# 解调判决：接收机如何从噪声里抢回比特 上一篇讲调制时，我们站在发射塔上看：比特变成星座点，星座点骑上子载波，一列列电波飞向空中。但通信是一场双向游戏——发出去只是一半，**收得回来才是本事**。今天我们换到手机的接收天线后面，看一个每秒钟发生几百万次、却很少被讲透的过程：**解调判决**——从一坨被噪声揉皱的信号里，把原始比特一个一个抠出来。 这篇是「调制原理」的下半场：上半场讲“怎么把比特变成波形”，下半场讲“怎么把波形变回比特”。 ## 一、从一个生活场景说起：模糊的电话 深夜打电线电话，对方声音断断续续、夹杂电流声。但奇怪的是，你十有八九能听懂对方在说什么。为什么？ 因为你的大脑在做一件极其高频的事情：**拿听到的模糊音，去和脑中的“标准发音库”逐个比对，挑出最像的那一个**。你听到的从来不是完美的信号，但你知道所有“可能的词”长什么样——残缺的信息足以锁定唯一合理的答案。 解调判决做的就是这件事，只是每秒要做几百万次： - 脑中的“标准发音库” = **星座图上那 4、16、64 或 256 个理想星座点** - 听到的模糊音 = **被噪声污染后的接收值** - “挑最像的那个” = **最大似然检测（Maximum Likelihood Detection）** 整个数字通信接收机，本质上就是一台“猜谜机器”。它猜得有多准，直接决定了你的网速。 ## 二、信道到底对信号做了什么 要理解判决，先得理解信号在空中经历了什么。无线信道对星座点干的事，可以用一行公式概括： $$y = h \cdot s + n$$ 别急着跳过这行公式，它是全文的地基。三个字母各有一层含义： | 符号 | 含义 | 生活类比 | |---|---|---| | $s$ | 发射的星座点（复数，含幅度和相位） | 你寄出的包裹 | | $h$ | 信道的复增益（衰减 + 相移） | 快递路上的颠簸，包裹被压扁又转了个方向 | | $n$ | 加性噪声（通常建模为高斯白噪声） | 路上溅上的泥点，随机、不可预测 | | $y$ | 接收到的信号 | 你收到的那个脏兮兮的包裹 | 关键直觉有三个： **第一，$h$ 是“可修正的损伤”，$n$ 是“不可逆的损伤”。** 颠簸造成的压扁和转向是有规律的，接收机通过信道估计摸清 $h$ 之后，可以逆向还原（均衡器干的活）。但泥点是随机的，溅上就溅上了，**没有任何算法能把泥点从包裹上完美洗掉**——接收机能做的，只是“在带着泥点的条件下，做出最合理的猜测”。这就是为什么信道质量（SNR）是硬约束，调制阶数再高也变不出不存在的信息。 **第二，噪声把“一个点”变成“一团云”。** 发射端每个符号是精确的一个点；接收端每个符号是一小片概率云，理想点在云心，噪声越大云越散。频谱仪上看到的星座图之所以是“一团团点云”，就是这个原因。 **第三，判决是在“点云”上做的，不是在“点”上做的。** 接收机拿到的 $y$ 几乎从不恰好落在理想星座点上——它落在哪里都行，判决器的工作就是回答：“**这团云，最可能是从哪个点出发的？**” ## 三、接收机流水线：判决在哪个环节 解调判决不是孤立动作，它是接收机流水线的下游。先看全景： ```mermaid flowchart TD A["天线收到波形"] --> B["同步：对齐时间与频率"] B --> C["信道估计：摸清信道特性h"] C --> D["均衡：逆向抵消信道扭曲"] D --> E["解映射：还原成星座点坐标"] E --> F["解调判决：输出每比特置信度"] F --> G["信道译码：利用置信度纠错"] ``` 本文聚焦 E→F 这一环。前面几步（同步、信道估计、均衡）是**修正 $h$**，让点云尽量回到原位；判决是**处理 $n$**，在永远洗不干净的噪声里做最终裁决；后面一步（信道译码）则拿着判决的产出继续翻盘。三篇文章合起来，才是接收机“降噪三部曲”的完整拼图。 到判决器入口处，信号已经变成了一串复数坐标：$y_k' = y_k / h_k$——除掉信道影响后的“均衡后星座点”。它们应该落在理想星座点附近，但带着一圈噪声偏移。 ## 四、硬判决：最近的邻居就是答案 最直觉的判决规则，就是那个“听模糊电话”的策略——**最大似然检测**： $$\hat{s} = \arg\min_{s_i \in \mathcal{S}} \left| y' - s_i \right|^2$$ 用人话读：把接收点 $y'$ 和星座图上**每一个**理想点 $s_i$ 都量一遍距离，谁离得最近就判谁。数学上可以证明：在各星座点等概率出现、噪声为高斯的假设下，“选最近的”恰好是概率上最正确的选择——这就是“最大似然”四个字的含义。 这个规则把整个星座平面切成了一个个“判决区域”：每个理想点被一群等分线围起来，落进哪个圈就判哪个点。 ```mermaid flowchart TD Q["接收点落在平面上某处"] --> R["测量它与每个理想点的欧氏距离"] R --> T["选出距离最小的理想点"] T --> U["该点的判决区域被击中"] U --> V["输出这个点对应的比特组"] ``` 这套“最近邻判决”天然引出两个重要推论： **推论一：星座点间距，就是抗噪预算。** 维基百科星座图词条里有一个精炼的表述：邻居星座点距离的一半，就是“把接收点推过界、造成误判”所需的噪声幅度。换句话说——**点距是误判的成本线，噪声强度是误判的推力**。这解释了整个调制阶数体系的代价结构：从 QPSK 到 256QAM，每符号比特数翻倍的同时，同样平均功率下的最小点距在急剧缩小，抗噪预算被一压再压。 | 调制方式 | 每符号比特数 | 星座点数 | 最小点距（同功率归一化） | 可解的信噪比量级（经验值） | |---|---|---|---|---| | QPSK | 2 | 4 | 最大，约 1.41 | 约 0 dB 上下即可工作 | | 16QAM | 4 | 16 | 约 0.47 | 约 10~13 dB | | 64QAM | 6 | 64 | 约 0.26 | 约 17~20 dB | | 256QAM | 8 | 256 | 约 0.13 | 约 25 dB 以上 | | 1024QAM | 10 | 1024 | 约 0.065 | 约 30 dB 以上 | > 信噪比量级为工程经验值（目标误块率随带宽、编码率浮动），具体门限以各系统定义为准；但“阶数每升一级、所需信噪比抬升约 5~6 dB”的趋势是稳定的。点距一列按平均功率归一化的方形 QAM 计算，可见 256QAM 的点距只有 QPSK 的约十分之一。 **推论二：灰度映射是判决的“安全气囊”。** 实际系统的星座点标签不是随便排的，而是让相邻点之间只差 1 个比特（Gray 映射）。道理很妙：判决出错的场景，绝大多数是“点被推到邻居家”——既然几乎只错到邻居，那就保证**一次判决错误只错 1 个比特**，而不是面目全非地错好几个。这是发射端设计时替判决端买的保险，也是为什么两篇调制文章必须合起来看。 ## 五、硬判决的原罪：一刀切掉置信度 到这里，“选最近的”听起来已经无懈可击。但硬判决有一个隐藏的原罪：**它在输出 0/1 的瞬间，把“有多确定”这个宝贵信息扔掉了。** 看两个场景： - 场景 A：接收点稳稳落在理想点正中心，噪声极小——判 0，**十成把握**； - 场景 B：接收点悬在两个判决区域的正中线上，左摇右晃——还是判 0，但**只有五成一把握**。 硬判决对这两种情况一视同仁，都输出一个干巴巴的“0”。可场景 B 里那个“差一点点”的犹豫，明明是极具价值的信息——它等于在喊：“这个 0 不太靠谱，小心！” 更致命的是，判决器自己知道错了也**没法反悔**：一旦输出 0/1，比特就“焊死”了。而下级的信道译码器（LDPC/Polar）恰恰是靠“多个可疑比特互相打官司”来纠错的——你把案情证据全烧了，只给法官一个结论，法官还怎么翻案？ ```mermaid flowchart TB Y["均衡后的接收点y：悬在两个理想点之间"] --> H["硬判决路径"] Y --> S["软判决路径"] H --> H1["量距离后直接输出0或1"] H1 --> H2["译码器只见到结论：无从质疑"] S --> S1["计算对数似然比LLR"] S1 --> S2["输出带正负号的小数：保留犹豫程度"] S2 --> S3["译码器综合全帧证据翻案纠错"] ``` ## 六、软判决与 LLR：给每个比特打置信分 工程界的解法叫**软判决（Soft Decision）**，其产出物是对数似然比（Log-Likelihood Ratio, LLR）： $$LLR(b) = \ln \frac{P(b=0 \mid y)}{P(b=1 \mid y)}$$ 读懂这个公式不需要概率论基础，只需要抓住三点： 1. **分母分子是“赌注比”**：给定收到的点 $y$，“这个比特是 0”与“是 1”的概率之比； 2. **取对数是为了好用**：比值为 1 时 LLR 为 0（五五开）；比值越大 LLR 越正（越确信是 0）；越负则越确信是 1； 3. **绝对值 = 置信度，正负号 = 判断**。例如 $LLR = +8$ 是“八成是 0”，$LLR = -0.1$ 是“勉强倾向 1，但基本是抛硬币”。 一个重要的工程直觉：**LLR 的绝对值大致正比于“接收点到对面判决边界的距离”**。离边界越远，越理直气壮；贴着边界，LLR 趋近 0——这正是场景 B 中那次“犹豫”的数值化身。 软判决并非现代发明。早在卷积码时代，维基百科 Viterbi 译码器词条就记载了经典做法：硬判决译码器输入的是 0/1 比特流，用**汉明距离**（有几个比特不同）做度量；而软判决译码器输入的是带可靠性信息的量化值（词条中给出了用 3 个比特编码“从最强 0 到最强 1”的完整量表），用**平方欧氏距离**做度量——判决和译码被打通成了一件事。这个从“汉明距离”到“欧氏距离”的切换，正是软判决增益的来源：它让译码器看到了信号在**模拟幅度**上留下的全部痕迹。 **省下 2~3 dB 是什么概念？** 据经典教材（如 Proakis《Digital Communications》、樊昌信《通信原理》）的通用结论，在加性高斯信道下，软判决相比硬判决典型能带来约 2~3 dB 的增益。别小看这 2~3 dB——它意味着同样误码性能下，发射功率可以降到原来的二分之一到六分之一，或者覆盖半径往外扩一大圈。这是纯算法层面“白捡”的性能，所以现代所有主流系统（包括 5G 的 LDPC 与 Polar 译码）无一例外全部采用软判决输入。 | 对比维度 | 硬判决 | 软判决 | |---|---|---| | 判决器输出 | 0 或 1（比特） | LLR（带符号的置信分数） | | 使用的距离度量 | 汉明距离 | 欧氏距离 | | 置信度信息 | 丢弃 | 完整传递给译码器 | | 译码器可否翻案 | 不能 | 可以（可疑比特权重低） | | 实现复杂度 | 低 | 较高（需要噪声方差估计与更多量化位宽） | | 典型性能 | 基准 | 约好 2~3 dB | ## 七、EVM：给信号做视力检查 判决要准，前提是“点云”别散得太厉害。衡量点云散不散，现网最常用的指标是 **EVM（误差矢量幅度，Error Vector Magnitude）**：在每个符号时刻，从理想星座点向实际接收点画一支矢量（误差矢量），取这些误差矢量幅度的均方根（RMS），再除以参考幅度归一化，用百分比表示。它与 dB 的换算关系为： $$EVM_{dB} = 20 \log_{10}\left(\frac{EVM_{\%}}{100}\right)$$ EVM 可以理解为星座图的“近视度数”：EVM 越大，点云越糊。而它和调制阶数是一对天敌——**星座点越密，容许的 EVM 越小**。业界对发射机 EVM 的典型要求（具体数值以各标准定义为准）大致是：64QAM 量级容忍百分之一二十以内的误差，而 256QAM 通常要求收紧到 3.5% 左右，1024QAM 还要再苛刻。这也解释了一个现网现象：**很多小区开了 256QAM 功能却长期“打不出来”**——不是功能没生效，而是发射链路（功放失真、相位噪声、馈线驻波）任何一环的 EVM 劣化，都足以让 256QAM 的判决变得不划算，调度器干脆降阶保护吞吐。 EVM 真正的威力在于：**星座图点的“糊法”本身就带着病因**。维基百科星座图词条总结了经典诊断模式，现网工程师把它当“体检报告”读： | 星座图症状 | 典型病因 | 排查方向 | |---|---|---| | 每个点糊成均匀的圆球 | 高斯热噪声为主 | 信噪比不足，查干扰与覆盖 | | 所有点沿圆弧方向抹开 | 相位噪声（本振不纯） | 查时钟板、本振源 | | 整图旋转成圆环 | 频率偏移未跟踪住 | 查晶振频偏、同步算法 | | 四个角点向中心塌缩 | 功放压缩（PA 饱和） | 回退发射功率、查功放线性度 | | 点云整体偏离原位或呈现规律性变形 | IQ 不平衡、载波泄漏 | 查收发信机射频通道 | **“角点内塌”最值得单独讲**，因为它是新手最常误诊的一个：看到星座图外圈点向中心缩，第一反应往往是“信号弱了”，于是加功率。但这是功放进饱和区的特征——越加功率越压缩，星座反而越塌，恶性循环。正确动作是**降功率**或改善功放线性度。记住这条：星座图整体变小是信号弱；**只有外角塌、内圈完整，是功放“吼劈了”**。 ## 八、实战连接：判决原理如何体现在现网里 ### 8.1 CQI 与 MCS：一场关于“你那边看得清吗”的持续对话 基站凭什么决定用 64QAM 还是 256QAM 给你发数据？靠手机持续上报的信道质量指示（CQI）。整个闭环如下： ```mermaid sequenceDiagram participant UE as 手机 participant BS as 基站 UE->>BS: 基于实测信噪比上报CQI BS->>BS: 查表选MCS：调制阶数加码率 BS->>UE: 按选定MCS发送下行数据 UE->>UE: 软判决输出LLR，送译码器检CRC alt 校验通过 UE->>BS: 回ACK：这个包正确 else 校验失败 UE->>BS: 回NACK：触发HARQ重传 end ``` 现在你能看懂这个闭环里判决原理的位置了：CQI 是手机对“我的点云有多糊”的量化汇报；MCS 是基站对“点距预算还剩多少”的下注；LLR 是每一局开牌后判决器交出的置信证据；CRC 是验牌。四件事环环相扣，而**它们的共同物理基础，就是星座点距与噪声方差之比**。 ### 8.2 为什么调度策略是“宁低勿高” 一个反直觉的工程事实：好的调度器并不追求把 MCS 顶到理论上限。因为误判成本是**非线性爆炸**的——MCS 略微激进，误块率不是线性涨，而是雪崩式失控；一旦进入重传风暴，有效吞吐反而远低于保守选择。所以现网算法普遍按“目标误块率约 10%”甚至更低来外补 MCS：**故意让判决器偶尔判错，把纠错体系（软判决 + HARQ）当作常规火力来用**。理解了“软判决留活口、HARQ 负责翻案”这条链，你才会明白 10% 的初始误块率不是浪费，而是精算过的性价比点。 ### 8.3 调试陷阱清单 - **陷阱一：把均衡前的星座图当判决依据。** 有些仪表默认展示的是均衡前的原始点云，看起来一塌糊涂，其实均衡之后很干净。分析问题前先确认你看的是哪个处理阶段的星座图。 - **陷阱二：只看平均 EVM，不看分布。** 平均 EVM 达标不等于每个符号都达标——特定子载波（边缘）或特定符号（控制信道附近）的局部 EVM 恶化，会被平均值掩盖，但足以拖垮局部判决。 - **陷阱三：上行问题当下行修。** 上行星座收缩（整体向原点缩）常见原因是终端发射功率被功控压得太低或路损估计偏差，此时加大基站接收增益治标不治本，根源在功控环路。 - **陷阱四：噪声方差估计错了，LLR 全歪。** 软判决 LLR 的计算依赖噪声方差 $\sigma^2$ 的估计值：高估噪声会让所有 LLR 被压扁（译码器变得过度保守，迭代不收敛），低估则会让 LLR 虚胖（译码器过度自信，错得离谱）。遇到“星座图看着还行、译码却频繁失败”的诡异案例，值得怀疑噪声估计这一环。 ## 九、把三部曲串起来 至此，接收机降噪的三道防线已经集齐，它们分工明确、缺一不可： - **信道估计与均衡**（上一篇《图解信道估计》）对付的是 $h$——可预测的损伤，逆向修掉； - **解调判决**（本篇）对付的是 $n$——不可逆的噪声，用最大似然规则猜出最可能的答案，并把“猜得有多有底”打包成 LLR 上交； - **信道译码与 HARQ**（前作《信道编码》《HARQ 软合并》）利用 LLR 里留着的“活口”，跨符号、跨重传地联合翻案。 下一回它们一起工作时的样子，你在路测软件里其实天天见：那根起伏的 CQI 曲线、跳动的 MCS 数字、偶尔冒出的重传计数——每一个数字背后，都是一场在微秒之间完成、关于“最近邻是谁”的民主投票。 ## 常见问题 **Q: 软判决和硬判决的本质区别是什么？** A: 硬判决输出“结论”（0 或 1），软判决输出“结论 + 置信度”（LLR）。本质区别在于是否保留了接收信号在模拟幅度上的信息：硬判决在判决瞬间把模拟证据销毁，译码器无法质疑；软判决把证据链完整递交，允许译码器综合全帧信息推翻个别可疑判决。代价是更高的计算与存储复杂度，收益约 2~3 dB。 **Q: EVM 和 SNR 有什么区别？看起来都是“信号质量”。** A: SNR 度量的是信号与噪声的功率比，是“外部环境”指标；EVM 度量的是实际星座点偏离理想位置的程度，是“结果”指标——它把噪声、功放失真、相位噪声、IQ 不平衡等**所有损伤**都折算成了一个偏差百分比。可以说 SNR 是病因之一，EVM 是体检综合结论。接收机受 SNR 约束，发射机考核看 EVM。 **Q: 为什么 256QAM 在现网经常开不起来？** A: 256QAM 的最小点距只有 QPSK 的约十分之一，需要 25 dB 以上的信噪比和极低的 EVM（业界典型要求 3.5% 左右）。只有近点、视距、低干扰的用户才满足条件；同时发射链路任何一环的 EVM 劣化（功放、时钟、驻波）都可能让调度器放弃高阶。这是物理规律而非功能缺陷。 **Q: 星座图糊成一团，是不是信号就废了？** A: 不一定。先看糊的“形状”：均匀圆球是噪声大（可能只是信噪比低）；旋转成环是频偏问题，锁定同步即可恢复；外角内塌是功放压缩，加功率会更糟；整体偏移可能是 IQ 失衡。形状即病因，先诊断再动手。 **Q: 判决既然可能出错，为什么不在判决器里多做几次比较？** A: 单个符号内的信息已经用尽了——最大似然检测在“仅知道当前接收点”的前提下已是最优。进一步的性能提升只能来自**跨符号的联合信息**，那正是信道译码器（利用编码冗余）和 HARQ（利用重传副本）的领地。判决器多想无益，把置信度（LLR）如实上交才是对下游最大的支持。 ## 参考来源 1. [Constellation diagram - Wikipedia](https://en.wikipedia.org/wiki/Constellation_diagram) — 最大似然检测即“选取欧氏距离最近的星座点”、点距与抗噪能力的关系、各类失真在星座图上的特征形态（噪声成球、相噪成弧、功放压缩致角点内移）。 2. [Error vector magnitude - Wikipedia](https://en.wikipedia.org/wiki/Error_vector_magnitude) — EVM 的定义（误差矢量幅度 RMS 归一化）及与 dB 的换算公式，EVM 作为收发信机综合质量指标的地位。 3. [Viterbi decoder - Wikipedia](https://en.wikipedia.org/wiki/Viterbi_decoder) — 硬判决使用汉明距离、软判决使用平方欧氏距离及可靠性量化信息的经典对照，软判决 Viterbi 的工程实现。 4. 樊昌信《通信原理》、Proakis《Digital Communications》 — 最优接收机与最大似然检测、软/硬判决译码增益约 2~3 dB 的经典教科书结论（通用学术共识，未附网络链接）。 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。