简介面向无线通信与信号处理方向的工程师和学习者这套基于高阶累量方法的OFDM信号识别与调制方式分类程序提供了从信号生成到调制判决的完整MATLAB实现。包内共32个文件以.m源码为主另含2个.asv自动保存版本压缩包仅11KB便于快速查阅与移植。已有347人学习下载可作为调制识别算法入门的参考。代码按函数化结构组织覆盖信号采集、预处理、三阶/四阶累量计算、特征提取与分类识别等环节并给出AWGN、瑞利信道和多径环境的仿真脚本支持QPSK、16/64/128QAM、8PSK及OFDM等多种样式的判别。直接调用主函数即可完成识别且各仿真模块相互独立有助于理解高阶累量在不同信道条件下的表现也适合在此基础上二次开发用于频谱监测、故障检测等实际场景。1. 从频谱里直接认出 OFDM高阶累量在调制方式识别里为什么管用在频谱监测和干扰溯源场景里OFDM 识别不是把信号解调出来看内容而是在不解调甚至低信噪比条件下先回答这段信号到底是不是 OFDM旁边叠着的 QPSK、QAM16 又是谁。OFDM 子载波多时域叠加后接近高斯分布在高阶统计量上和单载波调制差异明显这正是高阶累量识别方法成立的根基。这套程序把信号生成、AWGN/瑞利/多径信道、高阶累量提取、分类判别整条链路做成可直接调用的 MATLAB 函数适合入门复现也适合把 C21/C40/C42 特征喂给神经网络做自动调制识别。核心入口只有两个main.m 调度实验Cum.m 算特征rt_ 系列脚本都围绕它们展开。2. 先拆程序骨架文件分工、调用链与 Cum.m 里的核心公式2.1 从文件名反推设计rt_ 前缀和信道后缀的含义拿到解压目录先别急着双击 main.m把文件清单过一遍比什么都强。这套程序的命名规律其实挺明显按职责可以分成信号生成、特征计算、信道/场景、识别主流程四组下面这张表可以直接对照着找文件。职责分组代表文件说明信号生成ofdm.m生成 OFDM 基带信号子载波数、CP 长度、调制映射都在这里配置特征计算Cum.m计算 C21/C40/C42 三组高阶累量是整个识别方法的核心信道与场景Rayleigh.m、duojing.m、c42_awgn.m瑞利信道建模、多径叠加、AWGN 场景下的 C42 实验识别主流程main.m、rt_C21.m、rt_C40.m、rt_C42.m、rt_C421.m不同特征组合下的识别实验rt 前缀表示 recognition testrt 后面的数字就是特征代号这个得记清楚C21 是二阶矩C40 是四阶累量不带共轭C42 是四阶累量带共轭C421 是把 C40 和 C42 组合成二维特征再用。文件里 V 开头的 rt_V20、rt_V30 是在瑞利信道下跑的版本按我的理解对应两抽头和带更高时延扩展的多径配置。c42_awgn 专门在 AWGN 下看 C42 单特征的表现。这套命名虽然随意但胜在能一眼看出哪个脚本对应哪个特征、哪个信道复现的时候按这个映射去找基本不会迷路。里面有两个细节值得单独说。一个是压缩包里出现了 Cum.asv 和 rt_C42.asv这是 MATLAB 的自动保存备份文件不是作者故意放的多余代码实际运行用不到可以直接删。另一个是还有个带空格的文件名 awgn rt_C21.mMATLAB 函数名不允许空格直接用必然报错需要先重命名成 awgn_rt_C21.m 再调用。这种压缩包里的「小脏数据」很常见动手前先清理一遍能省掉后面很多莫名其妙的报错。2.2 追一遍调用链main.m 从信号到识别结果做了什么把文件分工理清之后接下来是追调用链。我拿到别人的 MATLAB 工程第一件事不是逐个读函数体而是打开 main.m把函数调用关系画出来。这套程序的主流程骨架是这样的% main.m 主流程骨架OFDM 高阶累量识别实验 % 第 1 步生成 OFDM 基带信号 cfg.Nfft 64; % IFFT 点数也就是子载波总数 cfg.CP 16; % 循环前缀长度 cfg.M 4; % 子载波调制阶数M4 对应 QPSK [tx, sym] ofdm(cfg); % 第 2 步过信道三个场景互斥按需放开 rx awgn(tx, snr_dB, measured); % AWGN 场景 % rx Rayleigh(tx, fs, fd, taps); % 瑞利信道场景 % rx duojing(tx, taps, delays); % 多径场景 % 第 3 步计算高阶累量特征 [C21, C40, C42] Cum(rx); % 第 4 步用阈值或最近邻分类器识别调制方式 label rt_C42(C42, thr);这段代码不是压缩包里的原文而是我按这套程序的函数命名习惯重画的骨架真实工程的结构基本就是这四步。第一步用 ofdm 生成发射信号第二步按实验场景引入噪声和衰落第三步算累量特征第四步拿特征跟预设阈值或参考向量比较输出调制方式判断。注意第二步的三个信道调用是互斥的跑 AWGN 就把后两行注释掉跑瑞利就只放开 Rayleigh 那行。参数上有两个地方值得解释。一个是 cfg.M它决定每个子载波上映射的调制方式M4 是 QPSKM16 就是 QAM16OFDM 整体识别时这个值会直接影响累量特征的基线后面讲阈值标定还会再提到。另一个是 awgn 的 measured 参数它表示先测量信号实际功率再按给定 SNR 叠加噪声比手动指定噪声功率稳得多不会因为信号功率归一化不规范导致实际信噪比和设定值对不上。我一般强烈建议保留这个参数这是血泪经验换来的。2.3 Cum.m 里到底算了什么C21/C40/C42 的公式与代码对应高阶累量为什么能识别调制方式关键在于 OFDM 和单载波调制的时域分布特性完全不同。OFDM 是大量子载波叠加根据中心极限定理叠加后的时域信号非常接近复高斯分布而高斯分布的四阶累量理论上等于零QPSK、QAM16 这类单载波调制星座点是离散的四阶累量是明显不为零的确定值。所以算出信号的 C40 和 C42跟已知调制方式的参考值一比就能把 OFDM 从单载波调制里挑出来。这个方法对加性高斯白噪声还天然免疫——AWGN 本身是高斯的它的高阶累量也趋于零不会污染特征。Cum.m 里实现的三个特征标准定义是C21 E[|x|²]C40 E[x⁴] − 3(E[x²])²C42 E[|x|⁴] − |E[x²]|² − 2(E[|x|²])²其中 C21 就是信号功率C40 和 C42 是四阶累量的两种形式区别在共轭组合方式。实际使用时因为信号幅度会随信道增益变化要对特征做归一化除以 C21 的平方让特征只和星座图形状有关、和信号大小无关。为什么不用三阶累量因为 QPSK、QAM 这类对称星座的三阶累量也是零没有区分度所以程序直接从四阶起步。对照到 MATLAB常见实现长这样function [C21, C40, C42] Cum(x) % 高阶累量特征C21二阶矩、C40四阶无共轭、C42四阶带共轭 % x: 复基带信号列向量形式 x x - mean(x); % 去直流避免偏置污染四阶矩 N length(x); C21 mean(abs(x).^2); % 信号功率 C40 mean(x.^4) - 3 * C21^2; % 四阶累量零均值假设 C42 mean(abs(x).^4) - abs(mean(x.^2))^2 - 2 * C21^2; % 共轭组合四阶累量 % 幅度归一化除以功率平方消除信道增益影响 C40 C40 / C21^2; C42 C42 / C21^2; end三个计算式要对照着看。mean(abs(x).^2) 求平均功率mean(x.^4) 是先四次方再平均没取绝对值保留了相位信息mean(abs(x).^4) 取模四次方对相位不敏感。归一化那两行是整个算法的关键如果不做同一个调制方式在不同信号功率下会算出完全不同的累量值后续阈值就没法统一设。这里还有一个容易被忽略的细节C40 公式里的 E[x²] 项在信号有直流偏置时会引入明显偏差所以进累量计算前先强制去均值。仿真信号通常已经是零均值但把这段代码用于真实采集数据时这行去均值能帮你解决不少特征漂移问题。提示真实采集数据进 Cum.m 之前务必先确认 x x - mean(x) 这行存在。直流偏置对 C40 的污染是渐进的不会直接报错但会把特征往错误方向推。3. 复现 AWGN 下的识别实验从 ofdm.m 参数到 C42 阈值标定3.1 配置 OFDM 信号子载波数、循环前缀与调制映射怎么定先看 ofdm.m。仿真里的 OFDM 发射机只需要基带等效模型不需要做上变频。常见配置函数是这样function [tx, sym] ofdm(cfg) % ofdm.m 常见实现生成一个 OFDM 符号的基带信号 % cfg.Nfft IFFT 长度子载波总数 % cfg.CP 循环前缀长度 % cfg.M 子载波调制阶数M4 对应 QPSK Nfft cfg.Nfft; M cfg.M; % 随机数据比特 - QPSK/QAM 符号平均功率归一化为 1 data randi([0 M-1], Nfft, 1); sym qammod(data, M, UnitAveragePower, true); % IFFT 调制到 Nfft 个子载波 ifft_out ifft(sym, Nfft) * sqrt(Nfft); % 功率归一化 % 加循环前缀把末尾 CP 个样点复制到开头 tx [ifft_out(end-cfg.CP1 : end); ifft_out]; end这里有两个参数直接决定后面识别好不好做。一个是 Nfft。Nfft 越大子载波越多时域波形越接近高斯OFDM 的 C40/C42 越接近零和单载波的差异越大识别越容易但 Nfft 太大意味着每个符号需要的样本变多累量估计的样本数会被摊薄。另一个是 CP。CP 在纯 AWGN 下对识别没有影响但到了多径场景CP 必须大于信道最大时延扩展否则符号间干扰会把 OFDM 的高斯特性破坏掉特征偏离理论值这是第四章要展开的坑。qammod 里的 UnitAveragePower 参数也要重点说。它保证星座图平均功率为 1这样后续叠加噪声时 SNR 定义才是干净的。如果省掉这个参数默认星座图最小距离为 2QPSK 和 QAM64 的功率差异能差出一个数量级所有识别阈值都得重做。这是我在别人代码里看到频率最高的隐性错误之一。3.2 单次实验脚本rt_C21、rt_C40、rt_C42 分别做了什么文件里的 rt_C21.m、rt_C40.m、rt_C42.m 对应不同特征的单次识别实验rt_C421.m 是 C40 和 C42 组合的二维最近邻分类。这些脚本的核心逻辑是一样的固定一个 SNR对各类信号生成样本、算特征、和参考值比距离。以 rt_C42 为例% rt_C42.m 单次 AWGN 识别实验用 C42 特征区分 OFDM / QPSK / QAM16 snr_dB 15; cfg struct(Nfft, 64, CP, 16, M, 4); % OFDM 子载波用 QPSK 映射 % 对三类信号分别生成样本并计算 C42 特征 feat_ofdm Cum(ofdm(cfg)); % OFDM 信号 feat_qpsk Cum(qpsk(64)); % 单载波 QPSK feat_qam16 Cum(qam16(64)); % 单载波 QAM16 % 与预存参考值比较欧氏距离最近者胜出 ref_C42 [C42_ofdm, C42_qpsk, C42_qam16]; % 1x3 参考向量高 SNR 下标定 [~, idx] min(abs(feat_ofdm - ref_C42)); label {OFDM, QPSK, QAM16}; fprintf(识别结果%s\n, label{idx});这段逻辑里最值得琢磨的是 ref_C42 参考向量怎么来。两种方式理论推导值和蒙特卡洛标定值。工程上我一般用蒙特卡洛——在 30 dB 这种高 SNR 下大量生成信号、算特征取平均得到的参考值包含了完整仿真链路的实际特性比纯理论公式更贴合后续低 SNR 实验用的同一套链路。另外注意三个脚本除了特征不同其他逻辑完全一样这说明程序的特征提取和分类决策是解耦的。你完全可以不动识别框架把 Cum.m 的输出换成任何新特征比如更高阶的 C63这就是这套程序适合做特征工程试验台的原因。注意有限样本估计的高阶累量本身有方差SNR 越低方差越大。单次实验结果只能验证流程通不通不能用来评估算法性能。3.3 阈值怎么标定C21、C40、C42 在 SNR 轴上的分布阈值是这套程序里最需要手工调的部分也是大家觉得玄学的地方。先把三类信号在高 SNR 下的特征参考值列出来注意这是典型值仿真参数不同会波动但量级关系是稳定的信号类型C21C40C42OFDM约 1接近 0接近 0QPSK1-1.0-1.0QAM161-0.68-0.68QAM641-0.62-0.62这张表揭示了阈值设置的两个层次。第一C21 完全无法区分调制方式因为归一化后所有信号功率都是 1rt_C21 只能当功率校验用不能单独做分类特征。第二C40 和 C42 能区分 OFDM 和单载波但 QAM16 和 QAM64 的 C42 只差 0.06 左右SNR 稍低时特征抖动就可能超过这个间隔。所以想细分 QAM 阶数单靠 C42 不够需要往更高阶累量或者星座图聚类方向走。阈值具体怎么设我一般这样做SNR 从 0 dB 扫到 20 dB每个 SNR 下生成 100 段信号分别统计 OFDM 和 QPSK 的 C42 均值和标准差。只要两个分布的均值间隔大于两倍标准差之和阈值就取两个均值的中点如果不满足说明这个 SNR 下两者不可分。这里有个常见的翻车点直接在理论参考值上设硬阈值完全忽略有限样本带来的估计方差。SNR 低到一定程度OFDM 的 C42 抖动范围会覆盖 QPSK 的均值硬阈值必然出错。3.4 统计识别率多信噪比扫描与混淆矩阵单次实验只能验证流程通不通评估算法要跑统计。常见做法是每个 SNR 下跑 100 到 1000 次蒙特卡洛统计正确识别次数占比。对这个程序先实现一个最朴素的版本跑通再考虑优化% 多信噪比扫描统计 OFDM/QPSK/QAM16 的正确识别率 snr_list 0:2:20; N_trial 200; % 每个 SNR 下的实验次数 acc zeros(length(snr_list), 3); for k 1:length(snr_list) for t 1:N_trial % decision_result 封装 3.2 节的单次识别返回 1x3 判决向量 acc(k, :) acc(k, :) decision_result(awgn, snr_list(k)); end acc(k, :) acc(k, :) / N_trial; % 转成正确率 end % 画曲线plot(snr_list, acc)横轴 SNR纵轴正确率这段统计代码效率不高但逻辑清楚适合先跑通再优化。跑完之后你会看到一条典型曲线高 SNR 下三类识别率都接近 1SNR 下降后 OFDM 的识别率率先掉头——因为 OFDM 的 C42 特征本身接近零SNR 低时特征抖动会把零抬高容易被误判成 QAM。这是 OFDM 高阶累量识别方法的固有特点不是 bug。如果要做混淆矩阵把 decision_result 改为返回具体的预测标签和真实标签在 SNR 固定点统计交叉比例即可这里不再单独列代码。4. 换到瑞利与多径信道rt_V20、rt_V30 和 duojing 的边界条件4.1 Rayleigh.m 怎么建模抽头数、多普勒与功率归一化AWGN 场景适合验证算法正确性但真实无线环境里信号要过多径衰落幅度包络服从瑞利分布。文件里的 Rayleigh.m 干的就是这件事常见的实现是 Jakes 模型或者多抽头延迟线。这里按多抽头延迟线展开function rx Rayleigh(tx, fs, fd, taps) % 瑞利信道仿真多抽头延迟线模型 % fs 采样率fd 最大多普勒频移taps 各抽头相对时延样本数 rx zeros(size(tx)); for k 1:length(taps) % 每抽头独立瑞利衰落系数实部虚部均为 N(0,1)幅度平均功率为 1 h (randn 1j*randn) / sqrt(2); % 按抽头时延移位后叠加 rx rx h * [zeros(taps(k),1); tx(1:end-taps(k))]; end % 功率归一化保持和 AWGN 场景一致的 SNR 定义 rx rx / sqrt(sum(ones(size(taps)))); end两个参数需要重点关注。第一个是每抽头衰落系数 h 的构造用 randn 生成再除以 sqrt(2)保证单抽头平均功率为 1否则多径叠加后信号功率被抽头数放大进入 Cum.m 的特征会被整体抬高跟 AWGN 下标定的阈值对不上。第二个是多普勒频移 fd它决定信道随时间变化的快慢。如果 fd 相对符号速率很小一个 OFDM 符号内信道可近似看成时不变的识别结果和静态多径没有本质差别fd 大了符号内信道快速变化会额外引入子载波间干扰C42 的特征方差进一步加大。rt_V20 和 rt_V30 这两个脚本按我的理解就是两套多径抽头配置V20 对应两抽头、时延扩展较小的场景V30 对应抽头更多、时延扩展更大的场景。抽头越多、时延扩展越大越容易突破 OFDM 循环前缀的保护范围识别难度随之上升。跑这两个脚本前建议先确认 taps 参数的取值和信道功率归一化是否和 AWGN 场景一致。4.2 多径场景与 duojing.mCP 失效时 C42 会往哪边偏duojing.m 从文件名看就是「多径」的拼音它和 Rayleigh.m 的区别在于Rayleigh.m 重点在衰落统计特性duojing.m 重点在时延叠加本身。实际使用中多径对 OFDM 识别的影响完全取决于循环前缀够不够长。CP 够长时多径只带来子载波间的相位旋转和幅度增益每个子载波上仍是独立的 QPSK/QAM 符号OFDM 的高斯特性不受影响C42 保持接近零CP 不够长时前一个符号的拖尾叠进当前符号产生符号间干扰OFDM 时域波形不再干净C42 会从零附近往负方向偏移。这个偏移方向很关键——它恰好朝向 QPSK 的特征值 -1所以后果是 OFDM 被误判成 QPSK。我建议你亲手复现一遍固定 SNR 在 15 dB把 CP 从 16 依次减到 8、4、2、0每个 CP 下跑 100 次实验统计 OFDM 被误判成 QPSK 的比例。你会看到一个清晰趋势CP 大于信道最大时延扩展时误判率接近零CP 小于时延扩展后误判率迅速上升。这个实验也解释了为什么 4G/5G 的 OFDM 系统对 CP 长度如此敏感——它不仅影响解调误码率也影响信号层面的统计特征。4.3 瑞利信道下哪条特征最稳C42 的退化与组合特征补偿在瑞利信道下C40 和 C42 的表现是有分工的。C40 对相位敏感信道衰落系数 h 的随机相位会让 x⁴ 在统计平均时被部分抵消特征方差明显变大C42 因为有共轭项对公共相位旋转不敏感方差相对稳定。所以一进瑞利场景我基本直接放弃 C40主用 C42。这也是压缩包里 c42_awgn.m 和 rt_V 系列脚本分别存在的原因——不同信道条件下能用的特征不一样。但 C42 在瑞利信道下也有自己的问题深度衰落带来的幅度波动靠功率归一化消不掉只会表现为特征估计方差的增大。一个实用的补救是组合特征联合判决把 C42 和 C63 组成二维特征向量或者把同一段信号按时间分帧每帧算一个 C42得到一组特征序列用序列的均值和方差联合分类。特征序列的方差在高 SNR 下能反映信道变化的剧烈程度相当于在累量特征里额外编码了一部分信道状态信息。验证瑞利场景仿真对不对有个省事的方法先测 Rayleigh.m 输出信号和输入信号的平均功率比比值如果不是 1说明归一化链路有bug后面所有特征标定都会偏离。另一个方法就是跑一遍上面说的 CP 扫描实验如果 OFDM 误判率确实随 CP 缩短而上升说明多径信道链路是通的特征退化现象是物理机制导致的不是代码算错。5. 避坑与常见问题路径、归一化、同源数据这些坑一次说清5.1 报错「找不到 Cum」MATLAB 路径、空格文件名与 asv 备份现象运行 main.m 报错 Undefined function or variable Cum但文件明明在解压目录里。原因MATLAB 当前工作目录没有切换到解压目录或者函数文件所在文件夹不在搜索路径上。另一个隐蔽触发点是文件名带空格比如压缩包里的 awgn rt_C21.mMATLAB 函数名不允许空格调用时直接报错看起来像「找不到文件」。解决右键当前文件夹窗口里的 main.m选择「运行」让 MATLAB 自动把当前目录加进路径更稳的是在命令窗口执行 addpath(genpath(解压目录绝对路径))或者用 cd 切到工程根目录。带空格的文件先重命名成 awgn_rt_C21.m 再调用。另外把 Cum.asv、rt_C42.asv 这类自动保存文件删掉或直接忽略它们不参与运行但如果你手滑双击了 asvMATLAB 会打开一个只读副本改了不生效容易产生「我明明改了代码怎么还是老样子」的错觉。5.2 C42 特征值突变信号长度、功率归一化与样本数现象同样 SNR 下C42 特征一次实验一个样甚至 OFDM 的 C42 出现 -0.3 这种明显异常值。换几次随机种子识别结果在 OFDM 和 QPSK 之间反复横跳。原因高阶累量是统计量样本数不够时估计方差很大。OFDM 的 C42 理论值接近零零附近的微小扰动在归一化后会被放大。另一个隐蔽原因是 ifft 之后没做功率归一化MATLAB 的 ifft 输出幅度和输入符号幅度差 Nfft 倍叠加噪声时 SNR 计算整体偏离设定值。解决ofdm.m 里 ifft 之后乘 sqrt(Nfft) 确保信号平均功率为 1识别脚本里每个 SNR 至少跑 100 次取平均再做统计判决不要拿单次特征值直接跟阈值比。我的习惯是先算 C21 检查信号功率是否为 1如果偏离 1 超过 5%说明功率归一化链路有问题先解决再往下走不要带着功率偏差调阈值。5.3 QAM128 的累量数值异常高次幂与动态范围现象切到 qam64.m 或 qam128.m 时C40 出现 NaN或者数量级在 1e16 这种离谱值。原因四阶累量要算 x⁴QAM128 外圈星座点幅度接近 1.5四次方后接近 5本身不会溢出但如果前面信号幅度归一化没做干净叠加信道增益后 x⁴ 累加再乘样本长度数值量级很容易冲到 1e10 以上。MATLAB 默认 double 精度下不溢出但有效位数损失严重算出来的 C40 和理论值差之千里。解决进 Cum.m 前先做单位功率归一化也就是 x x / sqrt(mean(abs(x).^2))让信号平均功率严格为 1。这一行放在去均值之后是整个累量计算稳定性的基础。另外 QAM128 星座点密度高识别它需要更高阶特征或更多样本我一般会把每个符号的样本数从 1024 提到 4096否则特征方差盖过信号本身差异。5.4 标签错位AWGN 下标定的阈值直接拿去瑞利信道用现象AWGN 下识别率 95% 的阈值直接套到瑞利信道数据上识别率掉到 60%而且 OFDM 大量被误判成 QPSK。原因信道改变了特征分布。AWGN 下 OFDM 的 C42 均值接近零、方差小瑞利信道下方差变大、均值略微向负偏移原来设在两个分布中间的阈值现在落在 OFDM 自己的分布内部一进去就误判。解决阈值不是一套用到底的。按信道场景分别标定AWGN 一套、瑞利两抽头一套、多径三抽头一套识别前先确定当前场景再选对应阈值。这听着笨但在传统特征识别里是最稳的做法。如果想用一套模型通吃所有信道就不要手工设阈值把各信道条件下的特征全部收集起来喂给分类器训练让分类器自己学信道带来的特征变化。5.5 识别率虚高训练数据和测试数据同源现象仿真识别率 99%换到一段实测录制的信号识别率惨不忍睹。原因典型的同源陷阱。训练时用的 OFDM 信号和测试时用的 OFDM 信号来自同一个随机种子生成的同一套星座点特征分布高度一致分类器记住的是数据本身而不是调制方式的本质特征。实测信号有载波频偏、采样钟偏、I/Q 不平衡这些非理想因素都会让特征偏移一测就没。解决仿真阶段就要刻意制造差异。训练集和测试集用不同随机种子加入随机的残余频偏比如子载波间隔的 ±1%甚至换不同的 OFDM 参数让 Nfft 和 CP 长度不同。如果这样识别率还能保持 90% 以上才说明这套特征真正学到了 OFDM 的统计本质。从那以后我每次做特征识别实验都强制走一遍「训练测试数据不同源」的校验这是保命的一步。6. 把单点识别升级成批量扫描参数化脚本与结果自动落盘跑通单次实验只是第一步。真正要评估 OFDM 识别算法在什么 SNR 下能干活需要把扫描逻辑固化成能直接出结果的批处理。我通常的做法是写一个 batch_test.m把信道类型、SNR 列表、每档实验次数全部参数化结果边算边写 CSV方便后面画图或交给其他程序继续处理% batch_test.m 批量扫描AWGN/瑞利场景下 OFDM/QPSK/QAM16 识别率 clear; clc; snr_list -5:2:25; N_trial 500; channel awgn; % 可切换为 rayleigh fid fopen(sprintf(result_%s.csv, channel), w); fprintf(fid, SNR,acc_ofdm,acc_qpsk,acc_qam16\n); for s 1:length(snr_list) acc zeros(1, 3); for t 1:N_trial % single_trial 封装 3.2 节的单次识别返回 1x3 判决正确向量 acc acc single_trial(channel, snr_list(s)); end acc acc / N_trial; fprintf(fid, %d,%.4f,%.4f,%.4f\n, snr_list(s), acc(1), acc(2), acc(3)); end fclose(fid);这个脚本有两个值得坚持的习惯。第一结果用 fprintf 边算边写不攒到最后一次性输出这样跑一半断了也能从 CSV 里看到已完成部分。第二CSV 字段名写清楚 SNR、acc_ofdm、acc_qpsk后面画图直接读文件即可省掉反复复制粘贴。把单次识别逻辑封装成 single_trial(channel, snr) 有个额外好处同一份识别代码同时服务批量和在线两种用途调试时单步跑评估时批量跑不会有两套逻辑互相打架。有一件事我印象很深。之前做一个多场景识别评估因为偷懒没有做自动导出手动复制了几十组实验结果进表格结果把两组不同信道的数据贴反了后续所有分析全部作废。从那以后我每次做参数扫描都强制自己走一遍「参数化脚本 CSV 自动落盘」的流程哪怕只扫三个 SNR 点也不手动复制。这套 OFDM 高阶累量识别程序的价值在于特征提取和识别决策解耦得很干净把批量测试补齐之后从算法验证到结果汇报就是一条流水线了。这套流程同样适用于 OTFS、FMCW 这些新波形的识别特征验证换信号生成函数、保留累量计算和批量扫描框架即可。希望这些经验能帮你在调阈值、换特征、换信道模型时少走点弯路。本文还有配套的精品资源点击获取
