OFDM 接收机仿真与训练

要解决什么问题

传统 OFDM 接收机往往把信道估计、均衡和解调拆成多个模块，参数和接口一多，仿真与算法对比就容易「各写一套」。若还要在瑞利衰落、WINNER II 等信道下扫信噪比并导出训练数据，MATLAB 链路与 Python 侧网络结构还必须对齐输入维度与标签定义，否则 BER 曲线对上了，深度学习数据集却可能对不上。

本技能把任务拆成两条可验收的流水线：固定参数的 OFDM 仿真平台（QPSK、128 子载波、CP=32）与 固定拓扑的 FCN 智能接收机基准，便于复现论文式对比或作为后续更复杂模型的起点。

技能如何工作

任务一：链路仿真与数据集

• 发射端：随机 QPSK → IFFT → 加循环前缀；每帧 128 符号（可先理想信道估计）。
• 信道：AWGN、瑞利衰落（Jakes）、WINNER II；SNR 0～20 dB，步进 2 dB。
• 接收预处理：去 CP → FFT 得到频域符号。
• 样本：256 维实向量（128 路 I/Q），标签为四类 QPSK；目标规模 100,000 组，80% 训练 / 20% 测试。
• 验收：跑通仿真并绘制 BER 曲线与理论值对比。

任务二：FCN 基准训练（PyTorch）

网络结构固定：输入 256 → 隐藏层 128/64/32（ReLU）→ 输出 4（Softmax）。训练侧固定 Adam、lr 0.001、CrossEntropyLoss、batch 128、30 epochs；学习率调度可用 StepLR 或 ReduceLROnPlateau。

环境侧需 MATLAB R2021a+ 与 Communications Toolbox 做链路；Python 3.8+、PyTorch 1.10+ 及 NumPy/Matplotlib 负责训练与可视化；SciPy 可选用于 .mat 数据交换。

适用边界与注意点

• 子载波数、调制、CP 长度、帧结构与 SNR 网格在 SKILL 里是硬约束，偏离后需自行改数据维度和标签映射。
• 本阶段接收侧重「去 CP + FFT」后的频域特征分类，不等同于完整商用接收机（同步、导频设计、高级均衡等需另建模块）。
• FCN 是基准模型，在强衰落或极低 SNR 下的表现需结合 BER 与混淆矩阵解读，不宜直接当作最终系统方案。