3.2 接收机链路组成

3.2 接收机链路组成

本节摘要：SOURCE 3.2：接收链含 AGC、同步、FFT、信道估计、均衡、解映射、译码；同步误差直接破坏正交性。

接收关键步骤

MMSE 均衡优于 ZF 在低 SNR：\hat{X}_k=H_k^*(|H_k|^2+\sigma^2)^{-1}Y_k。

⚠️ 常见坑：仅 ZF 均衡在深衰落子载波放大噪声。

💡 关键直觉：接收链 = 同步第一，均衡第二。

AGC 与数字前端

接收链路的第一道工序在射频与数字交界处。天线接收到的信号经低噪声放大器（LNA）放大后，自动增益控制（AGC）环路调整增益，使 ADC 输入幅度适配其动态范围：增益过小则量化噪声抬升，增益过大则削波失真。随后下变频把射频搬移到基带，经抗混叠滤波后由 ADC 采样。数字前端的关键指标是采样率与位宽——过采样率越高，抗混叠要求越宽松；位宽每增加 1 bit，量化信噪比改善约 6 dB，但功耗与面积随之上升。

数字前端还承担两项前置修正。其一是直流偏置消除：零中频架构的直流分量会污染靠近 0 Hz 的子载波，需在 FFT 之前扣除。其二是采样频偏补偿：收发采样时钟不同步会导致 FFT 窗口逐渐漂移，需用定时误差检测器校正或采用重采样。这些看似琐碎的细节，决定了对后续 FFT 输入信号的保真度——信号在进入同步与 FFT 之前就已经被精确定型。

同步：FFT 的前置工序

同步是接收机区别于发射机的核心工序，因为接收端对信道与时钟一无所知。定时同步寻找 FFT 窗口的最佳起点：CP 自相关法利用 CP 与符号尾部的相关性，在滑动相关序列中寻找峰值；若起点落在 CP 之内，符号仍保持循环结构，若偏差超出 CP 则 ISI 与 ICI 同时出现。载波频偏估计则利用导频或 CP 的相位差，把 CFO 拆分为整数倍子载波间隔与分数倍两部分分别补偿。

同步质量对系统性能的影响是全局性的。定时偏差引起相位斜坡与子载波间干扰；频偏使星座整体旋转，高阶调制下即使 1% 的子载波间隔偏差也会显著抬高误码率。因此接收机通常采用"粗同步—精同步—跟踪"三级结构：捕获阶段完成粗略对齐，之后在解调过程中持续跟踪并修正残余误差。同步一旦失败，后续的信道估计与译码都建立在错误前提之上，全链路性能随之崩塌。

信道估计与 MMSE 均衡的数学

FFT 之后，接收端面对的是 Y_k = H_k X_k + N_k，其中 H_k 未知，需要从导频处估计。最小二乘（LS）估计在导频位置直接计算 \hat{H}_k = Y_k / X_k，简单但放大了噪声；最小均方误差（MMSE）估计利用信道与噪声统计量，在估计误差与噪声放大之间取最优：

均衡阶段同样有 ZF 与 MMSE 两种选择。ZF 均衡直接 \hat{X}_k = Y_k/H_k，在 H_k 很小时会把噪声放大到难以接受；MMSE 均衡引入噪声项作为正则化：

当子载波深衰落时，MMSE 的分子分母都衰减，避免了噪声放大，因此在低信噪比下 BER 明显优于 ZF。代价是需要估计噪声方差 \sigma_n^2，并承担一次复数除法与一次乘法。工程上还常用 ZF 加检测后缩放作为近似，以降低实现成本。

均衡仿真对比

下面仿真对比 ZF 与 MMSE 均衡在深衰落子载波下的表现，验证理论结论。

import numpy as np
from numpy.fft import fft, ifft

N = 64
rng = np.random.default_rng(7)
# 构造含深度凹陷的信道：子载波 20 附近接近零
H = 0.9 + 0.5 * np.cos(2 * np.pi * np.arange(N) / N)
H[20] = 0.05
# 随机 QPSK 数据
X = (rng.integers(0, 2, (2, N)).T * 2 - 1).astype(float)
X = (X[:, 0] + 1j * X[:, 1]) / np.sqrt(2)

def ber(snr_db, method):
    snr = 10 ** (snr_db / 10)
    noise_pow = 1 / snr
    noise = rng.normal(0, np.sqrt(noise_pow / 2), N) + 1j * rng.normal(0, np.sqrt(noise_pow / 2), N)
    Y = H * X + noise
    if method == 'zf':
        X_hat = Y / H
    else:
        X_hat = np.conj(H) / (np.abs(H) ** 2 + 1 / snr) * Y
    bits = np.stack([(X_hat.real > 0), (X_hat.imag > 0)], 1).flatten()
    ref = np.stack([(X.real > 0), (X.imag > 0)], 1).flatten()
    return np.mean(bits != ref)

for snr in [0, 5, 10, 15, 20]:
    print(f"SNR={snr:3d} dB  ZF={ber(snr,'zf'):.3f}  MMSE={ber(snr,'mmse'):.3f}")
​

在低信噪比与深衰落子载波共同作用下，MMSE 的优势会明显呈现；高信噪比下两者趋近。读者可把 H[20]=0.05 改为更大的值观察差别如何变化。

软比特与迭代译码

均衡器输出的不再是硬判决符号，而是携带置信度的软比特，交给译码器。对 LDPC/Turbo 码，软比特是迭代译码的输入燃料：译码器在变量节点与校验节点之间迭代传递对数似然比，每轮迭代改善估计。与硬判决相比，软判决可带来 2-3 dB 的编码增益，这正是接收机链路把均衡与译码紧密衔接的原因。接收链至此走完：从电磁波到比特的每一次重建，都建立在同步、估计、均衡、译码每一环节的精确配合之上。

一节小结

• 同步是 FFT 有效前提
• MMSE 均衡更稳健
• 软比特进 LDPC 增益大
• 数字前端质量决定全链上限