(rxA) .* rxB; % FFT点数可以补零提高插值密度 fftLen 1024; spectrum fft(corrSeq, fftLen); % 找到频谱峰值位置 [~, idx] max(abs(spectrum)); % 峰值位置对应的频率归一化频率范围-0.5~0.5 if idx fftLen/2 idx idx - fftLen; end freqOffset (idx - 1) / fftLen / N; end这里的idx索引需要减去1因为FFT的第一个点对应零频。如果估计结果出现负值说明频偏方向反了接收端补偿时的方向也要对应调整。3.3 估计精度与范围分析FFT频偏估计有两个关键指标估计范围和精度。估计范围由相邻训练序列之间的相位差决定。根据奈奎斯特采样定理频率估计的无模糊范围是|Δf| 1 / (2·N·Ts)也就是说训练序列长度N越小估计范围越大。如果N128归一化频偏估计范围就是±1/256≈0.0039如果实际频偏超过这个范围FFT峰值会卷绕估计结果完全错乱。所以我仿真时把归一化频偏控制在0.001以内保证在估计范围内。估计精度由FFT点数决定。FFT频率分辨率近似为1/(N·Ts·fftLen)所以FFT点数越大分辨率越高。我上面代码里fftLen1024已经能保证频偏估计误差对误码率影响很小。如果还想进一步提升精度可以做个简单的高斯插值或抛物线插值但不建议在MATLAB仿真阶段过度优化先用FFT峰值已经够用。补偿频偏时只需要将接收信号乘以e^(-j·2π·Δf·n·Ts)% 频偏补偿 n 0:length(rxSignal)-1; rxCompensated rxSignal .* exp(-1j * 2 * pi * deltaF * n);这里必须用length(rxSignal)而不是固定帧长避免和实际数据长度不一致出问题。3.4 残余频偏怎么办FFT估计不可能完全精确总会有残余频偏。残余频偏会导致星座缓慢旋转若干符号后可能旋转到判决边界附近。对于LDPC软判决译码来说残余频偏带来的相位旋转会直接污染LLR导致译码性能下降。一个工程上常用的处理方式是在频偏估计后增加一个残余相位跟踪环比如基于导频符号的相位估计。但仿真阶段如果频偏设置不太大FFT估计的残差已经足够小不会对误码率造成显著影响。我在仿真中观察到当fftLen1024时归一化频偏0.001的估计误差大约在1e-5量级对误码率曲线的影响可以忽略。4. 接收端核心二16QAM软解调与LLR计算4.1 为什么LDPC必须配软解调LDPC译码器的输入如果是硬判决比特相当于把信道信息量压缩成了1比特丢失了可靠性信息。比如接收符号离判决边界只有0.01硬判决后这个比特可能是0但实际是1的概率非常高。LDPC迭代译码恰恰需要利用这种“不确定度”来辅助纠错所以软解调输出的LLR直接决定了LDPC译码的性能上限。LLR的定义是L(b) ln[ P(b0|r) / P(b1|r) ]正值表示该比特更可能是0负值表示更可能是1绝对值越大表示置信度越高。LDPC译码器接收LLR序列用置信传播算法迭代更新。4.2 基于max-log近似的LLR计算16QAM每个符号携带4个比特理论上要算4个LLR。最通用的方法是枚举法对每个接收符号r分别计算它到所有16个星座点的欧氏距离然后对于每个比特位b_k找到该位为0的星座点集合和该位为1的星座点集合用最小距离差近似LLR。max-log近似后的公式为LLR(b_k) (1/σ²) · [ min_{c∈C_k^1} |r-c|² - min_{c∈C_k^0} |r-c|² ]其中C_k^0和C_k^1分别表示第k位为0和1的星座点集合σ²是噪声方差。这种方法的优点是实现简单、不易出错而且对任意映射方式都适用。16QAM枚举16个点计算量也不大仿真阶段完全够用。MATLAB实现如下function llr soft_demod_16qam(rxSym, constellation, noiseVar) % rxSym: 接收符号向量 % constellation: 归一化后的16QAM星座点 % noiseVar: 噪声方差 % 返回: LLR矩阵每行对应一个符号的4个LLR numBits 4; M length(constellation); numSym length(rxSym); llr zeros(numSym, numBits); % 预计算每个星座点对应的比特组合的十进制索引 bitsMap de2bi(0:M-1, numBits, left-msb); for i 1:numSym dist abs(rxSym(i) - constellation.).^2; for k 1:numBits idx0 find(bitsMap(:, k) 0); idx1 find(bitsMap(:, k) 1); min0 min(dist(idx0)); min1 min(dist(idx1)); llr(i, k) (min1 - min0) / noiseVar; end end end这里有个小细节公式里min0和min1的顺序不能搞反。如果min1大于min0说明接收点离“该比特为1”的星座点更远LLR为正表示更可能是0这是符合定义的。4.3 等效简化I/Q独立解调16QAM采用Gray映射时I路和Q路相互独立。也就是说4个比特中的2个由I路实部决定另外2个由Q路虚部决定。这样可以分别对实部和虚部做一维判决大幅减少计算量。以I路为例16QAM的实部取自{-3,-1,1,3}/sqrt(10)归一化后。第一比特决定符号的正负第二比特决定绝对值是1还是3。可以用分段函数直接计算不需要枚举16个点。不过这种方法对星座映射有要求如果用的是非Gray映射就不能这么简化。我仿真时为了稳妥一开始就用通用枚举法验证没问题后再优化成I/Q分离法。建议你也这样操作先保证正确性再谈效率。4.4 噪声方差的估计与处理噪声方差σ²在LLR计算中非常重要。如果σ²估计得偏大LLR整体被压缩译码器会认为“不可靠”如果偏小LLR被夸大译码器可能过度自信。两种情况都会造成性能损失。在MATLAB里当使用awgn函数加噪声时噪声方差可以直接由SNR计算得到。接收端如果不知道信道SNR可以通过接收信号和已知训练序列估计。仿真中我直接用了发射端设置的信噪比公式反推噪声方差% 根据SNR计算噪声方差注意信号功率已经归一化为1 snrLinear 10^(snr_dB / 10); noiseVar 1 / snrLinear;这里的前提是信号功率归一化后为1。如果你在调制时忘了归一化这个公式就会出错LLR幅度全错LDPC译码性能会显著下降。这是我调试过程中踩过的一个大坑下面问题排查部分再详细说。5. LDPC译码与误码率统计5.1 译码器配置与迭代参数MATLAB中ldpcDecode函数接收LLR向量作为输入需要传入解码器配置对象。配置时要注意几点译码算法选择、迭代次数上限、归一化因子如果使用Min-sum算法。% 对应编码端配置 ldpcCfg ldpcEncoderConfig(dvbs2ldpc(1/2, 64800)); decoderCfg ldpcDecoderConfig(ldpcCfg); % 将软解调输出的LLR矩阵展平成向量 llrVector llr(:); % 译码DecisionType指定为bit [decBits, actNumIter] ldpcDecode(llrVector, decoderCfg, ... MaximumLDPCIterationCount, 50, DecisionType, bit);ldpcDecode默认使用置信传播算法也可以指定Algorithm,normalized-min-sum等变体。迭代次数从10到50都有迭代越多性能越好但仿真耗时也相应增加。我先用20次迭代做功能验证出最终曲线时加大到50次。5.2 完整仿真循环与误码率统计仿真主循环结构如下外层遍历SNR内层跑多帧取平均最后统计误比特率。snrList 0:1:16; berList zeros(size(snrList)); numFramesPerSnr 50; for snrIdx 1:length(snrList) snr snrList(snrIdx); totalBitErrors 0; totalBits 0; for frameIdx 1:numFramesPerSnr % 发射端 infoBits randi([0 1], infoBitsLen, 1); codeword ldpcEncode(infoBits, ldpcCfg); modulated qammod(codeword, M, gray, InputType, bit, UnitAveragePower, true); % 插入训练序列两段相同 txFrame [trainSeq trainSeq modulated]; % 信道 rxFrame awgn(txFrame, snr, measured); rxFrame rxFrame .* exp(1j * 2 * pi * deltaF * (0:length(rxFrame)-1)); % 接收端频偏估计与补偿 rxA rxFrame(1:trainLen); rxB rxFrame(trainLen1:2*trainLen); deltaFEst fft_freq_estimate(rxA, rxB, trainLen, 1); n 0:length(rxFrame)-1; rxComp rxFrame .* exp(-1j * 2 * pi * deltaFEst * n); % 去掉训练序列取数据段 rxData rxComp(2*trainLen1:end); % 软解调 llr soft_demod_16qam(rxData, constellationNorm, noiseVar); % LDPC译码 decBits ldpcDecode(llr(:), decoderCfg, MaximumLDPCIterationCount, 50, DecisionType, bit); % 统计误码 errors sum(decBits(1:infoBitsLen) ~ infoBits); totalBitErrors totalBitErrors errors; totalBits totalBits infoBitsLen; end berList(snrIdx) totalBitErrors / totalBits; end这里有三个容易出错的地方。第一awgn函数加噪声时如果信号功率不是1要加measured参数让函数自动测量信号功率。我建议在调制阶段已经做了归一化的情况下仍然保留measured多一层保险。第二decBits是完整码字的译码结果统计误码率时只取前infoBitsLen位不能把校验位也算进去。第三频偏加在整帧上时训练序列也一起加了频偏。接收端用训练序列估计频偏后补偿时要对整帧包括数据段一起补偿不能只补偿数据段。5.3 不同条件下的误码率结果解读仿真完成后把结果画成曲线横轴是SNR纵轴是BER。你会看到典型的瀑布区现象在低SNR下曲线平缓一旦越过某个阈值误码率急剧下降曲线像瀑布一样掉下去。我在仿真中还做了一个对比有频偏估计和无频偏估计假设理想同步的曲线对比。理想同步相当于频偏估计完全准确曲线是最优性能参考。有频偏估计时只要估计误差不大两条曲线基本重合。如果频偏估计精度不够曲线在高SNR区域会出现“平台”误码率不再下降这时就要检查FFT点数是否够、估计范围是否覆盖实际频偏。另外一个值得对比的参数是LDPC码率。码率1/2的LDPC码比码率3/4的性能更好但有效传输速率更低。仿真结果中两种码率的瀑布区位置会相差1~2dB这个差距就是码率换取纠错能力的体现。6. 常见问题与排查记录6.1 频偏估计峰值找错症状估计出的频偏和真实频偏差很远补偿后星座还是歪的。排查思路先不看噪声直接把频偏加到信号上用plot画出FFT频谱确认峰值位置。多数情况是索引计算问题FFT的第一个点是零频峰值索引减1才是对应的频偏索引而且负频率部分要处理边界。我代码里已经做了边界判断但如果你自己写估计函数这个细节最容易出错。另外注意频偏范围。如果真实频偏超出了无模糊范围FFT峰值会卷绕到其他位置看起来也是“找错峰”。此时需要缩短训练序列长度N来扩大估计范围或者采用两级估计先用短序列粗估再用长序列细估。6.2 软解调LLR幅度异常症状LDPC译码后误码率比硬判决还差甚至译码器输出全是0或全是1。排查思路先检查LLR的数值范围。正常情况下噪声较小时LLR应该是几十量级噪声较大时是零点几到几。如果LLR普遍是百千量级很可能是噪声方差计算错误。常见原因是信号功率没有归一化星座点平均功率是10但计算noiseVar时用的却是1/snrLinear相当于噪声方差被低估了10倍LLR被放大了10倍。解决办法要么调制时除以sqrt(10)归一化要么在计算噪声方差时把信号实际功率算进去signalPower mean(abs(constellation).^2); noiseVar signalPower / snrLinear;6.3 LDPC译码迭代不收敛症状低SNR下误码率正常高SNR下误码率反而上升或出现平台。排查思路高SNR下误码率不应该变差如果出现这种情况先检查是否有残余频偏导致的星座旋转。因为SNR越高LLR的绝对值越大LDPC译码器对置信度的依赖也越高残余频偏产生的相位误差会直接转化为错误的LLR误导译码器。可以试着把频偏设为0跑一遍确认链路无误后再加频偏。还有一种情况是LDPC译码器输入的LLR向量长度和码字长度不匹配。16QAM软解调输出的LLR是4乘以符号数必须按序展平成codewordLength长度。如果符号数和码字长度的关系没算对译码器会报错或者静默输出错误结果。6.4 仿真跑得太慢怎么办64800码长、每帧64个码字、50帧取平均、16个SNR点这样一组仿真跑下来可能要几个小时。我的建议是先用16200码长验证功能确认链路无误后再跑64800码长的最终结果。另外如果用的是R2021b以前的版本comm.LDPCDecoder系统对象的运行效率可能比新版本低可以考虑升级MATLAB版本。在MATLAB层面还能做的优化有把内层帧循环改为并行parfor或者先确认无频偏情况下链路正常再切换到频偏仿真。并行计算时要注意随机数种子管理每个worker的randi序列要独立否则结果无法复现。6.5 程序操作视频与注释的使用建议这个项目附带的操作视频主要演示了完整流程从参数设置、运行主脚本、查看误码率曲线到定位报错位置。如果第一次运行代码时遇到报错建议按视频里的步骤逐步执行重点看每个模块的变量尺寸和数据类型是否一致。我在代码文件里写的注释覆盖了每个函数的功能、输入输出含义以及易错点可以当作调试手册配合使用。我个人在实际操作中的体会是这类通信链路仿真最忌讳一口气把所有模块写完再调试。我的习惯是先搭一个无噪声无频偏的干净链路确保从编码到译码全流程跑通然后逐步加入噪声、频偏、频偏估计、软解调优化。每加一个环节就做一次性能对比确认没有引入异常损失再继续。这样排查问题时每次只需要看最后一个新增模块定位效率高得多。最后再分享一个小技巧在做FFT频偏估计时可以把训练序列的共轭乘积结果保存下来画频谱图和理想情况下的单根谱线对比。如果频谱旁瓣很高或者峰值不明显说明训练序列的自相关特性不好换用ZC序列或者CAZAC序列通常能明显改善估计稳定性。这个细节在纯理论推导里不容易发现但在仿真中非常实用。本文还有配套的精品资源点击获取