MATLAB仿真中采样率对PAM系统误码率的影响分析与工程实践-平芜编程栈

简介：本资源是一份面向通信工程专业本科生、研究生及MATLAB初学者的数字通信仿真实践材料，聚焦二进制脉冲幅度调制（PAM）系统建模与性能评估核心问题。通过完整可运行的MATLAB代码，实现从随机二进制序列生成、PAM映射、多采样率信号重构、加性高斯白噪声信道模拟到接收端判决与误码率（BER）计算的全流程仿真，直观揭示采样率对系统抗噪能力与传输可靠性的定量影响。压缩包共含7个.m文件，涵盖主运行脚本Runme_BPAM.m及pulse_generator、create_samples、find_etta、find_detected_symbols、create_recieved_signal、find_num_of_errors等模块化函数，总大小仅4KB，结构清晰、注释充分，便于分步调试与原理验证。已有204人学习下载，读者可直接复现不同采样率下的BER曲线，掌握数字基带调制仿真关键技巧，并为后续QAM、PSK等调制方式研究奠定实践基础。

1. 项目概述：从理论到实践的PAM信号仿真

在数字通信系统的学习和工程实践中，仿真是一个绕不开的环节。它能让我们在投入硬件成本之前，就对系统性能有一个清晰的预判。今天要聊的这个项目，就是用MATLAB来仿真二进制脉冲幅度调制（PAM）信号，并重点对比不同采样率对系统误码率（BER）的影响。这听起来像是一个经典的通信原理实验，但实际操作起来，从参数设置到结果分析，每一步都藏着不少门道。很多教材和网络代码只给个骨架，运行出来几条曲线就完事了，但为什么曲线是那个形状？采样率到底怎么选才合理？仿真结果和理论值对不上怎么办？这些才是真正有价值的问题。这个项目就是要把这些“黑箱”打开，不仅给出能跑的代码，更要讲清楚背后的通信原理和MATLAB仿真技巧，让你下次自己做仿真时，能知其然更知其所以然。

PAM是一种非常基础的数字调制方式，虽然在实际的无线通信中应用不多（更多见于有线通信和光通信），但它结构简单，是理解更复杂的QPSK、QAM等调制方式的基石。仿真的核心目标，就是在一个添加了高斯白噪声的信道模型中，恢复出发送的二进制序列，并统计出错的概率，即误码率。而采样率，作为连接连续时间信号和离散时间处理的关键桥梁，它的选择直接影响了我们对信号“相貌”的还原程度，进而影响接收端判决的准确性。通过这个仿真，我们不仅能验证通信理论，更能深刻理解采样定理在实际系统设计中的指导意义。

2. 仿真系统框架与核心模型解析

2.1 二进制PAM调制与解调原理

脉冲幅度调制的思想很直观：用不同幅度的脉冲来代表不同的数字符号。对于二进制PAM，我们通常用两个电平来表示比特0和1。最常见的映射方式是“双极性”映射：比特0映射为幅度 -A，比特1映射为幅度 +A。这种映射方式的平均功率固定，并且在加性高斯白噪声（AWGN）信道下，其误码率性能与另一种常见的“单极性”映射（0映射为0，1映射为A）相比更有优势，因为它两个信号点的欧氏距离更大，为2A，抗噪声能力更强。

整个仿真系统的流程可以概括为以下几个步骤：

信源：生成随机的二进制比特序列。
调制：将比特序列按照规则（如0->-1, 1->+1）映射为PAM符号序列。
波形生成：为每个PAM符号分配一个脉冲波形。最简单也是最常用的就是矩形脉冲（NRZ，不归零码）。这意味着在一个符号周期内，信号的幅度保持为该符号对应的恒定值。
上采样与脉冲成型：为了模拟连续时间信号并便于后续添加噪声，我们需要对符号序列进行上采样，即在每个符号之间插入若干个零点，然后用一个滤波器（通常是矩形窗）进行成型，得到时间上连续的信号波形。这一步是连接离散符号和连续波形的关键。
信道：模拟AWGN信道，即直接在发送信号上叠加高斯白噪声。噪声的功率由信噪比（Eb/N0）决定。
接收滤波与采样：接收端对含噪信号进行匹配滤波（对于矩形脉冲，匹配滤波就是在一个符号周期内进行积分或等效的低通滤波），然后在最佳采样时刻（通常是每个符号周期的中间点）进行采样，得到判决变量。
判决：根据采样值的正负进行判决（大于0判为1，小于0判为0），恢复出二进制比特。
误码率计算：对比恢复出的比特序列与原始发送序列，统计错误比特数，计算误码率。

整个过程的数学模型清晰，但用MATLAB实现时，如何将连续的物理过程用离散的数组来精确表征，就是仿真的艺术了。

2.2 采样率的核心作用与仿真参数设计

采样率，或者说每个符号的采样点数（samples per symbol,sps），是这个项目的灵魂变量。它不是一个随意选择的数字，而是连接理论连续模型和实际离散仿真的桥梁。

为什么采样率至关重要？

波形保真度：根据奈奎斯特采样定理，要无失真地恢复一个带宽为B的信号，采样频率必须大于2B。对于矩形脉冲的PAM信号，其理论带宽是无限的，但我们关心的是其主要能量集中的范围。sps太低，会导致生成的波形“阶梯感”严重，无法平滑表征脉冲的上升沿和下降沿（虽然矩形脉冲本身是突变的，但经过系统带宽限制后实际波形是连续的），在添加噪声和滤波时会产生失真。
噪声添加的准确性：我们是在离散时间点添加高斯噪声。如果sps太低，相当于对连续时间噪声进行了欠采样，添加到信号上的噪声功率谱会发生变化，不能准确模拟连续AWGN信道。
最佳采样点对齐：接收端需要在每个符号周期的最佳时刻（通常是对抗码间干扰的平衡点）进行采样。sps决定了我们离散时间网格的精细程度。sps越高，我们越有可能有一个采样点无限接近那个理论上的最佳采样时刻。如果sps太低，可能所有采样点都偏离最佳点，引入额外的性能损失。
仿真速度与精度的权衡：sps越高，仿真保真度越高，但产生的数据量越大，仿真所需的时间也越长。我们需要在可接受的仿真时间内，选择一个足够高的sps以获得可靠的结果。

关键仿真参数设计思路：

信噪比范围：通常用 Eb/N0（每比特能量与噪声功率谱密度之比）来衡量，单位是dB。我们需要仿真一个范围，例如从0 dB到10 dB，步进为1 dB或2 dB，以绘制出完整的误码率曲线。
每个信噪比下的蒙特卡洛仿真次数：误码率是一个统计值。为了获得稳定的统计结果，我们需要发送足够多的比特。通常，对于10^(-N)量级的误码率，至少需要仿真 10 * 10^N 个比特才能保证一定的统计可靠性。例如，要仿真到BER=10^-4，至少需要发送100万个比特。我们可以设定一个总比特数，或者设定一个最小错误比特数（如至少100个错误）来终止循环。
脉冲形状：本项目使用矩形脉冲，其匹配滤波器也是矩形积分器。在离散实现中，这等价于对每个符号周期内的sps个采样点进行求和（或求平均）。

3. MATLAB仿真实现与代码逐行精讲

下面，我们将构建一个完整的MATLAB仿真脚本。我会先给出代码框架，然后对关键部分进行详细解释，并特别标注不同采样率sps的设置如何影响代码的具体实现。

%% 二进制PAM系统仿真 - 不同采样率对比 clear all; close all; clc; %% 1. 仿真参数设置 numBits = 1e6; % 发送的总比特数（每个SNR点） EbN0_dB_vec = 0:2:10; % 信噪比范围 (dB) sps_vec = [2, 4, 8, 16]; % 待比较的采样率（每符号采样点数） % 初始化误码率存储矩阵 BER_results = zeros(length(sps_vec), length(EbN0_dB_vec)); %% 2. 主仿真循环：遍历不同采样率 for sps_idx = 1:length(sps_vec) sps = sps_vec(sps_idx); fprintf('当前仿真采样率 sps = %d ...\n', sps); % 遍历不同信噪比 for snr_idx = 1:length(EbN0_dB_vec) EbN0_dB = EbN0_dB_vec(snr_idx); % 2.1 将Eb/N0 (dB) 转换为线性值，并计算噪声方差 EbN0 = 10^(EbN0_dB / 10); % 对于双极性PAM，符号能量 Es = A^2 * T，比特能量 Eb = Es (因为二进制)。 % 我们设A=1，符号周期T=1，则Es=1， Eb=1。 % 噪声方差 sigma^2 = N0/2。在离散时间，对于单位能量符号，噪声功率 = N0/2。 % 更通用的计算：信号平均功率为1，则噪声功率 = 1/(2 * EbN0) * (fs/2)的归一化因子？ % 注意：这是最容易出错的地方！我们需要根据离散仿真模型正确计算噪声方差。 % 正确方法：考虑采样率后，离散时间噪声的方差 sigma^2 = N0 / (2 * Ts) ? % 更稳妥的方法：基于比特能量Eb和采样率sps来计算。 % 假设符号周期为1秒，则每个符号有sps个采样点。 % 信号能量（一个符号内所有采样点的平方和） = A^2 * sps。我们设A=1，则信号能量 = sps。 % 比特能量 Eb = 信号能量 = sps (因为一个符号携带1比特)。 % 噪声功率谱密度 N0 = Eb / EbN0 (线性值)。 % 在离散时间，采样频率 fs = sps (因为符号率=1)，噪声带宽为 fs/2。 % 因此，添加到每个采样点上的高斯噪声的方差应为：sigma^2 = (N0/2) * fs = (N0/2) * sps % 代入 N0 = Eb / EbN0 = sps / EbN0，得到： % sigma^2 = (sps / (2 * EbN0)) * sps = (sps^2) / (2 * EbN0) % 但这是针对双边功率谱的推导。通常更简单的做法是： % 产生方差为1的复高斯噪声，然后根据信噪比进行缩放。 % 标准做法：生成标准正态分布噪声，然后乘以 sqrt(1/(2 * EbN0))？需要调整。 % 我们采用一种工程上清晰的方法： % 步骤：1. 生成能量为1的发送信号序列。2. 根据EbN0_dB计算噪声功率。3. 添加噪声。 % 首先生成发送比特和符号 tx_bits = randi([0, 1], 1, numBits); % 原始比特流 tx_symbols = 2 * tx_bits - 1; % 双极性映射：0-> -1, 1-> +1 % 上采样：将符号序列扩展为波形采样点 tx_waveform = upfirdn(tx_symbols, 1, sps); % 上采样sps倍，滤波器为1（即插零） % upfirdn函数是通信工具箱中的，如果未安装，可以用以下代码替代： % tx_waveform = zeros(1, numBits * sps); % tx_waveform(1:sps:end) = tx_symbols; % 在符号起始位置赋值 % 计算发送信号的平均功率（应为1，用于校准噪声功率） signal_power = mean(tx_waveform.^2); % 计算每个采样点的噪声方差 % 对于双极性PAM，比特能量 Eb = 信号功率 * 符号周期。 % 在我们的离散模型中，符号周期内包含sps个采样点，且信号功率已归一化。 % 更通用的公式：sigma^2 = signal_power / (2 * EbN0) * (sps) ? % 我们采用标准通信仿真公式： % 设符号能量 Es = mean(abs(tx_symbols).^2) = 1。 % 则比特能量 Eb = Es / log2(M) = 1 (M=2)。 % 信噪比 SNR = Eb/N0， 所以 N0 = 1/EbN0。 % 在复基带仿真中，噪声方差 = N0。 % 在实信号仿真中（我们的是实PAM信号），噪声方差 = N0/2。 % 但这是针对连续时间的。离散化后，噪声方差需要乘以采样率因子吗？ % 关键点：在MATLAB中，我们通常直接生成离散时间噪声序列，其方差应等于所需的噪声功率。 % 对于AWGN信道，噪声功率 = N0/2 * 带宽。如果我们假设系统带宽为1（归一化），则噪声功率 = N0/2。 % 因此，噪声方差 sigma^2 = N0/2 = 1/(2 * EbN0)。 % 这个公式与sps无关吗？是的，前提是我们正确地生成了信号波形。 % 我们的信号波形 `tx_waveform` 的功率是1吗？我们来检查一下。 % 如果 tx_symbols 是 +/-1，上采样插零后，`tx_waveform` 中只有1/sps的点非零，其功率会下降到原来的1/sps。 % 所以 signal_power = 1/sps。为了让接收端匹配滤波后恢复出功率为1的符号，我们需要在噪声计算中考虑这个因素。 % 因此，更严谨的做法是：在计算噪声方差时，基于匹配滤波后的符号能量Eb。 % 简化处理：我们在添加噪声时，直接针对匹配滤波后的信噪比Eb/N0来添加。 % 这意味着，我们可以在匹配滤波之后、采样之前添加噪声？不，噪声是在信道中加的。 % 标准流程：生成功率归一化的发送波形 -> 根据Eb/N0计算噪声方差 -> 添加噪声 -> 匹配滤波 -> 采样判决。 % 我们需要保证匹配滤波器的增益是合适的，使得滤波后符号的能量为Eb。 % 采用一种广泛使用且正确的方法： % 1. 发送符号能量 Es = 1。 % 2. 经过上采样和矩形脉冲成型后，波形采样点的功率为 Es / sps。 % 3. 比特能量 Eb = Es = 1。 % 4. 噪声功率谱密度 N0 = 1/EbN0。 % 5. 在离散时间，噪声方差 = (N0/2) * 采样频率。采样频率 fs = sps (符号率归一化为1)。 % 6. 因此，每个采样点的噪声方差 sigma_n^2 = (N0/2) * sps = sps / (2 * EbN0)。 sigma_n = sqrt(sps / (2 * EbN0)); % 噪声标准差 % 生成高斯白噪声 noise = sigma_n * randn(1, length(tx_waveform)); % 通过AWGN信道 rx_waveform = tx_waveform + noise; % 2.2 接收端处理：匹配滤波与采样 % 对于矩形脉冲，匹配滤波器就是在一个符号周期内积分。 % 在离散时间，这等价于对每sps个采样点进行求和。 % 我们可以用卷积或者reshape求和来实现。 % 方法：先进行匹配滤波（矩形窗积分） matched_filter = ones(1, sps); % 长度为sps的矩形窗 mf_output = conv(rx_waveform, matched_filter, 'same'); % 使用'same'保持输出长度一致。注意卷积会引入能量变化。 % 在最佳采样时刻（符号中间）进行采样。 % 由于我们是从第一个符号的起始点开始插零，经过矩形滤波后，最佳采样点位于每个符号周期的末尾（或中间，取决于滤波器延迟）。 % 简单起见，我们假设符号同步理想，在每sps个点的最后一个点采样。 sampling_instants = sps : sps : length(mf_output); % 或者尝试中间点：sps/2 : sps : ... (需要sps为偶数) % 这里采用末尾采样，与积分器对齐。 rx_samples = mf_output(sampling_instants); % 确保采样序列长度与发送符号一致 rx_samples = rx_samples(1:numBits); % 2.3 判决 rx_bits = (rx_samples > 0); % 正采样值判为1，负判为0 % 2.4 误码率计算 bit_errors = sum(rx_bits ~= tx_bits); BER = bit_errors / numBits; BER_results(sps_idx, snr_idx) = BER; fprintf(' Eb/N0 = %d dB, BER = %e\n', EbN0_dB, BER); end end %% 3. 结果可视化 figure; for sps_idx = 1:length(sps_vec) semilogy(EbN0_dB_vec, BER_results(sps_idx, :), 'o-', 'LineWidth', 1.5, 'DisplayName', sprintf('sps = %d', sps_vec(sps_idx))); hold on; end % 绘制理论误码率曲线（二进制双极性PAM在AWGN信道下） % 理论公式：BER = 0.5 * erfc(sqrt(Eb/N0)) EbN0_linear = 10.^(EbN0_dB_vec/10); theory_BER = 0.5 * erfc(sqrt(EbN0_linear)); semilogy(EbN0_dB_vec, theory_BER, 'k--', 'LineWidth', 2, 'DisplayName', 'Theory (0.5*erfc(sqrt(Eb/N0)))'); grid on; xlabel('Eb/N0 (dB)'); ylabel('Bit Error Rate (BER)'); title('二进制PAM系统误码率性能 vs. 采样率'); legend('Location', 'best'); set(gca, 'YScale', 'log');

3.1 噪声方差计算：仿真的关键与常见陷阱

上面代码中最核心也最容易出错的部分就是噪声方差sigma_n的计算。这里详细解释一下：

在连续时间AWGN信道中，噪声是双边功率谱密度为 N0/2 的加性白高斯过程。经过带宽为B的理想低通滤波器后，噪声功率为 N0 * B。

在我们的离散时间仿真中：

发送信号：我们生成了离散时间序列tx_waveform。每个符号周期T_sym（归一化为1）内有sps个采样点，因此采样间隔T_samp = T_sym / sps，采样频率fs = 1/T_samp = sps。
信号功率：如果发送符号是 +/-1，那么符号能量Es = 1。经过上采样（插零）后，波形序列中只有1/sps的点有值 +/-1，其余为0。因此，tx_waveform的平均功率P_signal = Es / T_sym / sps = 1/sps。注意，这个功率是离散时间序列的功率。
比特能量：Eb = Es = 1（二进制）。
噪声功率谱密度：N0 = Eb / (EbN0) = 1 / EbN0（线性值）。
离散噪声方差：我们要生成离散时间高斯噪声序列noise，其方差sigma_n^2应该等于噪声在离散时间模型中的功率。这个噪声功率应该等于连续噪声通过一个理想抗混叠滤波器（截止频率fs/2）后的功率。对于双边谱密度为 N0/2 的白噪声，通过带宽为fs/2的理想低通滤波器，其功率为(N0/2) * fs = (N0/2) * sps。
代入得到：sigma_n^2 = (N0/2) * sps = (1/(2*EbN0)) * sps = sps / (2 * EbN0)。

因此，代码中的sigma_n = sqrt(sps / (2 * EbN0));是正确的。这是一个非常重要的结论：在离散时间仿真中，添加的噪声方差与采样率sps成正比。如果忽略了sps因子，直接使用sigma_n = sqrt(1/(2*EbN0))，那么当sps增大时，相当于人为降低了信噪比，仿真得到的误码率曲线会严重偏离理论值。

3.2 匹配滤波与采样时刻的工程实现

匹配滤波的目的是最大化采样时刻的信噪比。对于矩形脉冲，其匹配滤波器就是另一个矩形脉冲。在离散时间，实现匹配滤波有两种常见方式：

卷积法：如代码所示，mf_output = conv(rx_waveform, matched_filter, 'same');。使用‘same’选项可以保持输出长度与输入一致，但要注意卷积会引入滤波器的延迟，并且会改变信号的能量。通常需要根据滤波器的能量进行归一化，但为了简化，我们这里直接使用。
积分求和法：更直观的方法是直接将接收波形按符号周期分段，然后对每一段求和。这可以通过reshape函数或循环实现。例如：
```
% 确保长度是sps的整数倍 len = floor(length(rx_waveform) / sps) * sps; rx_waveform_trunc = rx_waveform(1:len); % reshape成每行sps个点，然后对每行求和 mf_output_sum = sum(reshape(rx_waveform_trunc, sps, []), 1);
```
这种方法本质上就是矩形积分，物理意义明确，且能量关系清晰。mf_output_sum中的每个值就对应一个符号的匹配滤波输出。此时，最佳采样时刻就是每个积分结果出来的时刻，不需要再寻找采样点。

采样时刻的选择：

如果采用卷积法，匹配滤波器的输出会有延迟。对于长度为sps的矩形滤波器，其群延迟大约是(sps-1)/2个采样点。因此，最佳采样点可能位于sps/2（如果sps为偶数）或(sps+1)/2附近。代码中在sps : sps : end处采样，实际上是在每个符号周期的末尾采样，这对应于积分器在累积完整个符号能量后输出。这也是一种可行的方式，只要发送和接收端约定一致即可。
关键点：无论选择哪个采样点，在整个仿真中必须保持一致。并且，在比较不同sps的性能时，要意识到高sps能更精确地定位理论上的最佳采样点（比如符号中心），而低sps可能永远无法对准，这会带来额外的性能损失，这恰恰是我们仿真想要观察的现象之一。

注意：上面的示例代码为了清晰展示了完整流程，但在噪声方差计算和匹配滤波增益上做了简化。在实际严谨的仿真中，需要确保匹配滤波后符号的能量为Eb，从而使得Eb/N0的定义与理论一致。一种常见的做法是对发送波形和匹配滤波器都进行能量归一化。

4. 仿真结果分析与深度解读

运行上述代码后，我们会得到一张误码率曲线图，其中包含不同sps下的仿真曲线和理论曲线。

4.1 预期结果与现象分析

理论曲线：理论误码率曲线0.5 * erfc(sqrt(Eb/N0))是性能上限，它假设了无限高的采样率、完美的同步和理想的匹配滤波。
高采样率曲线：当sps较大时（如8, 16），仿真曲线应该与理论曲线非常接近，尤其是在中高信噪比区域。这说明采样率足够高，能够精确表征信号和噪声，采样点也能很好地接近最佳判决点。
低采样率曲线：当sps较小时（如2, 4），仿真曲线会偏离理论曲线，误码率性能变差。这种偏离可能表现为：
- 整体偏移：整个曲线平行上移，意味着在所有信噪比下都损失了固定的信噪比。这通常是因为采样点没有对准最佳判决时刻，或者匹配滤波器的离散实现带来了能量损失。
- “地板”效应：在低信噪比时，曲线可能与理论值重合尚可，但在高信噪比时，误码率下降到一个平台就无法再降低了。这通常是由于采样率过低引入了不可消除的失真（类似于量化误差），成为了主要的错误来源，此时加性噪声的影响反而次要了。

4.2 性能差异的根源探究

为什么低采样率会导致性能下降？我们可以从几个层面理解：

波形失真与码间干扰：虽然我们仿真的是矩形脉冲，理论上在采样点没有码间干扰。但低采样率意味着我们用非常粗糙的“阶梯”来近似一个突变的矩形边沿。当这个粗糙的波形通过一个实际系统（或仿真中带有有限带宽的模块）时，其高频分量会受损，导致脉冲展宽，可能影响到相邻符号的采样点，引入码间干扰。在我们的仿真中，如果接收端匹配滤波器也是低采样率的矩形窗，这种失真会被部分包含在模型中。
噪声采样的准确性：如前所述，低采样率是对连续高斯白噪声的欠采样。这会导致添加到信号上的噪声样本之间的相关性增加，不再是完全独立的。这种相关的噪声会改变错误概率的统计特性，使得基于独立同分布高斯噪声假设的理论公式不再完全适用。
采样相位敏感性：低采样率下，采样时刻的微小偏差（比如延迟了半个采样间隔）所带来的相对误差会更大。而高采样率提供了更多的“候选”采样点，通过同步算法更容易找到接近最佳的点，或者即使有偏差，其绝对时间误差也较小，对性能影响小。

4.3 如何确定“足够好”的采样率？

这是一个工程权衡问题。通过这个仿真，我们可以得到一些经验法则：

sps ≥ 4：对于简单的二进制PAM在AWGN信道下的性能仿真，这通常是一个最低要求。此时仿真曲线在中等误码率（如10^-3以上）区域可能与理论值比较接近。
sps ≥ 8：这是一个比较稳妥的选择，对于大多数学术研究和初步工程评估已经足够，能很好地逼近理论性能。
sps ≥ 16：当需要非常精确的结果，或者系统涉及更复杂的脉冲成型（如升余弦滚降滤波器）时，可能需要更高的采样率来准确描述滤波器的时域响应。

一个实用的检查方法：逐步提高sps，观察误码率曲线的变化。当sps从8增加到16，仿真结果变化很小时，就可以认为sps=8对于当前仿真目的是足够的。这实际上是一种数值收敛性检验。

5. 扩展探索与实用技巧

5.1 引入滚降滤波器

现实中的通信系统为了限制带宽，会使用升余弦（Raised Cosine, RC）或根升余弦（Root Raised Cosine, RRC）等滚降滤波器进行脉冲成型。这时，采样率的选择更为关键。

为什么更关键？RC/RRC滤波器在时域上是无限长的sinc函数形状。在仿真中，我们必须对其进行截断。sps决定了我们能用多高的时间分辨率来描述这个脉冲的“拖尾”。sps太低，截断后的滤波器响应失真严重，会导致严重的码间干扰。
仿真调整：在代码中，需要将上采样和成型滤波结合起来。通常使用rcosdesign或firrcos函数来设计RRC滤波器，然后用upfirdn函数同时完成上采样和滤波。此时，匹配滤波器也采用相同的RRC滤波器。
采样率经验值：对于滚降系数为alpha的RRC滤波器，通常建议sps至少为4/alpha或更高，以准确捕捉脉冲形状。

5.2 符号定时同步的影响

前面的仿真假设了完美的符号定时，即接收端精确知道每个符号的开始和结束时刻。在实际系统中，这需要通过定时同步算法来估计。低采样率会给定时同步带来挑战：

同步精度：定时误差估计的精度受限于采样间隔T_samp。sps越高，T_samp越小，理论上可以达到的定时精度越高。
插值需求：许多数字定时同步算法（如Gardner算法）需要在采样点之间进行插值来调整采样相位。高采样率的原始数据为插值提供了更好的基础，插值后的信号质量更高。

你可以在仿真中加入一个固定的定时偏移（例如0.25个符号周期），然后观察不同sps下，系统对该偏移的容忍度。你会发现，高sps系统通过调整采样点，性能损失较小；而低sps系统可能因为找不到合适的采样点而性能急剧恶化。

5.3 仿真加速技巧

当sps和numBits都很大时，仿真会非常慢。可以采用以下技巧加速：

向量化操作：避免使用for循环处理每个符号。像上面提到的reshape求和，或者使用filter、conv函数，都是向量化操作，比循环快得多。
并行计算：MATLAB的parfor循环可以并行计算不同的信噪比点。注意变量需要正确分类。
```
parfor snr_idx = 1:length(EbN0_dB_vec) % 每个信噪比下的仿真代码 end
```
提前计算与复用：例如，发送比特序列可以在所有信噪比仿真中复用（虽然会引入少量相关性，但对于大数据量影响可忽略）。设计好的滤波器系数也可以预先计算好。
使用更高效的函数：对于上采样和成型滤波，通信工具箱的upfirdn函数经过优化，通常比自己写插零和卷积循环要快。

5.4 常见问题与调试记录

仿真曲线与理论曲线完全对不上，甚至趋势相反：
- 检查噪声方差：这是最常见的问题。99%的情况是噪声功率计算错误。请反复核对sigma_n的公式，确认是否包含了sps因子。可以做一个简单验证：在极高信噪比（如30 dB）下，误码率应趋近于0。如果此时还有很高的误码率，说明噪声加得太大了。
- 检查能量归一化：确保发送符号的平均功率为1（对于双极性PAM）。确保匹配滤波器的增益设置正确，使得输出符号的能量与Eb匹配。
低信噪比时吻合，高信噪比时出现“错误地板”：
- 检查采样时刻：这很可能是由定时偏差引起的。尝试微调采样点的位置（例如sps/2 + 1），看误码率是否有显著变化。如果变化很大，说明系统对定时非常敏感，需要提高sps或改进采样策略。
- 检查数值精度：在极高信噪比下，误码率极低，可能需要仿真海量的比特（数十亿）才能统计到错误。此时计算机的数值精度（浮点数舍入误差）也可能开始产生影响。这属于仿真极限问题，通常我们更关心中等信噪比区域的性能。
不同sps曲线在高信噪比下收敛，在低信噪比下分开：
- 这可能反映了不同采样率下，噪声模型差异的影响在低信噪比（高噪声功率）时更明显。这是符合预期的，说明你的仿真捕捉到了采样率对噪声建模精度的影响。