简介这份资源面向无线通信、扩频调制方向的学习者与研究人员提供一套直接序列扩频DSSS与BPSK扩频的完整程序实现可用于课程实验、算法验证与系统仿真。压缩包共24个文件全部为m脚本整体约12KB涵盖扩频码生成、BPSK调制、扩频与解扩、信道噪声模拟、同步机制及误码率与信噪比性能评估等模块并包含Walsh码、m序列生成、双极性变换、加扰解扰与Turbo编译码等辅助环节结构紧凑、便于逐模块阅读与调试。已有536人学习下载适合希望深入理解DSSS通信链路、掌握扩频调制与解扩检测流程的读者参考也可作为相关课题的仿真基础与排错思路来源。1. 直接序列扩频与BPSK扩频为什么它能在负信噪比下把信号“捞”出来第一次在频谱仪上看到直接序列扩频信号时我盯着那条被噪声淹没的曲线看了很久——底噪抬高了将近20 dB目标信号完全看不见。但接收端解扩之后信号又清清楚楚地冒了出来。这个反直觉的现象就是直接序列扩频最核心的价值它把窄带信号的能量摊开到很宽的频带上让信号藏在噪声底下接收端再用相同的扩频码把它收拢回来。直接序列扩频DSSS配合BPSK扩频调制是扩频通信里最经典、最容易上手的组合。它解决的问题很具体在信噪比极低、存在窄带干扰、或者需要多用户同时接入的场景下如何可靠地传输数据。适合谁看做无线通信基带算法的工程师、玩SDR想深入理解扩频调制的爱好者、以及需要在嵌入式平台上实现抗干扰传输的开发者。这篇文章不讲空泛的公式推导而是从BPSK扩频调制的基本原理出发一步步走到可运行的Python仿真、参数设置、以及实际部署时那些让人翻车的坑。2. BPSK扩频调制到底怎么把1 bit变成一串码片2.1 从BPSK到扩频每个符号乘以一个伪随机序列普通BPSK调制很简单比特0映射为1比特1映射为-1然后直接搬到载波上。直接序列扩频做的事情是在这个基础上多了一步——每个BPSK符号不再只占一个符号周期而是乘以一个高速的伪随机PN序列把符号周期“撑开”成N个码片周期。假设扩频因子SF8PN序列为[1,-1,1,1,-1,1,-1,-1]。原始比特为1时扩频后的输出就是PN序列本身原始比特为-1时输出是PN序列取反。这样一来原本一个符号的能量被分散到8个码片上每个码片的能量只有原来的1/8在频域上表现为频谱被展宽了8倍功率谱密度降低了约9 dB。接收端要做的是相反的操作用同一个PN序列对接收信号做相关运算。由于PN序列的自相关特性——零延迟处相关值最大非零延迟处接近零——只有对齐的期望信号会被“压缩”回窄带干扰和噪声因为与PN序列不相关相关后仍然保持宽带状态后续窄带滤波器就能把大部分干扰滤掉。这里有一个关键参数扩频因子SF。SF越大处理增益越高抗干扰能力越强但可用的数据速率越低。处理增益Gp 10*log10(SF)单位dB。SF31时处理增益约14.9 dBSF127时约21 dB。实际选型时SF要根据干扰余量和速率需求折中。2.2 用Python跑通BPSK-DSSS的最小仿真链路下面这段代码实现了完整的BPSK直接序列扩频调制、加噪、解扩、解调过程。运行环境只需要numpy和matplotlib。import numpy as np import matplotlib.pyplot as plt # 参数设置 SF 31 # 扩频因子 num_bits 100 # 原始比特数 snr_db -10 # 信噪比(dB)负值表示信号淹没在噪声中 np.random.seed(42) # 生成PN序列m序列简化版实际应用需用本原多项式 def generate_pn_sequence(length): 用LFSR生成伪随机序列输出为1/-1 # 以长度5的LFSR为例抽头为[5,3] state np.ones(5, dtypeint) pn [] for _ in range(length): pn.append(1 - 2 * state[-1]) # 0-1, 1--1 feedback state[4] ^ state[2] state np.roll(state, 1) state[0] feedback return np.array(pn) pn_seq generate_pn_sequence(SF) print(fPN序列: {pn_seq}) # 生成原始比特 bits np.random.randint(0, 2, num_bits) symbols 1 - 2 * bits # 0-1, 1--1 # 扩频调制 tx_signal np.zeros(num_bits * SF) for i, sym in enumerate(symbols): tx_signal[i*SF:(i1)*SF] sym * pn_seq # 加AWGN噪声 signal_power np.mean(tx_signal**2) noise_power signal_power / (10**(snr_db/10)) noise np.sqrt(noise_power/2) * np.random.randn(len(tx_signal)) rx_signal tx_signal noise # 解扩逐符号做相关 decoded_symbols np.zeros(num_bits) for i in range(num_bits): segment rx_signal[i*SF:(i1)*SF] decoded_symbols[i] np.sum(segment * pn_seq) / SF # 判决 decoded_bits (decoded_symbols 0).astype(int) ber np.mean(decoded_bits ! bits) print(f误码率 BER {ber:.4f}) # 可视化 fig, axes plt.subplots(3, 1, figsize(12, 8)) axes[0].plot(tx_signal[:3*SF], b-, linewidth1.5) axes[0].set_title(发射端扩频信号前3个符号) axes[0].set_xlabel(码片索引) axes[0].grid(True, alpha0.3) axes[1].plot(rx_signal[:3*SF], r-, linewidth0.8) axes[1].set_title(f接收端信号SNR{snr_db}dB信号已淹没) axes[1].set_xlabel(码片索引) axes[1].grid(True, alpha0.3) axes[2].stem(range(num_bits), decoded_symbols, basefmtk-) axes[2].axhline(0, colorgray, linestyle--) axes[2].set_title(解扩后符号值正负分明) axes[2].set_xlabel(比特索引) axes[2].grid(True, alpha0.3) plt.tight_layout() plt.show()这段代码的逻辑分四步走。第一步生成PN序列这里用了一个简化的5级LFSR实际工程中需要根据本原多项式生成最大长度序列抽头位置决定了序列的周期和自相关特性。第二步把原始比特映射为BPSK符号后每个符号乘以完整的PN序列完成扩频。第三步加高斯白噪声信噪比设为-10 dB意味着噪声功率是信号功率的10倍。第四步解扩时对每个符号周期内的接收信号与本地PN序列做点积再除以SF这个操作本质上就是匹配滤波把期望信号的能量相干累加噪声非相干累加。参数说明SF决定了处理增益和抗噪能力SF31时处理增益约14.9 dB在-10 dB信噪比下理论误码率应该在1e-3量级。snr_db设为负值是为了验证扩频增益的效果如果设为正值反而看不出扩频的优势。num_bits影响仿真统计的稳定性100个比特在低信噪比下误码率估计会有波动建议至少1000个比特做BER曲线。运行结果会显示接收端时域波形看起来就是噪声但解扩后的符号值在1和-1附近清晰可辨。这就是直接序列扩频的“玄学”之处——时域看不见相关域一目了然。3. 扩频调制参数怎么选SF、码型、采样率的三角关系3.1 扩频因子SF与处理增益的定量关系扩频因子不是随便选的。它直接决定了三件事处理增益、数据速率、以及解扩运算量。处理增益Gp 10*log10(SF)。如果SF64Gp≈18 dB意味着在信噪比低至-18 dB时理论上仍能解调实际受限于实现损耗通常留3~6 dB余量。但数据速率会降到码片速率的1/64。假设码片速率是1 McpsSF64时符号速率只有15.625 kspsBPSK每符号1 bit比特率就是15.625 kbps。SF处理增益(dB)1Mcps下比特率(kbps)典型应用场景3114.932.3中等抗干扰较高数据率6318.015.9较强抗干扰中低数据率12721.07.9强抗干扰低数据率25524.13.9极强抗干扰极低数据率选型原则先确定需要的抗干扰余量再反推SF。如果已知干扰比信号高15 dB那SF至少选6318 dB增益留3 dB余量。如果速率优先SF31是常见起点。3.2 PN码型选择m序列、Gold序列、Kasami序列的取舍PN序列的自相关特性直接决定了解扩性能。理想情况下PN序列的自相关函数在零延迟处等于1其他延迟处接近0。实际中做不到完美旁瓣会引入多址干扰。m序列是最基础的选择由LFSR生成周期为2^n-1。它的自相关旁瓣为-1/NN为周期对于SF31旁瓣约-14.9 dB够用。但m序列的互相关特性不够好多用户场景下不同用户的m序列之间互相关可能很大。Gold序列由一对优选m序列模二加生成互相关特性有理论保证旁瓣不超过某个界限。多用户直接序列扩频系统几乎都用Gold序列或它的变种。Kasami序列的互相关更优但可用序列数更少。实际工程中如果只是点对点抗干扰m序列足够如果是多用户接入优先Gold序列。生成Gold序列需要先找到一对优选m序列它们的互相关满足三值特性。3.3 采样率与码片速率的匹配一个容易翻车的地方仿真时容易忽略采样率。上面的代码是在码片级别操作的每个码片一个采样点。但实际系统中DAC采样率通常远高于码片速率比如码片速率1 Mcps采样率10 Msps每个码片有10个采样点。这时候解扩相关运算要改成对每个符号周期内的所有采样点先与本地PN序列的过采样版本逐点相乘再求和。本地PN序列的每个码片要重复10次或经过脉冲成型滤波。如果直接拿码片级的PN序列去和过采样的接收信号做相关长度对不上结果完全错误。常见做法是在发射端扩频后的码片序列先上采样插零再通过根升余弦滤波器成型接收端匹配滤波后再按码片速率抽取然后做相关。或者更简单粗暴接收端也生成过采样的PN序列直接逐点相关。前者性能好但复杂后者实现简单但需要采样时钟对齐。提示仿真阶段建议先在码片级验证算法正确性确认无误后再加入过采样和成型滤波。直接上过采样容易把问题搅在一起排查困难。4. 直接序列扩频的避坑与排查那些仿真不会告诉你的事4.1 解扩后误码率居高不下但相关峰明明很高现象解扩后的相关值看起来正负分明但判决出来的比特误码率就是降不下去偶尔出现连续错误。原因PN序列的相位没有对齐。直接序列扩频对PN码相位极其敏感相位偏差超过一个码片相关值就急剧下降。仿真中收发两端用同一个PN序列数组天然对齐实际系统中接收端不知道信号什么时候到达必须做PN码捕获和跟踪。解决加入捕获和跟踪环节。捕获用滑动相关或匹配滤波在码相位和载波频率二维搜索跟踪用延迟锁定环DLL和科斯塔斯环Costas Loop。如果只是仿真验证检查收发PN序列的起始位置是否一致以及是否有整数倍码片的延迟。4.2 扩频增益算出来够但实际抗干扰效果差很多现象理论计算处理增益18 dB但实际干扰只比信号高10 dB时误码率就崩了。原因处理增益是理想值实际有实现损耗。主要来源包括PN序列自相关旁瓣不为零、载波频偏导致相关峰分裂、ADC量化噪声、以及干扰信号与PN序列存在部分相关。另外如果干扰是窄带信号解扩后干扰被展宽但展宽后的干扰仍然会落入信号带宽内只是功率谱密度降低了。解决留足余量通常按理论值减3~6 dB来设计。如果干扰特别强考虑在解扩前加窄带陷波滤波器先把强窄带干扰滤掉再解扩。频偏要控制在码片速率的1%以内否则相关峰损失明显。4.3 多用户场景下不同用户的信号互相干扰现象单用户时误码率正常增加第二个用户后两个用户的误码率都上升。原因不同用户的PN序列互相关不为零。解扩时用户A的接收机用PN_A做相关用户B的信号与PN_A的互相关值虽然小但用户B的信号功率可能远高于用户A导致互相关项不可忽略。这就是多址干扰MAI。解决选择互相关特性好的PN序列集如Gold序列并做功率控制让各用户到达接收端的功率尽量相等。如果MAI仍然严重需要引入多用户检测算法比如解相关检测或最小均方误差检测。工程上更常见的做法是接受一定程度的MAI通过前向纠错编码来补偿。4.4 采样时钟偏差导致相关峰缓慢漂移现象系统运行一段时间后误码率逐渐升高重新同步后又恢复正常。原因收发两端的采样时钟存在频率偏差虽然初始对齐但随着时间推移采样点相对于码片边界缓慢漂移等效于PN码相位在变化。晶振精度通常用ppm衡量10 ppm的偏差在1 Mcps码片速率下每秒漂移10个码片几十毫秒就偏出一个码片。解决必须做时钟跟踪。在帧结构中插入导频或使用早迟门跟踪环路持续调整本地PN序列的相位。如果数据帧很短可以在每帧开头重新捕获避免跟踪环路的设计复杂度。4.5 扩频后信号峰均比升高导致功放饱和现象发射端功放输出频谱出现带外杂散EVM恶化误码率上升。原因BPSK扩频后的信号虽然是恒包络每个码片幅度相同但经过脉冲成型滤波后多码片叠加会产生幅度起伏峰均比PAPR升高。如果功放回退不够峰值被压缩产生非线性失真。解决功放回退留足PAPR余量BPSK扩频成型后的PAPR通常在3~5 dB回退至少6 dB。或者使用恒包络的扩频调制方式但那就不是BPSK了。另一个办法是降低成型滤波的滚降系数但会牺牲频谱效率。5. 从仿真到落地用USRP验证BPSK-DSSS的进阶技巧仿真跑通只是第一步真正把BPSK直接序列扩频放到硬件上跑才会遇到仿真里永远碰不到的问题。我一般用USRP B210配合GNU Radio做原型验证下面说几个关键技巧。第一个技巧是帧结构设计。纯数据流没法做同步必须在前面加前导码。前导码用一段已知的PN序列接收端用它做滑动相关捕获。前导码长度至少是扩频因子的4倍保证相关峰足够尖锐。前导码之后跟一个独特的同步字用于帧边界定位。数据段再跟CRC校验。第二个技巧是频偏估计。USRP的晶振和接收端晶振不可能完全一致残余频偏会旋转星座图。对于BPSK频偏导致相关峰幅度按sinc函数衰减。可以在前导码阶段用Kay算法或 Fitz算法做频偏估计然后在数据段做补偿。频偏估计精度要求残余频偏小于码片速率的1/(2*SF)否则解扩损失超过3 dB。第三个技巧是自动增益控制。直接序列扩频信号在时域被噪声淹没AGC如果基于信号幅度做增益调整会把噪声当成信号导致增益乱跳。正确做法是AGC时间常数设得很长或者在前导码阶段冻结AGC用已知的前导码功率设定增益数据段保持增益不变。验证方法上我习惯用三步走。第一步环回测试发射端直接连接收端加衰减器验证基带算法和同步逻辑。第二步加噪测试用噪声源注入可控噪声测BER曲线和仿真对比偏差应在1 dB以内。第三步空口测试拉距离观察不同距离下的误码率验证链路预算。验证阶段目的关键指标常见问题环回测试验证基带算法BER1e-5同步失败、帧格式错误加噪测试验证抗噪性能与仿真偏差1dB频偏未补偿、AGC异常空口测试验证链路预算通信距离达标多径、邻道干扰最后说一个我踩过的坑一开始图省事把PN序列生成和扩频调制都放在Python里做然后通过文件把IQ数据喂给USRP。结果发现Python的浮点运算和USRP的定点接口之间量化误差累积EVM怎么都调不下去。后来改成在FPGA里用LFSR实时生成PN序列扩频调制也在FPGA里做只把最终码片级IQ传给USRP问题才解决。血泪经验PN序列生成和扩频调制尽量靠近射频端减少中间环节的量化损失。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/25 21:33:39 · 阅读 1.2k BPSK直接序列扩频实战：从负信噪比解调到USRP落地避坑
简介这份资源面向无线通信、扩频调制方向的学习者与研究人员提供一套直接序列扩频DSSS与BPSK扩频的完整程序实现可用于课程实验、算法验证与系统仿真。压缩包共24个文件全部为m脚本整体约12KB涵盖扩频码生成、BPSK调制、扩频与解扩、信道噪声模拟、同步机制及误码率与信噪比性能评估等模块并包含Walsh码、m序列生成、双极性变换、加扰解扰与Turbo编译码等辅助环节结构紧凑、便于逐模块阅读与调试。已有536人学习下载适合希望深入理解DSSS通信链路、掌握扩频调制与解扩检测流程的读者参考也可作为相关课题的仿真基础与排错思路来源。1. 直接序列扩频与BPSK扩频为什么它能在负信噪比下把信号“捞”出来第一次在频谱仪上看到直接序列扩频信号时我盯着那条被噪声淹没的曲线看了很久——底噪抬高了将近20 dB目标信号完全看不见。但接收端解扩之后信号又清清楚楚地冒了出来。这个反直觉的现象就是直接序列扩频最核心的价值它把窄带信号的能量摊开到很宽的频带上让信号藏在噪声底下接收端再用相同的扩频码把它收拢回来。直接序列扩频DSSS配合BPSK扩频调制是扩频通信里最经典、最容易上手的组合。它解决的问题很具体在信噪比极低、存在窄带干扰、或者需要多用户同时接入的场景下如何可靠地传输数据。适合谁看做无线通信基带算法的工程师、玩SDR想深入理解扩频调制的爱好者、以及需要在嵌入式平台上实现抗干扰传输的开发者。这篇文章不讲空泛的公式推导而是从BPSK扩频调制的基本原理出发一步步走到可运行的Python仿真、参数设置、以及实际部署时那些让人翻车的坑。2. BPSK扩频调制到底怎么把1 bit变成一串码片2.1 从BPSK到扩频每个符号乘以一个伪随机序列普通BPSK调制很简单比特0映射为1比特1映射为-1然后直接搬到载波上。直接序列扩频做的事情是在这个基础上多了一步——每个BPSK符号不再只占一个符号周期而是乘以一个高速的伪随机PN序列把符号周期“撑开”成N个码片周期。假设扩频因子SF8PN序列为[1,-1,1,1,-1,1,-1,-1]。原始比特为1时扩频后的输出就是PN序列本身原始比特为-1时输出是PN序列取反。这样一来原本一个符号的能量被分散到8个码片上每个码片的能量只有原来的1/8在频域上表现为频谱被展宽了8倍功率谱密度降低了约9 dB。接收端要做的是相反的操作用同一个PN序列对接收信号做相关运算。由于PN序列的自相关特性——零延迟处相关值最大非零延迟处接近零——只有对齐的期望信号会被“压缩”回窄带干扰和噪声因为与PN序列不相关相关后仍然保持宽带状态后续窄带滤波器就能把大部分干扰滤掉。这里有一个关键参数扩频因子SF。SF越大处理增益越高抗干扰能力越强但可用的数据速率越低。处理增益Gp 10*log10(SF)单位dB。SF31时处理增益约14.9 dBSF127时约21 dB。实际选型时SF要根据干扰余量和速率需求折中。2.2 用Python跑通BPSK-DSSS的最小仿真链路下面这段代码实现了完整的BPSK直接序列扩频调制、加噪、解扩、解调过程。运行环境只需要numpy和matplotlib。import numpy as np import matplotlib.pyplot as plt # 参数设置 SF 31 # 扩频因子 num_bits 100 # 原始比特数 snr_db -10 # 信噪比(dB)负值表示信号淹没在噪声中 np.random.seed(42) # 生成PN序列m序列简化版实际应用需用本原多项式 def generate_pn_sequence(length): 用LFSR生成伪随机序列输出为1/-1 # 以长度5的LFSR为例抽头为[5,3] state np.ones(5, dtypeint) pn [] for _ in range(length): pn.append(1 - 2 * state[-1]) # 0-1, 1--1 feedback state[4] ^ state[2] state np.roll(state, 1) state[0] feedback return np.array(pn) pn_seq generate_pn_sequence(SF) print(fPN序列: {pn_seq}) # 生成原始比特 bits np.random.randint(0, 2, num_bits) symbols 1 - 2 * bits # 0-1, 1--1 # 扩频调制 tx_signal np.zeros(num_bits * SF) for i, sym in enumerate(symbols): tx_signal[i*SF:(i1)*SF] sym * pn_seq # 加AWGN噪声 signal_power np.mean(tx_signal**2) noise_power signal_power / (10**(snr_db/10)) noise np.sqrt(noise_power/2) * np.random.randn(len(tx_signal)) rx_signal tx_signal noise # 解扩逐符号做相关 decoded_symbols np.zeros(num_bits) for i in range(num_bits): segment rx_signal[i*SF:(i1)*SF] decoded_symbols[i] np.sum(segment * pn_seq) / SF # 判决 decoded_bits (decoded_symbols 0).astype(int) ber np.mean(decoded_bits ! bits) print(f误码率 BER {ber:.4f}) # 可视化 fig, axes plt.subplots(3, 1, figsize(12, 8)) axes[0].plot(tx_signal[:3*SF], b-, linewidth1.5) axes[0].set_title(发射端扩频信号前3个符号) axes[0].set_xlabel(码片索引) axes[0].grid(True, alpha0.3) axes[1].plot(rx_signal[:3*SF], r-, linewidth0.8) axes[1].set_title(f接收端信号SNR{snr_db}dB信号已淹没) axes[1].set_xlabel(码片索引) axes[1].grid(True, alpha0.3) axes[2].stem(range(num_bits), decoded_symbols, basefmtk-) axes[2].axhline(0, colorgray, linestyle--) axes[2].set_title(解扩后符号值正负分明) axes[2].set_xlabel(比特索引) axes[2].grid(True, alpha0.3) plt.tight_layout() plt.show()这段代码的逻辑分四步走。第一步生成PN序列这里用了一个简化的5级LFSR实际工程中需要根据本原多项式生成最大长度序列抽头位置决定了序列的周期和自相关特性。第二步把原始比特映射为BPSK符号后每个符号乘以完整的PN序列完成扩频。第三步加高斯白噪声信噪比设为-10 dB意味着噪声功率是信号功率的10倍。第四步解扩时对每个符号周期内的接收信号与本地PN序列做点积再除以SF这个操作本质上就是匹配滤波把期望信号的能量相干累加噪声非相干累加。参数说明SF决定了处理增益和抗噪能力SF31时处理增益约14.9 dB在-10 dB信噪比下理论误码率应该在1e-3量级。snr_db设为负值是为了验证扩频增益的效果如果设为正值反而看不出扩频的优势。num_bits影响仿真统计的稳定性100个比特在低信噪比下误码率估计会有波动建议至少1000个比特做BER曲线。运行结果会显示接收端时域波形看起来就是噪声但解扩后的符号值在1和-1附近清晰可辨。这就是直接序列扩频的“玄学”之处——时域看不见相关域一目了然。3. 扩频调制参数怎么选SF、码型、采样率的三角关系3.1 扩频因子SF与处理增益的定量关系扩频因子不是随便选的。它直接决定了三件事处理增益、数据速率、以及解扩运算量。处理增益Gp 10*log10(SF)。如果SF64Gp≈18 dB意味着在信噪比低至-18 dB时理论上仍能解调实际受限于实现损耗通常留3~6 dB余量。但数据速率会降到码片速率的1/64。假设码片速率是1 McpsSF64时符号速率只有15.625 kspsBPSK每符号1 bit比特率就是15.625 kbps。SF处理增益(dB)1Mcps下比特率(kbps)典型应用场景3114.932.3中等抗干扰较高数据率6318.015.9较强抗干扰中低数据率12721.07.9强抗干扰低数据率25524.13.9极强抗干扰极低数据率选型原则先确定需要的抗干扰余量再反推SF。如果已知干扰比信号高15 dB那SF至少选6318 dB增益留3 dB余量。如果速率优先SF31是常见起点。3.2 PN码型选择m序列、Gold序列、Kasami序列的取舍PN序列的自相关特性直接决定了解扩性能。理想情况下PN序列的自相关函数在零延迟处等于1其他延迟处接近0。实际中做不到完美旁瓣会引入多址干扰。m序列是最基础的选择由LFSR生成周期为2^n-1。它的自相关旁瓣为-1/NN为周期对于SF31旁瓣约-14.9 dB够用。但m序列的互相关特性不够好多用户场景下不同用户的m序列之间互相关可能很大。Gold序列由一对优选m序列模二加生成互相关特性有理论保证旁瓣不超过某个界限。多用户直接序列扩频系统几乎都用Gold序列或它的变种。Kasami序列的互相关更优但可用序列数更少。实际工程中如果只是点对点抗干扰m序列足够如果是多用户接入优先Gold序列。生成Gold序列需要先找到一对优选m序列它们的互相关满足三值特性。3.3 采样率与码片速率的匹配一个容易翻车的地方仿真时容易忽略采样率。上面的代码是在码片级别操作的每个码片一个采样点。但实际系统中DAC采样率通常远高于码片速率比如码片速率1 Mcps采样率10 Msps每个码片有10个采样点。这时候解扩相关运算要改成对每个符号周期内的所有采样点先与本地PN序列的过采样版本逐点相乘再求和。本地PN序列的每个码片要重复10次或经过脉冲成型滤波。如果直接拿码片级的PN序列去和过采样的接收信号做相关长度对不上结果完全错误。常见做法是在发射端扩频后的码片序列先上采样插零再通过根升余弦滤波器成型接收端匹配滤波后再按码片速率抽取然后做相关。或者更简单粗暴接收端也生成过采样的PN序列直接逐点相关。前者性能好但复杂后者实现简单但需要采样时钟对齐。提示仿真阶段建议先在码片级验证算法正确性确认无误后再加入过采样和成型滤波。直接上过采样容易把问题搅在一起排查困难。4. 直接序列扩频的避坑与排查那些仿真不会告诉你的事4.1 解扩后误码率居高不下但相关峰明明很高现象解扩后的相关值看起来正负分明但判决出来的比特误码率就是降不下去偶尔出现连续错误。原因PN序列的相位没有对齐。直接序列扩频对PN码相位极其敏感相位偏差超过一个码片相关值就急剧下降。仿真中收发两端用同一个PN序列数组天然对齐实际系统中接收端不知道信号什么时候到达必须做PN码捕获和跟踪。解决加入捕获和跟踪环节。捕获用滑动相关或匹配滤波在码相位和载波频率二维搜索跟踪用延迟锁定环DLL和科斯塔斯环Costas Loop。如果只是仿真验证检查收发PN序列的起始位置是否一致以及是否有整数倍码片的延迟。4.2 扩频增益算出来够但实际抗干扰效果差很多现象理论计算处理增益18 dB但实际干扰只比信号高10 dB时误码率就崩了。原因处理增益是理想值实际有实现损耗。主要来源包括PN序列自相关旁瓣不为零、载波频偏导致相关峰分裂、ADC量化噪声、以及干扰信号与PN序列存在部分相关。另外如果干扰是窄带信号解扩后干扰被展宽但展宽后的干扰仍然会落入信号带宽内只是功率谱密度降低了。解决留足余量通常按理论值减3~6 dB来设计。如果干扰特别强考虑在解扩前加窄带陷波滤波器先把强窄带干扰滤掉再解扩。频偏要控制在码片速率的1%以内否则相关峰损失明显。4.3 多用户场景下不同用户的信号互相干扰现象单用户时误码率正常增加第二个用户后两个用户的误码率都上升。原因不同用户的PN序列互相关不为零。解扩时用户A的接收机用PN_A做相关用户B的信号与PN_A的互相关值虽然小但用户B的信号功率可能远高于用户A导致互相关项不可忽略。这就是多址干扰MAI。解决选择互相关特性好的PN序列集如Gold序列并做功率控制让各用户到达接收端的功率尽量相等。如果MAI仍然严重需要引入多用户检测算法比如解相关检测或最小均方误差检测。工程上更常见的做法是接受一定程度的MAI通过前向纠错编码来补偿。4.4 采样时钟偏差导致相关峰缓慢漂移现象系统运行一段时间后误码率逐渐升高重新同步后又恢复正常。原因收发两端的采样时钟存在频率偏差虽然初始对齐但随着时间推移采样点相对于码片边界缓慢漂移等效于PN码相位在变化。晶振精度通常用ppm衡量10 ppm的偏差在1 Mcps码片速率下每秒漂移10个码片几十毫秒就偏出一个码片。解决必须做时钟跟踪。在帧结构中插入导频或使用早迟门跟踪环路持续调整本地PN序列的相位。如果数据帧很短可以在每帧开头重新捕获避免跟踪环路的设计复杂度。4.5 扩频后信号峰均比升高导致功放饱和现象发射端功放输出频谱出现带外杂散EVM恶化误码率上升。原因BPSK扩频后的信号虽然是恒包络每个码片幅度相同但经过脉冲成型滤波后多码片叠加会产生幅度起伏峰均比PAPR升高。如果功放回退不够峰值被压缩产生非线性失真。解决功放回退留足PAPR余量BPSK扩频成型后的PAPR通常在3~5 dB回退至少6 dB。或者使用恒包络的扩频调制方式但那就不是BPSK了。另一个办法是降低成型滤波的滚降系数但会牺牲频谱效率。5. 从仿真到落地用USRP验证BPSK-DSSS的进阶技巧仿真跑通只是第一步真正把BPSK直接序列扩频放到硬件上跑才会遇到仿真里永远碰不到的问题。我一般用USRP B210配合GNU Radio做原型验证下面说几个关键技巧。第一个技巧是帧结构设计。纯数据流没法做同步必须在前面加前导码。前导码用一段已知的PN序列接收端用它做滑动相关捕获。前导码长度至少是扩频因子的4倍保证相关峰足够尖锐。前导码之后跟一个独特的同步字用于帧边界定位。数据段再跟CRC校验。第二个技巧是频偏估计。USRP的晶振和接收端晶振不可能完全一致残余频偏会旋转星座图。对于BPSK频偏导致相关峰幅度按sinc函数衰减。可以在前导码阶段用Kay算法或 Fitz算法做频偏估计然后在数据段做补偿。频偏估计精度要求残余频偏小于码片速率的1/(2*SF)否则解扩损失超过3 dB。第三个技巧是自动增益控制。直接序列扩频信号在时域被噪声淹没AGC如果基于信号幅度做增益调整会把噪声当成信号导致增益乱跳。正确做法是AGC时间常数设得很长或者在前导码阶段冻结AGC用已知的前导码功率设定增益数据段保持增益不变。验证方法上我习惯用三步走。第一步环回测试发射端直接连接收端加衰减器验证基带算法和同步逻辑。第二步加噪测试用噪声源注入可控噪声测BER曲线和仿真对比偏差应在1 dB以内。第三步空口测试拉距离观察不同距离下的误码率验证链路预算。验证阶段目的关键指标常见问题环回测试验证基带算法BER1e-5同步失败、帧格式错误加噪测试验证抗噪性能与仿真偏差1dB频偏未补偿、AGC异常空口测试验证链路预算通信距离达标多径、邻道干扰最后说一个我踩过的坑一开始图省事把PN序列生成和扩频调制都放在Python里做然后通过文件把IQ数据喂给USRP。结果发现Python的浮点运算和USRP的定点接口之间量化误差累积EVM怎么都调不下去。后来改成在FPGA里用LFSR实时生成PN序列扩频调制也在FPGA里做只把最终码片级IQ传给USRP问题才解决。血泪经验PN序列生成和扩频调制尽量靠近射频端减少中间环节的量化损失。希望帮到你。本文还有配套的精品资源点击获取