简介：这套Matlab仿真代码实现基于STBC的MIMO-OFDM系统误码率分析，面向无线通信方向的学生与科研人员，重点解决多天线OFDM系统在不同调制方式下的性能评估问题。代码支持BPSK、QPSK、8PSK、16PSK四种M-PSK调制，并可在1X1、2X2、4X4三种天线配置间切换；发射端对随机数据先进行OFDM调制，再对每个子载波实施STBC编码，经过AWGN信道后，接收端完成STBC译码与OFDM解调，将恢复数据与原始发送序列比对统计误码率，并以蒙特卡洛仿真得到系统平均性能。资源压缩包共10个文件，包含5个Matlab脚本（对应不同调制方式的仿真程序及训练符号生成）、4张仿真结果图（展示不同调制和天线数下的误码率曲线）和1个关键词说明文件，整体仅163KB，适用于Matlab2016b环境，运行相应脚本即可直接出图。目前已有350人学习下载。代码结构完整、参数便于修改，适合作为课程设计、课题仿真或论文验证的参考实现，也能帮助初学者快速掌握MIMO-OFDM与STBC联合仿真的完整流程。

1. 为什么 STBC 的 MIMO-OFDM 系统误码率分析总在细节上翻车

不少人在调试基于 STBC 的 MIMO-OFDM 系统的误码率分析时，都会碰到一个反直觉的现象：明明给发射端加了两根天线，BER 却和单天线差不多，甚至在高信噪比段出现平台。问题通常不在 STBC 本身，而在子载波映射、信道功率归一化和蒙特卡洛终止条件这些细节上。STBC 用 Alamouti 空时分组码把符号映射到时间和空间两个维度，OFDM 再把宽带频率选择性信道拆成一组平坦子信道，两者结合的目的是让每条数据流获得 2 阶分集增益。这篇文章面向要动手搭链路仿真、写课程设计或者验证无线算法的工程师，从信号模型、Python 仿真代码、参数设置到四个高频踩坑点，完整走一遍误码率分析流程。

2. STBC 与 MIMO-OFDM 的信号模型：先把 Alamouti 和子载波映射讲透

2.1 Alamouti 编码：2x1 发射分集的核心矩阵

Alamouti 编码是 STBC 里最经典的 2x1 方案，两根发射天线、一根接收天线，在两个连续符号时隙内发送两个符号 x1 和 x2。天线 1 在时隙 1 发 x1，时隙 2 发 -x2*；天线 2 在时隙 1 发 x2，时隙 2 发 x1*。把行方向看成天线、列方向看成时隙，得到的编码矩阵是正交的，所以接收端不需要穷举搜索，用线性合并就能把 x1 和 x2 分开。

这个正交性是整个 STBC 误码率分析的基石。由于两列向量正交，两个符号经过信道后虽然混叠在同一个接收信号里，但各自携带的是两条独立路径的能量之和。在 Rayleigh 衰落信道里，单根天线的符号信噪比是单指数分布，BER 随 SNR 下降的斜率对应 1 阶分集；两条独立路径让等效信噪比变成两个指数变量的和，高 SNR 段的 log-log 斜率会被推到 2 阶分集。

我一般会在仿真里把 1x1 和 2x1 同时跑出来对比。如果两者的 BER 曲线斜率一致，说明 Alamouti 的正交合并结构没起作用，问题多半出在编码位置或信道假设上。Alamouti 有一个前提：信道在两个连续时隙内保持不变。OFDM 符号周期一般远大于符号速率，所以在慢衰落信道里这个假设基本成立，但在快衰落场景下不能直接套用，后面避坑部分会展开。

2.2 OFDM 的作用：把频率选择性信道拆成一组平坦衰落子信道

MIMO-OFDM 里的 OFDM 不是装饰。宽带信号经过多径信道后会出现频率选择性衰落，时域上表现为严重的符号间干扰。OFDM 把整个宽带分成 N 个子载波，每个子载波带宽小于信道相干带宽，于是每个子载波上的信道近似平坦。加上循环前缀 CP，只要 CP 长度大于最大时延扩展，多径时延导致的符号间干扰和子载波间干扰都会被吸收。

从基带等效角度看，OFDM 把时域卷积变成了频域逐点相乘：

Y(k) = H(k) * X(k) + N(k)

这里 H(k) 是第 k 个子载波上的复增益。每根发射天线到接收天线之间的链路都可以这样表示。所以在做误码率分析时，我们不需要在时域里逐抽头处理卷积，而是直接以子载波为单位去看 STBC 的合并效果。这也是为什么仿真代码里可以先用 IFFT 生成时域信号，再用 FFT 恢复频域，中间的信道操作等效到频域完成。

OFDM 的另一个作用是让 STBC 能同时拿到空间分集和频率分集。STBC 在频域逐子载波独立编码，每个子载波经历的信道衰落不同，只要子载波间隔大于相干带宽，多个子载波上的错误事件就不完全相关，整体误码率还能进一步被平均掉。这个效果在论文里常被归入频率分集，实际仿真时不需要特意处理，只要信道多径抽头足够多，自然会出现。

2.3 逐子载波的 STBC 映射：编码在频域完成，不在时域

这是 MIMO-OFDM 里最容易出错的一个点。把 Alamouti 直接套在 OFDM 时域采样点上是不对的。OFDM 符号是整体做 IFFT 生成的，时域采样点之间并没有子载波概念，两个时域采样点之间的 Alamouti 结构经过 IFFT 后会在频域被打散。正确的做法是：把频域符号矩阵按子载波对齐，取第 k 个子载波上两个连续的 OFDM 符号构成一组 Alamouti 码块。

我用一个表格把映射关系说清楚。假设 x1(k)、x2(k) 是第 k 个子载波上两个连续的 QPSK 符号，那么两个发射天线在两个 OFDM 符号时隙上发送的信号如下所示。

代码实现上，我会先把整个符号矩阵按行拆成偶数索引块和奇数索引块。偶数块作为 x1，奇数块作为 x2，然后分别映射到天线 1、天线 2 的两个时隙。这样每个子载波都独立完成了一次 Alamouti 编码，接收端也逐子载波做合并。

需要注意的是，如果信道在两个 OFDM 符号之间变化，正交性会被破坏，线性合并解不再是最优的。实际系统里常通过导频估计每个时隙的信道，然后用估计值代替真实信道。仿真时为了对比理论性能，通常先假设理想信道估计，再加信道估计模块看性能损失。

2.4 接收端的最大似然合并与等效信噪比

接收端两个时隙收到的频域信号可以写成：

R1(k) = H1(k)·x1(k) + H2(k)·x2(k) + N1(k)
R2(k) = -H1(k)·x2*(k) + H2(k)·x1*(k) + N2(k)

其中 H1(k)、H2(k) 分别是天线 1、天线 2 到接收天线在第 k 个子载波上的信道频响。理想信道估计下，线性合并公式是：

y1(k) = H1*(k)·R1(k) + H2(k)·R2*(k)
y2(k) = H2*(k)·R1(k) - H1(k)·R2*(k)

代入 R1、R2 后，交叉项会全部消掉，得到：

y1(k) = (|H1(k)|² + |H2(k)|²)·x1(k) + N1'(k)
y2(k) = (|H1(k)|² + |H2(k)|²)·x2(k) + N2'(k)

也就是说，每个符号的等效增益都是两条信道功率之和。因为合并后的信道增益是非负实数，QPSK 判决时不需要除以增益，直接看 y1(k)、y2(k) 的实部和虚部符号就可以恢复比特，这就是为什么仿真代码能把判决写得非常简洁。

从这个表达式也能看出 STBC 的一个特性：它带来的是分集增益而非阵列增益。2x1 Alamouti 相对 1x1 的增益来自两条独立路径的概率特性，而不是把发射功率加倍。如果仿真的 2x1 比 1x1 高了 3 dB，先检查是不是发射功率归一化出了问题。

3. 用 Python 搭一套 STBC MIMO-OFDM 误码率仿真链路

3.1 参数设置与符号结构：先把仿真脚本的骨架立起来

仿真链路我用 Python 加 NumPy，不依赖通信工具箱，这样读者在任何环境里都能跑。核心参数有子载波数、循环前缀长度、多径抽头数、调制阶数和蒙特卡洛终止条件。下面这段代码定义参数和 QPSK 调制函数。

import numpy as np # OFDM 仿真参数 N_SC = 64 # 子载波数 CP_LEN = 16 # 循环前缀长度，必须大于最大时延抽头数 N_TX = 2 # 发射天线数（Alamouti 需要 2） N_RX = 1 # 接收天线数 L_CH = 4 # 多径信道抽头数，最大时延为 L_CH-1 个采样间隔 P_TOTAL = 1.0 # 总发射功率约束，两根天线各分一半 N_OFDM_SYM = 512 # 每轮蒙特卡洛的 OFDM 符号数，保持偶数 SNR_MIN, SNR_MAX, SNR_STEP = 0, 24, 3 def qpsk_mod(bits): # 每 2 比特映射一个 QPSK 符号，Gray 映射：0->+，1->- bits = bits.reshape(-1, 2) b0, b1 = bits[:, 0], bits[:, 1] s = (2 * b0 - 1) + 1j * (2 * b1 - 1) return s / np.sqrt(2) # 星座点能量归一化到 1

逻辑说明：qpsk_mod 把输入的比特流每两位一组映射成星座点。实部对应 b0，虚部对应 b1，00 映射到 -1-1j，01 映射到 -1+1j，依此类推。除以 sqrt(2) 是让每个符号的平均能量为 1，这样后面噪声方差可以直接按 Es/N0 定义，N0 = 10^(-SNR_dB/10)。

参数说明：N_SC 选 64 是为了仿真速度，实际系统常见 512 或 1024，规律一致。CP_LEN 必须大于 L_CH-1，这里 16 对 4 抽头信道绰绰有余。N_OFDM_SYM 取偶数是因为 Alamouti 编码要把符号矩阵按行拆成两份，如果总数是奇数，最后一行没法配对。如果你改子载波数，记得把 IFFT 和 FFT 的大小一起改，否则频域点数不匹配。

3.2 发射机实现：QPSK 符号的 Alamouti 编码与 OFDM 调制

发射机分成两步：先做频域的 Alamouti 编码，再对每根天线的每个时隙做 IFFT 加循环前缀。关键的功率归一化放在编码阶段完成，因为两根天线同时发送，每根天线只分得总发射功率的一半。

def alamouti_encode(sym_block): # sym_block: (N_OFDM_SYM, N_SC) 频域 QPSK 符号 even = sym_block[0::2, :] # 时隙 1 的符号，即 x1 odd = sym_block[1::2, :] # 时隙 2 的符号，即 x2 tx1_slot1 = even * np.sqrt(P_TOTAL / 2) tx1_slot2 = -np.conj(odd) * np.sqrt(P_TOTAL / 2) tx2_slot1 = odd * np.sqrt(P_TOTAL / 2) tx2_slot2 = np.conj(even) * np.sqrt(P_TOTAL / 2) return tx1_slot1, tx1_slot2, tx2_slot1, tx2_slot2 def ofdm_mod(freq_grid): # 频域符号 -> 时域 OFDM 基带信号，每行一个 OFDM 符号 n_sym = freq_grid.shape[0] t = np.fft.ifft(freq_grid, axis=1) * np.sqrt(N_SC) cp = t[:, -CP_LEN:].copy() return np.hstack([cp, t])

逻辑说明：alamouti_encode 把频域符号矩阵按行奇偶拆分，偶数行作为 x1，奇数行作为 x2。天线 1 在时隙 1 发 even，时隙 2 发 -odd 的共轭；天线 2 在时隙 1 发 odd，时隙 2 发 even 的共轭。这与 Alamouti 编码矩阵完全一致。所有符号在编码时乘了 sqrt(P_TOTAL/2)，确保两根天线总发射功率等于 1，和 1x1 系统对比时是公平的。

ofdm_mod 对每一行做逆傅里叶变换，乘 sqrt(N_SC) 是能量归一化，让时域信号的平均功率等于频域符号的平均功率。循环前缀直接取每个 OFDM 符号最后 CP_LEN 个采样拼到前面，这是为了把多径信道的线性卷积变成循环卷积，接收端才能用 FFT 恢复。

参数说明：P_TOTAL/2 的归一化方向不能搞反。如果每根天线都按满功率 1 归一化，2x1 系统总发射功率就是单天线的两倍，BER 曲线会比公平对比好大约 3 dB，这个增益是功率翻倍带来的，不是分集增益。在论文图表里如果明确说明是每天线功率，可以这么归一化，但自对比时一定要统一口径。

3.3 多径信道与接收端：把循环前缀吃掉，再做 FFT 和 Alamouti 合并

信道模型用多径 Rayleigh 衰落。为了仿真稳定，每条收发链路的抽头总功率归一化到 1。接收端先做时域卷积，然后丢弃循环前缀，取 FFT 窗口内的采样恢复频域信号，再做 Alamouti 线性合并。

def gen_channel(n_tx, L=L_CH): # 生成 n_tx 条独立多径信道，每条总功率归一化到 1 h = [] for _ in range(n_tx): taps = (np.random.randn(L) + 1j * np.random.randn(L)) / np.sqrt(2) taps /= np.sqrt(L) h.append(taps) return np.array(h) # (n_tx, L) def channel_conv(tx_sym, h): # tx_sym: (n_slot, N_SC + CP_LEN) 时域发送信号 n_slot = tx_sym.shape[0] y = np.zeros((n_slot, N_SC), dtype=complex) for i in range(n_slot): full = np.convolve(tx_sym[i], h) y[i] = full[CP_LEN:CP_LEN + N_SC] # 丢掉 CP，截取 FFT 窗口 return y

逻辑说明：gen_channel 生成复高斯抽头，每径功率都相同，最后除以 sqrt(L) 让所有抽头功率之和为 1。这样信道频响的平均功率也为 1，接收端加噪声时不需要再额外修正信道增益。channel_conv 把每个 OFDM 符号和信道冲激响应做线性卷积，然后截取 CP_LEN 到 CP_LEN+N_SC 这一段进入 FFT 窗口。

这段代码的截取方式值得展开讲一下。线性卷积完的序列长度是 N_SC+CP_LEN+L_CH-1。丢掉前 CP_LEN 个采样后，剩下的就是当前 OFDM 符号数据部分和一部分信道拖尾的叠加。由于 CP 长度大于最大时延，这个叠加恰好等价于频域相乘，所以后面做 FFT 得到的就是 H(k) 乘以发射频域符号。如果 CP 不够长，这段窗口里会混入上一个符号的残留，BER 就会在高 SNR 段出现平台。

在频域信道响应的计算上，我对每个抽头向量补零到 N_SC 再做 FFT，得到 H1、H2。由于抽头总功率为 1，频响的平均功率也是 1，噪声方差可以按 N0 = 10^(-SNR/10) 直接加在时域或频域。

3.4 跑通最小示例：完整的 BER 统计主循环

主循环里每一轮生成一批随机比特，调制、编码、过信道、合并、判决，然后累计错误比特。蒙特卡洛终止条件用两个：统计比特数下限和错误比特数下限，这样高 SNR 段不会白跑，低 SNR 段也不会因为样本太少导致曲线毛刺太大。

def run_ber(snr_db): n0 = 10 ** (-snr_db / 10) err_cnt, bit_cnt = 0, 0 while bit_cnt < 2_000_000 and err_cnt < 200: # 生成随机比特并调制 bits = np.random.randint(0, 2, N_OFDM_SYM * N_SC * 2) sym = qpsk_mod(bits).reshape(N_OFDM_SYM, N_SC) tx1_s1, tx1_s2, tx2_s1, tx2_s2 = alamouti_encode(sym) # 生成并计算信道频响 h1 = gen_channel(1)[0] h2 = gen_channel(1)[0] H1 = np.fft.fft(h1, N_SC) H2 = np.fft.fft(h2, N_SC) # 发射端时域信号 tx1_s1_t = ofdm_mod(tx1_s1) tx1_s2_t = ofdm_mod(tx1_s2) tx2_s1_t = ofdm_mod(tx2_s1) tx2_s2_t = ofdm_mod(tx2_s2) # 接收端：时域卷积后加高斯白噪声 rx1_t = channel_conv(tx1_s1_t, h1) + channel_conv(tx2_s1_t, h2) rx2_t = channel_conv(tx1_s2_t, h1) + channel_conv(tx2_s2_t, h2) noise1 = np.sqrt(n0 / 2) * (np.random.randn(*rx1_t.shape) + 1j * np.random.randn(*rx1_t.shape)) noise2 = np.sqrt(n0 / 2) * (np.random.randn(*rx2_t.shape) + 1j * np.random.randn(*rx2_t.shape)) rx1_f = np.fft.fft(rx1_t + noise1, axis=1) / np.sqrt(N_SC) rx2_f = np.fft.fft(rx2_t + noise2, axis=1) / np.sqrt(N_SC) # Alamouti 线性合并 y1 = np.conj(H1) * rx1_f + H2 * np.conj(rx2_f) y2 = np.conj(H2) * rx1_f - H1 * np.conj(rx2_f) # 逐比特判决并统计错误 x1 = sym[0::2, :] x2 = sym[1::2, :] b0_1 = (np.real(x1) > 0).astype(int) b1_1 = (np.imag(x1) > 0).astype(int) b0_2 = (np.real(x2) > 0).astype(int) b1_2 = (np.imag(x2) > 0).astype(int) d0_1 = (np.real(y1) > 0).astype(int) d1_1 = (np.imag(y1) > 0).astype(int) d0_2 = (np.real(y2) > 0).astype(int) d1_2 = (np.imag(y2) > 0).astype(int) err_cnt += int(np.sum(d0_1 != b0_1) + np.sum(d1_1 != b1_1) + np.sum(d0_2 != b0_2) + np.sum(d1_2 != b1_2)) bit_cnt += N_OFDM_SYM * N_SC * 2 return err_cnt / bit_cnt for snr_db in range(SNR_MIN, SNR_MAX + 1, SNR_STEP): ber = run_ber(snr_db) print(f"SNR={snr_db:2d} dB BER={ber:.3e}")

逻辑说明：每轮 while 循环重新生成一组信道实现，代表一帧数据经历的慢变衰落。发射端对两个时隙的信号分别做 OFDM 调制，接收端把两路信号叠加后分别过各自的卷积信道。噪声加在时域，方差为 n0，分为实部和虚部各 n0/2。FFT 后除以 sqrt(N_SC) 是为了和发射端的 IFFT 归一化对齐。

合并部分直接照搬上一章推导的公式。y1、y2 中交叉项消掉后，QPSK 判决只需要判断实虚部符号，不需要除以 |H1|²+|H2|²，因为非负实数的缩放不改变星座点所在象限。这也避免了除以小信道增益时放大噪声的数值问题。

参数说明：err_cnt 达到 200 就提前终止，这是为了让高 SNR 段不至于为了多统计几个零头跑几十分钟。bit_cnt 下限设 2 百万，对应的最低 BER 分辨率大约 5e-7，足够看 1e-4 到 1e-5 这个区间。如果你要画 1e-6 以下的深度曲线，把下限提高到 1e7 或 5e7，同时把 err_cnt 下限也向上调。

4. 误码率分析避坑：四次翻车记录与排查方法

4.1 高 SNR 段 BER 平台不下降，曲线躺着不动

现象：BER 在 10 dB 之前下降正常，但到了 18 dB 之后几乎不再变化，曲线出现明显的 error floor。

原因：最常见的元凶是循环前缀长度不够。多径信道的最大时延抽头数超过 CP_LEN，上一个 OFDM 符号的拖尾会落进当前符号的 FFT 窗口，破坏子载波正交性，产生无法通过提高 SNR 消除的干扰平台。另一个可能性是仿真里忘了加频偏补偿，但在基带等效仿真里一般不会出现这个，优先查 CP。

解决：检查 L_CH 和 CP_LEN 的约束关系，严格满足 CP_LEN >= L_CH - 1。如果信道用了指数衰减功率时延谱，最大时延以功率衰减到噪声底为准。你可以做个对照实验：把 L_CH 改成 2，CP_LEN 保持 16，BER 曲线平台应该立刻消失。如果平台还在，再检查噪声是否被错误地加在了频域两次。

4.2 加了 STBC，分集增益却为零

现象：2x1 的 BER 曲线和 1x1 几乎重合，高 SNR 段斜率一致，没有出现分集增益。

原因：多半是把 Alamouti 编码用在了时域采样点上。比如把两个连续的时域采样值做配对编码，再送入 OFDM 调制。时域编码经过 IFFT 后，频域符号已经被打散，Alamouti 正交结构只存在于编码端，接收端在频域无法对应回去。

解决：回到 2.3 节的映射表，确认编码发生在频域符号矩阵上。具体到代码，就是先对 QPSK 符号矩阵做行拆分成 even 和 odd，再构造两个天线的频域信号，最后才对频域矩阵做 IFFT。判断方法很简单：把 alamouti_encode 的输入和输出打印出来，检查 tx1_slot2 是否等于 -conj(odd)，tx2_slot2 是否等于 conj(even)。如果编码后直接再做一次 FFT，你应该看到所有子载波上的 Alamouti 结构完好保留。

4.3 仿真 BER 和理论曲线系统性偏移几个 dB

现象：BER 曲线的形状和斜率都正常，但整体平移了 2 到 3 个 dB，或者低 SNR 段就对不上。

原因：功率归一化问题。比较常见的有两种：第一种是多径抽头没有归一化，gen_channel 里少了除以 sqrt(L)，导致每条路径都是满功率，接收信号能量被放大，等效 SNR 虚高；第二种是两根发射天线各自按功率 1 归一化，2x1 的总发射功率是 1x1 的两倍，白赚了 3 dB。

解决：统一口径。发射端用 P_TOTAL=1.0，每根天线乘 sqrt(P_TOTAL/2)；信道抽头生成后除以 sqrt(L)，保证 E[sum(|h|²)] = 1。如果要在论文里明确对比每天线功率方案，可以把 P_TOTAL 改成 2.0，并在图注里写清楚。一个更稳妥的验证方法是把 Alamouti 模块去掉，直接跑 1x1 的 QPSK-OFDM，和已知的 Rayleigh 平坦衰落理论曲线对比，先把单链路校准到一致，再跑 2x1。

4.4 低 SNR 段 BER 抖动大，两次运行结果不一致

现象：0 到 6 dB 段的 BER 点忽高忽低，甚至出现曲线交叉，同样的参数跑两次差别明显。

原因：蒙特卡洛样本不足。低 SNR 段误码率高，错误比特数其实不少，但因为每轮信道实现更新的粒度太大或者总比特数太少，抽样方差直接体现在 BER 点上。另一种情况是 while 循环的错误比特停止条件设得太低，比如 100 个错误就停，BER 在 1e-3 以上时相对误差仍然很大。

解决：给蒙特卡洛统计加上双阈值。我把 err_cnt 下限提到 200，bit_cnt 下限提到 2 百万，跑出来的曲线就平滑很多。如果还要更稳，可以在每个 SNR 点重复跑 3 次取平均，或者把信道更新粒度改小：每轮 while 只跑 N_OFDM_SYM=128 个符号，但让循环多跑几十轮，信道随时间变化更充分，能降低信道抽样带来的波动。

5. 从 BER 曲线斜率验证分集阶数：一个不依赖理论公式的校验技巧

5.1 用 1x1 对比 2x1，看 log-log 斜率

很多入门材料会直接给 Rayleigh 信道下的理论 BER 公式，但公式的前提条件和仿真假设未必完全一致，硬套反而容易出问题。我更推荐一个纯经验校验法：画出 1x1 和 2x1 的 BER 曲线，横轴 SNR 用 dB，纵轴 BER 用对数坐标。在误码率低于 1e-3 的区间里，两条曲线近似是直线，斜率就对应分集阶数。

1x1 的斜率约为 -1，意思是 SNR 每提升 10 dB，BER 大约下降一个数量级。2x1 Alamouti 的斜率约为 -2，同样是 10 dB，BER 下降两个数量级。判断方法不用拟合，直接看同样的 SNR 跨度下 BER 下降的倍数差。比如某个仿真配置里，1x1 从 20 dB 到 24 dB 下降了约 4 倍，2x1 就应该下降到约 16 倍左右。做不到这个倍数关系，说明某条链路没有真正提供两条独立衰落路径。

这里有个容易混淆的点：分集阶数只决定斜率，不决定绝对增益。2x1 曲线在低 SNR 段可能和 1x1 靠得很近，这是正常的，因为分集增益主要在深衰落概率上体现。如果你的曲线从低 SNR 开始就整体平移很多，大概率是功率归一化问题，回到 4.3 检查。

5.2 信道估计与导频间隔的经验值

上面的仿真假设理想信道估计，实际系统必须用导频估计 H1、H2。常见做法是梳状导频加线性插值。导频间隔多少合适取决于信道频域相关性：多径时延扩展为 L 个采样时，相邻子载波的信道相关系数随间隔增大而下降，我一般把导频间隔控制在 4 到 8 个子载波，做线性插值后 BER 相对理想信道估计损失在 0.5 dB 以内。间隔超过 16 后，深衰落子载波处的插值误差明显增大，高 SNR 段会再次出现平台。

如果用 LS 估计，导频位置的噪声会被直接带入插值后的信道响应。一个简单有效的改进是先在频域做个滑动平均再插值，窗口大小取 3 到 5 个子载波，能把估计噪声压低不少，代价是频率选择性的边缘有点被抹平。实际调试时我习惯把理想信道估计和 LS 估计两条曲线画在一起，如果两者落差大于 1 dB，先怀疑导频功率、导频间隔和插值方法，而不是编码本身。

我自己的血泪经验是：第一次跑 STBC MIMO-OFDM 链路时，BER 曲线一直和单天线重合，后来一行行检查才发现编码写在了 IFFT 之后。把编码挪到频域，再把发射功率归一化改成总功率约束，曲线才终于出现 2 阶斜率。这个链路本身不复杂，但每个环节的归一化和映射都牵一发动全身。希望这套仿真框架和排查思路能帮你少走这些弯路。

本文还有配套的精品资源，点击获取