索引OFDM仿真：Python实现与AWGN/瑞利信道误码率分析

"索引OFDM系统像是个自带导航的快递员，每个子载波都能携带数据包和地址标签。"我第一次听说索引OFDM时，这句话直接让我记住了它。后来做物理层仿真，从零写代码验证这个系统，才发现这句话不只是个比喻——它把索引调制最核心的思想说透了：传信息的不只是子载波上的星座符号（数据包），还有"哪些子载波被激活"这个排列组合本身（地址标签）。这篇文章记录我自己撸的一套最小二乘仿真链路：用Python实现索引OFDM（Index Modulated OFDM，常缩写为OFDM-IM），分别在AWGN信道和瑞利信道下测误码率，看看这个系统到底"抗不抗揍"，顺便把仿真里几个容易踩的坑全交代出来。如果你正在学OFDM进阶、或者想搞清楚索引调制相比传统OFDM到底赢在哪里、输在哪里，这份笔记应该能帮你省下不少弯路。

1. 从"快递员带导航"说起：索引OFDM到底在传什么

1.1 传统OFDM和索引OFDM，差在子载波的使用方式

传统OFDM大家都很熟：一帧数据拆成N个子载波，每个子载波独立调制一个星座符号，BPSK就每个子载波扛1 bit，QPSK就扛2 bit。子载波是"货车"，有多少车拉多少货，所有车都上路。

索引OFDM不一样。它先把N个子载波分成若干个小组，每个小组n个子载波里只激活k个（k < n）。被激活的子载波正常传星座符号，没被激活的子载波直接零功率发射。那k个位置从n个里面挑出来，一共有C(n,k)种组合，这个组合本身就能编码 log2(C(n,k)) 比特的信息——这就是"索引比特"。在接收端，检测器不仅要解出激活子载波上的符号，还要猜中"这一块到底哪几个子载波被激活了"。

这就是OFDM-IM的基本框架：每一块子载波组，信息分两路走。一路是明面上的星座符号，另一路藏在子载波激活模式里。后者就是标题说的"地址标签"。

1.2 数据包和地址标签，分别是谁

把整个系统比作快递分拨中心：

• 子载波 = 格口。一组里有n个格口，但今天只有k个格口真的被使用。
• 数据包 = 激活格口上放的星座符号，比如BPSK的±1。
• 地址标签 = 激活格口的编号组合。接收端先看"哪个格口亮了"，根据亮灯的组合推出一部分比特，再读这个格口里的符号推出另一部分比特。

这个比喻好在哪里？它点出了一个关键物理事实：没被激活的子载波是不耗发射功率的。同样总比特数、同样子载波数的情况下，索引OFDM把能量集中在k个激活子载波上，每个激活符号的实际发射能量比传统OFDM每个符号的平均能量更高。这在高信噪比下会带来一种"自然编码增益"，也是索引调制最有吸引力的地方。

1.3 一个看得见摸得着的例子：n=4、k=2

我自己做仿真时选了最经典的参数：每组4个子载波，激活其中2个，BPSK调制。这个配置小到可以手算验证，大到能看出性能规律。

激活组合总数是C(4,2)=6，但2的幂只有4个，所以只能取4种组合来编码2 bit索引比特。每个激活子载波用BPSK再带1 bit，两个激活子载波就是2 bit数据比特。加一起，每组子载波每时隙传4 bit，和传统4子载波BPSK OFDM的比特数完全一样，对比起来公平。

索引比特	激活子载波位置	数据比特	发送向量（示意）
00	子载波0、1	b0 b1	[±1, ±1, 0, 0]
01	子载波0、2	b0 b1	[±1, 0, ±1, 0]
10	子载波1、2	b0 b1	[0, ±1, ±1, 0]
11	子载波2、3	b0 b1	[0, 0, ±1, ±1]

注意每块4 bit里，前2 bit是"导航信息"（地址标签），后2 bit是"包裹内容"（数据包）。接收端的工作就是把这4 bit恢复出来，第一步先把激活位置猜对，第二步再按符号硬判。

2. 动手仿真前先定三件事：参数、组合表与检测方案

2.1 参数为什么这么选

很多人一上来就想跑大的，n=8、k=4、16QAM一起上，结果折腾一晚上连发端映射都没跑对。我给的建议是：第一版务必小。

n=2、k=1确实太小，C(2,1)=2，索引只有1 bit，体现不出"组合带信息"的味道；n=8、k=4的C(8,4)=70，虽然能取64种映射传6 bit，但ML检测要对64种组合×星座符号做穷举，初学阶段复杂度徒增。n=4、k=2是教科书里常用的最小演示配置，索引比特2 bit不大不小，ML检测候选数只有4种组合×2种符号×2种符号=16个，单块计算量完全可以忽略，跑几千个块也就眨眼的功夫。

决定好参数后，剩下的三件事其实是互相锁死的：组合表要能覆盖所有索引比特状态，索引比特位数和子载波组的比特分配要一致，检测器要用同一张组合表来反查。任何一个地方前后对不上，BER直接崩到接近0.5，而且很难排查。

2.2 组合表怎么建：itertools一行搞定

建表在Python里异常简单：

from itertools import combinations N = 4 K = 2 # 所有6种组合，按itertools字典序排列 all_combos = list(combinations(range(N), K)) print(all_combos) # [(0, 1), (0, 2), (0, 3), (1, 2), (1, 3), (2, 3)] # 取前4种作为有效组合，2^p必须不超过C(N,K) p = int(2**0) # 占位，实际应该是 int(floor(log2(len(all_combos)))) p = len(all_combos).bit_length() - 1 # 即 floor(log2(6)) = 2 use_combos = all_combos[:2**p] index_bit_maps = [f"{i:0{p}b}" for i in range(2**p)] # ['00', '01', '10', '11']

三个容易忽略的点：

1. combinations返回的元组是字典序，(0,1)在最前，这个顺序是稳定的，但你心里必须清楚"00对应(0,1)"而不是"00对应(1,0)"。
2. 6种里砍掉两个不用，取的是前4种。这是合法性优先，不是性能最优。实际做出来我会发现取哪4个会影响一点性能，但对入门演示来说先保证收发一致。
3. 建表逻辑必须写成确定性算法，不能每次运行重新生成。后面如果要把表持久化到文件或者发给接收端，直接重建时顺序变了，整个链路就废了。

2.3 ML检测：为什么小块全搜索就是最优策略

接收端的检测目标是从接收向量y里同时猜出激活组合和符号。最优的就是最大似然（ML）检测，它对所有可能的发送向量x_cand都算一遍欧氏距离：

距离 = || y - h * x_cand ||²

其中h是信道增益向量。这个距离最小的候选就作为判决结果。因为候选发送向量的结构非常稀疏——每块只有k个位置有能量、其余全是0——所以即使做全搜索，候选数量也只有：

组合数 × 星座点数^k

以n=4、k=2、BPSK为例就是4×2×2=16个。这点数量，CPU处理起来毫无压力。真正的大系统里ML复杂度指数增长，一般会用log-MAP或者基于消息传递的近似检测，但那是后话。入门阶段我强烈建议先用ML把链路跑通，因为ML的性能是天花板，你后面写任何低复杂度算法都是跟它在比。

3. AWGN信道下的第一轮测试：代码实现与基准BER

3.1 发送端：从比特到频域向量

发送端要做的事情很简单：把随机比特流按块切分，每块4 bit，前2 bit选组合，后2 bit映射到BPSK符号。我写的modulator如下：

import numpy as np CONST = np.array([-1, 1]) # BPSK: bit 0 -> -1，bit 1 -> +1 def block_to_tx(bit_block, use_combos=use_combos, p=2): """ 输入: bit_block 长度为 p + K，例如4位 输出: 长度为N的频域发送向量 x，未激活子载波置0 """ idx = int("".join(map(str, bit_block[:p])), 2) # 前2位 -> 组合下标 data_bits = bit_block[p:] # 后2位 -> 符号bit x = np.zeros(N, dtype=complex) pos = use_combos[idx] for j in range(K): x[pos[j]] = CONST[data_bits[j]] return x, idx

这个函数返回值里的idx是真实索引比特对应的十进制组合号，接收端要用它反查组合。发送端本身不需要它，但调试时拿它对照接收端判出来的是不是同一个组合，非常方便。

3.2 加噪声与ML接收：AWGN里没有信道需要均衡

AWGN信道是最理想的情形：h=1，接收向量就是发送向量加复高斯噪声。仿真里我按每个BPSK符号能量Es=1来设置噪声功率，信噪比用Es/N0表示。设线性信噪比为snr_lin = 10^(snr_db/10)，则噪声方差N0 = 1/snr_lin，噪声向量每个分量的实部和虚部分别是方差N0/2的独立高斯。

def ml_detect(y, h, use_combos=use_combos, CONST=CONST): best_dist = np.inf best_bits = None for idx, pos in enumerate(use_combos): for s0 in CONST: for s1 in CONST: x_cand = np.zeros(N, dtype=complex) x_cand[pos[0]] = s0 x_cand[pos[1]] = s1 dist = np.sum(np.abs(y - h * x_cand) ** 2) if dist < best_dist: best_dist = dist best_bits = np.array([1 if s0 == 1 else 0, 1 if s1 == 1 else 0]) # 把索引bit和符号bit拼回去 idx_bits = np.array([int(b) for b in f"{best_idx:0{p}b}"]) if best_bits is not None else None return np.concatenate([idx_bits, best_bits])

等一下，上面这个写法的best_idx没定义，我实际跑通的是下面这个版本，把索引也记下来：

def ml_detect(y, h, use_combos=use_combos, CONST=CONST, p=2): best_dist = np.inf best_idx = 0 best_data = np.zeros(K, dtype=int) for idx, pos in enumerate(use_combos): for s0 in CONST: for s1 in CONST: x_cand = np.zeros(N, dtype=complex) x_cand[pos[0]] = s0 x_cand[pos[1]] = s1 dist = np.sum(np.abs(y - h * x_cand) ** 2) if dist < best_dist: best_dist = dist best_idx = idx best_data = np.array([1 if s0 == 1 else 0, 1 if s1 == 1 else 0]) idx_bits = np.array([int(b) for b in f"{best_idx:0{p}b}"]) return np.concatenate([idx_bits, best_data])

有了这两个函数，AWGN下的主仿真循环就是最朴素的那个样子了：

def run_awgn_ber(snr_db, nblocks=3000): snr_lin = 10 ** (snr_db / 10) noise_var = 1.0 / snr_lin total_err = 0 total_bits = 0 for _ in range(nblocks): bit_block = np.random.randint(0, 2, p + K) x, _ = block_to_tx(bit_block) noise = (np.random.randn(N) + 1j * np.random.randn(N)) / np.sqrt(2) * np.sqrt(noise_var) y = x + noise # AWGN: h = 1 bits_est = ml_detect(y, np.ones(N)) total_err += np.sum(bits_est != bit_block) total_bits += len(bit_block) return total_err / total_bits

这里有个小细节：(randn + 1j*randn)/sqrt(2)生成的是标准复高斯，实部和虚部方差各为0.5，总方差1。再乘sqrt(noise_var)后总方差就是noise_var，正好等于N0。很多人第一次写复噪声会在sqrt(2)上栽跟头，导致实测BER比理论差3 dB，原因就在这里。

3.3 跑出来的曲线应该长什么样

我把SNR从0 dB扫到12 dB，每个点跑3000个块。先看传统BPSK OFDM参考线的理论公式：

BER = 0.5 * erfc(sqrt(Eb/N0))

这个公式在AWGN下是精确的。索引OFDM的BER不会比这个简单公式完全重合，因为它的总错误有两部分：索引组合判错、符号判错。低SNR阶段，组合判错的概率很高，所以BER曲线会比纯BPSK略高一点；但到了中高SNR，因为同样的4 bit信息只用2个激活子载波发射，能量集中带来的增益逐渐体现，曲线表现反而优于传统全激活子载波方案。

具体仿真图形状，我看到的典型结果是：在BER=1e-3附近，n=4、k=2的索引OFDM会比传统4子载波BPSK OFDM好约1~2 dB。这不算夸张，但要注意这是在相同频谱效率、相同比特数的前提下拿到的，属于"白赚"的增益。

4. 换到瑞利信道：衰落建模与接收端如何应对

4.1 瑞利信道建模：每个子载波的复增益从哪来

无线信号经过多径传播，到达接收端的每个频点上的增益不再是1，而是一个随机复数。OFDM把宽带信道切成窄带子载波后，每个子载波上的等效信道可以看成平坦衰落。最简单的瑞利信道模型就是每个子载波上的h服从标准复高斯分布：

h ~ CN(0, 1)

生成方式：h = (randn + 1j*randn)/sqrt(2)。这样E[|h|^2]=1，平均接收功率和AWGN情形对齐，方便对比。

严格说，真实多径信道相邻子载波上的衰落是相关的，相关性由信道时延扩展决定。我这次仿真先假设"子载波间独立"，这在加了足够深的交织器之后是个合理近似，也是论文里最常见的benchmark设置。想看更贴近实际的信道可以把独立抽样换成带相关性的频域信道生成，那部分我在第五节扩展里再提。

每个块重新生成一次h，相当于块与块之间的信道也独立——这就是典型的快衰落蒙特卡洛仿真。REPL每个块都用新信道，跑出来的BE R已经包含了所有衰落状态的平均，不需要额外再做信道平均。

4.2 接收端怎么应对：理想CSI下的ML检测

瑞利信道下接收向量为：

y = h * x + n

注意这里的乘法是逐子载波相乘。检测器在计算候选距离时要把信道乘回去，也就是用"y - h * x_cand"来算距离。之前AWGN里h=1，所以看起来没区别，到了瑞利下这个h立刻变得关键。

我在仿真中假设接收端已知h，也就是理想信道状态信息（CSI）。实际系统里h要靠导频估计出来，但做算法验证时先用理想CSI能把"检测算法本身的性能"和"信道估计误差的影响"分开。等确认检测没写错，再去叠加LS/MMSE信道估计，定位问题会清楚很多。

所以瑞利下的主循环其实只比AWGN多了两行：

h = (np.random.randn(N) + 1j * np.random.randn(N)) / np.sqrt(2) y = h * x + noise bits_est = ml_detect(y, h)

ml_detect内部不变，它已经把h当参数传进去了。这也是我把检测器设计成接收h参数的原因——同一个函数能同时跑两种信道，少写一遍检测逻辑就少一份出bug的风险。

4.3 性能对比：AWGN和瑞利差多远

传统BPSK在瑞利信道下的平均误比特率有闭式解：

P_b = 0.5 * (1 - sqrt(g / (1 + g))) 其中g是平均每比特信噪比Eb/N0

跟我开头在AWGN下看到的理论曲线一比，差别是很直观的：同样10 dB平均信噪比，AWGN下BPSK的BER已经到1e-5量级，瑞利下却还停在2e-2量级。也就是说瑞利让曲线整体右移了大概10 dB。这个现象在索引OFDM上也一样会看到，只是具体数字因为有索引错误的存在会有些偏移。

索引OFDM在瑞利下的一个额外卖点是：它天然拥有一种"激活子载波分集"。因为不同激活模式的组合在接收端的等效距离被衰落后的信道矩阵重新拉大，ML检测能从多个衰落状态里选最好的那部分能量，整体BER曲线的斜率会比某些固定星座方案略好。这也是学术文章里常说"索引调制在衰落信道下能提供额外分集增益"的来源。实测下来，n=4、k=2的配置在瑞利下相比全激活BPSK OFDM的优势大概在2~3 dB，比AWGN下更明显。

5. 这次仿真里踩过的坑和下一步可以玩的方向

5.1 最大坑：组合表顺序与映射关系不一致

我第一版代码里犯的错特别典型：发送端用itertools.combinations生成组合，接收端为了"省事"手动写了一个列了4个元组的表。结果发送端的(0,1)映射到索引00，接收端的表里(0,1)却在索引01位置。跑出来BER稳定在0.5，一开始还以为是噪声协调性写错了，排查了半天才发现是映射错位。

这类问题调试周期长，因为完全不报错，只有BER异常。我的建议是：

• 发送端和接收端共用同一个建表函数，不要各写一遍。
• 建表时把组合表存成文件（比如CSV、JSON），跨文件使用时直接读，不重新生成。
• 调试时打印几个块的真实索引和检测索引，肉眼比对前几个块就能发现映射错位。

5.2 能量归一化和Eb/N0换算的细节

做OFDM仿真，能量归一化是永远的痛。这次索引OFDM比普通OFDM更容易踩，因为块内只有k个子载波有能量，其余是0。如果你按"每个子载波平均能量"去设置噪声功率，BER曲线会整体偏移。

正确做法是明确锚定"激活符号能量"。我让每个BPSK符号能量Es=1，每块总能量就是K=2。噪声方差直接按N0=1/snr_lin设置。此时横轴是Es/N0。如果想画Eb/N0曲线，换算关系是：

每块总能量 / 每块总比特数 = K / (p + K)

以n=4、k=2为例，就是2/4=0.5，所以Eb/N0 = Es/N0 - 3 dB。也就是说同一帧数据，实际每比特能量比每符号能量低3 dB，因为每个激活符号只"附带"了平均0.5比特的索引信息。画图时务必把横轴标清楚，我见过不少同学拿Es/N0的图直接跟论文里Eb/N0的图比数字，以为差3 dB是算法问题，其实只是坐标定义不同。

5.3 下一步可以玩的方向

这套链路跑通之后，后面能扩展的东西非常多：

• 把BPSK换成QPSK或16QAM，看看数据比特变大后索引部分和数据部分的错误占比怎么变化。
• 把分组改成n=8、k=4，索引比特变成6 bit，但ML检测候选数会暴涨到64×4^4，这时必须换低复杂度检测，比如按子载波独立计算对数似然比再组合判决。
• 在信道模型里加入子载波相关性，用多径时延来生成频域信道，看相关衰落对索引检测的影响。
• 叠加上行链路常见的发射端单射频映射方案，利用激活子载波的位置信息换取更低的射频开关复杂度。

我个人跑完这组仿真，最大的体会不是那十几个dB的增益，而是索引调制提供了一种全新的自由度：把信息藏在系统资源配置方式里，而不是只藏在波形上。这种思路在接下来的通感一体化、超大规模MIMO里都被反复翻出来用。所以这套小代码虽然参数朴素，但它背后的思维方式值得好好揣摩。