logoChat01.ai

非均匀的QAM中的星座点可以随意分布吗，例如QAM-256，我只需保证有256个离散的复数值且要满足...

बनाया गया: 10 अगस्त 2026

का उपयोग करके उत्तर दिया गया GPT-5.6 Thinking द्वारा Chat01

प्रश्न

非均匀的QAM中的星座点可以随意分布吗，例如QAM-256，我只需保证有256个离散的复数值且要满足平均功率<=1，就可以进行仿真实验吗

विचार

Worked for 5s

उत्तर

可以，但要区分“数学上可用于仿真”和“是否还能称为 256-QAM”。

如果你的目的是研究任意二维非均匀星座/几何整形（geometric shaping），那么原则上确实可以自己定义 256 个离散复数点

S={s1,…,s256},si∈C\mathcal S=\{s_1,\dots,s_{256}\},\quad s_i\in\mathbb C

然后进行通信仿真。不过仅仅“256 个点 + 平均功率 ≤ 1”虽然足以定义一个输入星座，实际仿真时最好还满足几个条件。

1. 平均功率的定义要考虑符号概率

如果 256 个符号等概率出现，那么

Pavg=E[∣X∣2]=1256∑i=1256∣si∣2≤1.P_{\rm avg} =\mathbb E[|X|^2] =\frac1{256}\sum_{i=1}^{256}|s_i|^2 \le 1.

如果你的“非均匀”还包括概率整形 Probabilistic Shaping，即各个点概率不同，则应该是

Pavg=∑i=1256pi∣si∣2≤1,∑ipi=1.P_{\rm avg} =\sum_{i=1}^{256}p_i|s_i|^2\le 1, \qquad \sum_i p_i=1.

所以不能再简单除以 256。

通常为了公平比较，我更建议直接归一化到

E[∣X∣2]=1\boxed{\mathbb E[|X|^2]=1}

而不是小于等于 1。

例如生成任意星座 S 后做

si′=siE[∣X∣2].s_i^\prime=\frac{s_i}{\sqrt{\mathbb E[|X|^2]}}.

这样所有方案的 EsE_s 都相同，比较 BER/SER vs SNR 才比较公平。

2. 256 个点最好互不重合

至少需要

si≠sj,i≠j.s_i\neq s_j,\qquad i\neq j.

否则两个不同符号映射到同一个复数点，在接收端即使没有噪声也无法区分。

更进一步，你通常还希望最小欧氏距离

dmin⁡=min⁡i≠j∣si−sj∣d_{\min}=\min_{i\neq j}|s_i-s_j|

不要太小。

因为在 AWGN 信道中，如果两个点极其接近，即使平均功率满足要求，误码率也可能非常差。

例如下面两个星座都可以满足平均功率 1：

  • 星座 A：256 个点比较均匀地分散；
  • 星座 B：其中 200 个点几乎挤在一起，剩下 56 个点放在较远的位置。

两者数学上都合法，但星座 B 的 dmin⁡d_{\min} 可能接近 0，因此通信性能会非常糟糕。

3. “随意分布”之后，它严格来说未必应该叫传统 256-QAM

标准的方形 256-QAM 通常是

16×1616\times16

的规则 I/Q 网格，例如未归一化时

I,Q∈{−15,−13,…,−1,1,…,13,15}.I,Q\in \{-15,-13,\ldots,-1,1,\ldots,13,15\}.

而如果你让 256 个复数点任意分布，例如：

text
      •
  •           ••
          •
•    •                •
        •••
   •             •

它更准确可以叫：

  • 256-ary constellation
  • irregular 256-QAM
  • nonuniform QAM constellation
  • geometrically shaped 256-QAM (GS-256QAM)

如果你的研究就是“非均匀 QAM / constellation shaping”，这么做完全正常。

4. 如果研究 BER，还要定义 bit-to-symbol mapping

256 个星座点意味着

log⁡2256=8\log_2 256=8

bit/symbol。

因此需要建立

{0,1}8⟷si.\{0,1\}^8\longleftrightarrow s_i.

这个映射对 SER 基本不影响，但对 BER 影响非常明显。

标准 QAM 通常采用 Gray mapping，使相邻星座点尽量只相差 1 bit。

对于任意非均匀星座，Gray mapping 未必容易构造。因此如果你是在优化 BER，星座点的位置和 bit labeling 实际上是两个需要共同设计的问题。

5. 一个很重要的点：平均功率约束并不能保证星座“合理”

举个极端例子。

假设：

s1,…,s255≈0s_1,\ldots,s_{255}\approx0

而

s256≈16.s_{256}\approx16.

在等概率情况下：

E[∣X∣2]≈162256=1.E[|X|^2]\approx\frac{16^2}{256}=1.

所以它完全满足你的功率约束。

但这是一个极差的 256 阶星座——前 255 个点都挤在原点附近，几乎无法可靠区分。

因此如果你是在设计/优化非均匀 QAM，一般不只是约束

E[∣X∣2]≤1,E[|X|^2]\le1,

还要通过优化目标间接或直接控制例如：

dmin⁡,SER,BER,I(X;Y),GMId_{\min},\quad SER,\quad BER,\quad I(X;Y),\quad GMI

中的一个。

6. 所以你的想法在这种情况下完全可行

假设你现在是在做一个算法，例如神经网络/梯度优化来学习星座：

{z1,…,z256}→Power normalization→AWGN→Receiver.\{z_1,\ldots,z_{256}\} \rightarrow \text{Power normalization} \rightarrow \text{AWGN} \rightarrow \text{Receiver}.

那么你完全可以让这 256 个复数值自由优化，例如：

zi=ai+jbi,z_i=a_i+j b_i,

仅在每一步训练之后归一化：

si=zi1256∑k=1256∣zk∣2\boxed{ s_i= \frac{z_i} {\sqrt{\frac1{256}\sum_{k=1}^{256}|z_k|^2}} }

对于等概率符号，这就保证了：

1256∑i∣si∣2=1.\frac1{256}\sum_i|s_i|^2=1.

然后让优化目标（BER、cross entropy、GMI、mutual information 等）自己决定星座最后长成什么形状。这实际上就是很多 learned constellation / geometric constellation shaping 工作的基本思路。

所以简短回答你的问题：

**是的。**如果你的目的是做非均匀/几何整形 256 阶星座的仿真实验，可以任意定义 256 个不同的复数值，再将其归一化至 E∣X∣2=1\mathbb E|X|^2=1。这样完全可以经过 AWGN、Rayleigh 等信道做 SER/BER 等实验。

但要注意：

“256 个离散复数值 + 平均功率归一化”保证的是它是一个合法的 256 阶二维星座，而不保证它是一个性能良好的 256-QAM。 性能最终主要由点间几何关系、符号概率以及 bit mapping 决定。

如果你现在是在做**“可学习的非均匀 QAM-256”，我还可以进一步给你讲一个很关键的问题： 为什么仅用平均功率归一化训练星座时，星座有时会塌缩/出现重复点，以及 loss 里应该怎么约束**。这个对实际做 constellation optimization 很重要。

इस प्रश्नोत्तर को साझा करें