用Python实战解析通信星座图：从理论到可视化实现

通信工程中那些看似神秘的星座图，其实就像夜空中的导航星图——每个点都精确对应着特定的信息状态。但传统教学中，学生往往被要求死记硬背各种调制方式的星座点分布，却少有机会亲手"点亮"这些星辰。本文将用Python带你走进通信调制的核心地带，通过代码生成BPSK、QPSK到16-QAM的星座图，让抽象概念变成可交互的视觉呈现。

1. 环境配置与基础准备

在开始绘制星座图之前，我们需要搭建合适的Python环境。推荐使用Anaconda创建独立环境，避免库版本冲突：

conda create -n constellation python=3.9
conda activate constellation
pip install numpy matplotlib

关键库的作用说明：

• NumPy ：生成和处理调制信号的数值数据
• Matplotlib ：可视化展示IQ平面上的星座点

理解星座图的核心是掌握IQ平面的概念。我们可以将任何调制信号分解为：

• I分量（In-phase） ：信号的实部，对应余弦波
• Q分量（Quadrature） ：信号的虚部，对应正弦波

这两个分量构成了二维的IQ平面，每个调制符号都对应平面上的一个坐标点。下面表格展示了不同调制方式的基本参数对比：

调制类型	符号数	每符号比特数	星座形状
BPSK	2	1	线性排列
QPSK	4	2	单位圆上
16-QAM	16	4	4×4方阵

2. BPSK调制与星座实现

BPSK（Binary Phase Shift Keying）是最简单的数字调制方式，只使用两种相位状态来表示二进制数据。让我们用Python生成BPSK信号并绘制星座图：

import numpy as np
import matplotlib.pyplot as plt

# 生成BPSK符号
bits = np.random.randint(0, 2, 1000)  # 1000个随机比特
bpsk_symbols = 2 * bits - 1  # 映射到[-1, 1]

# 绘制星座图
plt.figure(figsize=(8, 6))
plt.scatter(bpsk_symbols, np.zeros_like(bpsk_symbols), alpha=0.3)
plt.title('BPSK Constellation Diagram')
plt.xlabel('I Component')
plt.ylabel('Q Component')
plt.grid(True)
plt.axhline(0, color='black', lw=1)
plt.axvline(0, color='black', lw=1)
plt.xlim(-1.5, 1.5)
plt.ylim(-0.1, 0.1)
plt.show()

这段代码实现了：

1. 生成随机二进制序列（0和1）
2. 将比特映射到BPSK符号（-1和1）
3. 在IQ平面上绘制结果（Q分量全为0）

注意：实际通信系统中会加入脉冲成形滤波器，这里为简化展示直接使用矩形脉冲

BPSK星座图的特点：

• 所有点都落在I轴上
• 两点间距离为2，抗噪声能力强
• 理论误码率公式：$P_e = Q(\sqrt{\frac{2E_b}{N_0}})$

3. QPSK调制与可视化进阶

QPSK（Quadrature Phase Shift Keying）通过利用IQ两个维度，将频谱效率提高了一倍。每个符号携带2比特信息，对应四个相位状态：

# 生成QPSK符号
bits = np.random.randint(0, 2, 2000)  # 2000个随机比特
symbol_indices = 2 * bits[::2] + bits[1::2]  # 每两比特组合
qpsk_symbols = np.exp(1j * (np.pi/4 + symbol_indices * np.pi/2))
qpsk_symbols = np.stack((qpsk_symbols.real, qpsk_symbols.imag), axis=1)

# 绘制星座图
plt.figure(figsize=(8, 8))
plt.scatter(qpsk_symbols[:, 0], qpsk_symbols[:, 1], alpha=0.3)
plt.title('QPSK Constellation Diagram')
plt.xlabel('I Component')
plt.ylabel('Q Component')
plt.grid(True)
plt.axhline(0, color='black', lw=1)
plt.axvline(0, color='black', lw=1)
plt.xlim(-1.5, 1.5)
plt.ylim(-1.5, 1.5)
plt.show()

QPSK的关键特性：

• 星座点均匀分布在单位圆上
• 相邻点间角度差为90°
• 最小欧氏距离为$\sqrt{2}$
• 格雷编码确保相邻符号只有1比特差异

实际工程中常使用偏移QPSK（OQPSK）来减小包络波动。我们可以通过添加噪声来观察星座点的扩散：

# 添加高斯白噪声
noise_power = 0.05
noise = np.random.normal(0, np.sqrt(noise_power/2), qpsk_symbols.shape)
noisy_qpsk = qpsk_symbols + noise

# 绘制带噪声的星座图
plt.scatter(noisy_qpsk[:, 0], noisy_qpsk[:, 1], alpha=0.3, color='red')

4. 16-QAM调制实现与性能分析

16-QAM通过组合幅度和相位调制，进一步提高了频谱效率。每个符号携带4比特信息，对应16个星座点：

# 生成16-QAM符号
bits = np.random.randint(0, 2, 4000)  # 4000个随机比特
symbol_indices = np.reshape(bits, (-1, 4))  # 每4比特一组
# 格雷编码映射
mapping = {
    (0,0,0,0): (-3, -3), (0,0,0,1): (-3, -1), 
    (0,0,1,1): (-3, 1), (0,0,1,0): (-3, 3),
    (0,1,1,0): (-1, 3), (0,1,1,1): (-1, 1),
    (0,1,0,1): (-1, -1), (0,1,0,0): (-1, -3),
    (1,1,0,0): (1, -3), (1,1,0,1): (1, -1),
    (1,1,1,1): (1, 1), (1,1,1,0): (1, 3),
    (1,0,1,0): (3, 3), (1,0,1,1): (3, 1),
    (1,0,0,1): (3, -1), (1,0,0,0): (3, -3)
}
qam16_symbols = np.array([mapping[tuple(b)] for b in symbol_indices])

# 绘制星座图
plt.figure(figsize=(8, 8))
plt.scatter(qam16_symbols[:, 0], qam16_symbols[:, 1], alpha=0.3)
plt.title('16-QAM Constellation Diagram')
plt.xlabel('I Component')
plt.ylabel('Q Component')
plt.grid(True)
plt.axhline(0, color='black', lw=1)
plt.axvline(0, color='black', lw=1)
plt.xlim(-4, 4)
plt.ylim(-4, 4)
plt.show()

16-QAM的重要特点：

• 星座点呈4×4方阵排列
• 存在三种不同的幅度等级
• 最小欧氏距离为2（相邻点间）
• 平均符号能量为10（归一化前）

我们可以计算不同调制方式的理论误码率，并进行比较：

# 误码率计算函数
def qfunc(x):
    return 0.5 * erfc(x / np.sqrt(2))

snr_db = np.arange(0, 20, 0.1)
snr_linear = 10 ** (snr_db / 10)

# BPSK理论BER
ber_bpsk = qfunc(np.sqrt(2 * snr_linear))

# QPSK理论BER (与BPSK相同)
ber_qpsk = ber_bpsk

# 16-QAM近似理论BER
ber_16qam = 3/8 * qfunc(np.sqrt(snr_linear / 5))

# 绘制比较曲线
plt.figure(figsize=(10, 6))
plt.semilogy(snr_db, ber_bpsk, label='BPSK/QPSK')
plt.semilogy(snr_db, ber_16qam, label='16-QAM')
plt.xlabel('SNR (dB)')
plt.ylabel('Bit Error Rate')
plt.grid(True)
plt.legend()
plt.title('Theoretical BER Comparison')
plt.show()

5. 星座图分析进阶技巧

掌握了基本调制方式的星座图绘制后，我们可以进一步探索更专业的分析技术：

星座图眼图 ：通过叠加多个符号周期的轨迹，可以观察符号间干扰情况：

# 生成带滚降滤波器的QPSK信号
sps = 8  # 每符号采样数
alpha = 0.35  # 滚降因子
h = rrcosfilter(30, alpha, 1/sps, sps)[1]

# 上采样并滤波
up_symbols = np.zeros(len(qpsk_symbols) * sps)
up_symbols[::sps] = qpsk_symbols[:, 0]  # I分量
i_wave = np.convolve(up_symbols, h, mode='same')

# 绘制眼图
plt.figure(figsize=(12, 6))
for i in range(10, 50):
    plt.plot(i_wave[i*sps:i*sps+2*sps], 'b-', alpha=0.3)
plt.title('QPSK Eye Diagram (I Component)')
plt.grid(True)
plt.show()

误差矢量分析 ：计算EVM（Error Vector Magnitude）量化信号质量：

def calculate_evm(ideal, measured):
    error = ideal - measured
    evm_rms = np.sqrt(np.mean(np.abs(error)**2))
    evm_percent = 100 * evm_rms / np.sqrt(np.mean(np.abs(ideal)**2))
    return evm_percent

# 计算16-QAM的EVM
evm = calculate_evm(qam16_symbols, noisy_qam16)
print(f"EVM: {evm:.2f}%")

载波恢复可视化 ：展示频偏对星座图的影响及恢复过程：

# 添加频偏
fo = 0.01  # 归一化频偏
t = np.arange(len(qpsk_symbols))
rotated = qpsk_symbols * np.exp(2j * np.pi * fo * t)

# 绘制旋转的星座图
plt.scatter(rotated[:, 0], rotated[:, 1], alpha=0.3, color='green')
plt.title('QPSK with Frequency Offset')
plt.show()

# 简单的频偏估计与校正
delta_phi = np.angle(np.mean(rotated[1:] * np.conj(rotated[:-1])))
fo_est = delta_phi / (2 * np.pi)
corrected = rotated * np.exp(-2j * np.pi * fo_est * t)

plt.scatter(corrected[:, 0], corrected[:, 1], alpha=0.3, color='purple')
plt.title('After Frequency Correction')
plt.show()

在实际项目中，星座图分析常常需要结合其他工具和技术。例如，使用USRP等软件无线电设备捕获真实信号，或者结合机器学习算法自动识别调制类型和信号质量。