简介：围绕MATLAB平台实现的判决反馈均衡器，这份资料包面向通信原理、数字通信课程设计及毕业设计阶段的学习者，重点解决多径衰落与符号间干扰下的均衡仿真问题。内容覆盖信道模型建立、基于MMSE或ZF准则的前向均衡器设计、硬判决与软判决、反馈滤波器系数计算、迭代更新以及误码率性能评估，并提供图形化交互模块与多组结果图，便于对照观察均衡前后的星座、冲激响应和误差收敛过程。压缩包共76个文件，以47个m脚本为主体，辅以eps结果图、C源码、MEX编译文件、h头文件及mat数据，整体约375KB，结构紧凑，便于按模块检索。已有1797人学习，适合希望从理论推导走向MATLAB实现，并通过调试代码理解判决反馈如何抑制残余ISI的读者。

1. 判决反馈均衡器：为什么多了一条回路的滤波器反而更抗噪声

线性均衡器想把信道直接倒过来，可信道在某些频点上接近零，倒数就是个巨大的数，噪声被一起放大，这是它解决不了的下限。判决反馈均衡器（DFE）换了个思路：前面已经判出来的符号就当成已知量，用它减掉后面符号拖出来的尾巴，前馈部分不必再逼近信道的严格逆，噪声放大自然小了一截。代价同样明确：判决一旦出错，这个错误会顺着反馈支路喂回去，变成一连串连错。这条“用判决换噪声”的取舍，是后面所有抽头数、步长和训练序列设计的出发点。

2. 前馈与反馈的分工：DFE 到底在消除什么

2.1 从卷积信道到符号间干扰：先把问题写成能算的式子

发送符号序列 a(k) 经过一条多径信道，接收端看到的是卷积结果：

r(k) = Σ h(i)·a(k-i) + n(k), i = 0 … L-1

只要 h 不止一个抽头，第 k 个符号的采样点上就会叠着前面几个符号的残留，这就是符号间干扰（ISI）。举个具体例子，h = [0.35, 1, -0.25, 0.12]，主径在第二个抽头，前面那个 0.35 是前导干扰（precursor），后面 -0.25 和 0.12 是拖尾干扰（postcursor）。

线性均衡器对付它的办法是求逆：W(z) = 1/H(z)。问题在于这个逆的代价。噪声经过 W 之后的功率是 σ²·(1/2π)∫1/|H(e^{jω})|²dω，只要 H 在某个频点接近零，这个积分就会急剧增大。换句话说，信道越“难均衡”，线性均衡器把噪声抬得越高，误码率曲线出现地板，怎么加发射功率都下不去。这是理解 DFE 动机的第一个锚点。

2.2 前馈只负责“收拢”，反馈负责“剪尾”

DFE 的输出写成两个滤波器的差：

y(k) = Σ_{i=0}^{Nf-1} w_i·r(k-i) − Σ_{j=1}^{Nb} b_j·â(k-j)

前馈支路 w 作用在接收采样上，反馈支路 b 作用在已经判决出来的历史符号 â 上。关键在于反馈支路的输入是“干净的”离散符号，不是含噪采样，所以它减掉拖尾干扰时不会引入任何噪声。

常见的实现思路是把信道做因果/反因果分解。信道的 postcursor 部分（z 负幂次那一半）是一个因果、最小相位的响应，反馈滤波器只要把这段响应的系数抄过来，就能把拖尾项精确抵消；剩下的 precursor 部分是非因果的，靠前馈滤波器的延迟线去逼近。于是均衡后的信号近似变成 a(k) 加上一点残余噪声，后面那段尾巴被反馈回路整体剪掉了。

这就是 DFE 相对线性均衡器的根本差别：前馈滤波器不需要把信道完全倒过来，它只要把能量收拢到判决点上、把噪声压住，剩下的工作交给反馈。信道的频谱零点越深，这个差别越大——线性均衡器的噪声放大趋于无穷，DFE 的等效信噪比只损失一个可以算出来的常数。

2.3 判决误差传播：反馈回路带来的隐性代价

反馈支路的输入是 â 而不是 a，一旦第 k 个符号判错，这个错误符号会以 b₁ 的权重出现在 y(k+1) 里。如果 b₁ 的量级是 0.8，那么下一个符号的判决点直接偏了 1.6（错误符号与正确符号相差 2，乘以 0.8），几乎必然跟着判错，再往下继续传，形成一段突发错误。

误差传播的严重程度和反馈抽头的能量强相关。工程上有几种压制手段：一是让前馈滤波器多承担一些后cursor 的整形，使 |b₁| 尽量小；二是在判决引导阶段把步长降下来，避免一次错判把系数带偏；三是把反馈搬到发射端做预编码，接收端就不需要反馈回路了；四是外层加信道编码和交织，把突发错误打散成随机错误。理解这几点，才能看懂后面调参时那些“看着没道理”的经验值。

3. 用最小均方误差推一遍：系数是怎么收敛的

3.1 误差信号的两种定义与切换时刻

DFE 有两个工作阶段。训练阶段发送端发送已知序列，误差用真值算：

e(k) = a(k) − y(k)

训练结束后进入判决引导阶段，接收端没有真值，只能用判决结果代替：

e(k) = â(k) − y(k) = sign(y(k)) − y(k)

注意这个误差信号在 |y| > 1 时等于 ±1 − y，本质上是在把输出往最近的星座点上推。切换时刻很关键：切早了系数还没收敛，判决大面积出错，反馈回路会把错误放大；切晚了浪费频谱效率。工程上的经验值是训练序列长度取抽头总数的 5 到 10 倍，再留一段过渡期观察 MSE 曲线是否已经平稳。

3.2 逐行拆开 LMS 更新式

把代价函数取成瞬时误差的平方 |e(k)|²，对它求梯度，就得到 LMS 的更新规则。这里是整个实现里最容易写错符号的地方：

% 一次完整的系数更新，注意两条支路的符号相反 y = w' * rk - b' * ak; % 均衡输出：前馈项减反馈项 e = d(k) - y; % 训练期 d 取真值，判决引导期 d 取 sign(y) w = w + mu * e * rk; % 前馈：沿输入方向修正，减小误差 b = b - mu * e * ak; % 反馈：y 里本身带负号，梯度方向相反

前馈那行是标准形式：误差为正说明输出偏小，就沿着接收采样 rk 的方向把 w 往上推。反馈那行必须取负，因为 y 的表达式里 b 前面是减号，b 增大反而让 y 变小。很多人第一次实现时两条支路写成同号，结果就是系数很快发散到无穷；这个错误我在早期调试里也犯过，表现为 MSE 曲线前几百个符号还正常，随后指数上升，最后全是 NaN。

参数含义：mu是步长，控制每次修正的幅度；rk是长度 Nf 的前馈输入向量；ak是长度 Nb 的已判决符号向量；w、b分别是前馈和反馈抽头，长度固定。

3.3 步长、收敛速度与稳态失调的三者关系

步长 μ 是唯一一个同时影响收敛速度和稳态精度的旋钮。它的稳定上界大致由输入相关矩阵的最大特征值决定，工程上常用一个粗略的上界：μ ≤ 1/(抽头总数 × 输入功率)。超过这个范围，更新量会大于误差本身，系数开始振荡。

实践中的做法是变步长：训练期用大 μ 快速拉近，判决引导期把 μ 降到原来的十分之一甚至更小，牺牲一点跟踪能力换取稳态精度。如果信道是时变的，还要保留一个不可忽略的最小步长，否则系数跟不上信道漂移。对收敛速度要求更高的场景可以换成 RLS，代价是每符号 O(N²) 的计算量，而 LMS 只有 O(N)。

4. MATLAB 里的可复现实现：从链路到误码率曲线

4.1 链路骨架：符号、信道、噪声、缓冲对齐

一个能跑出正确误码率曲线的仿真，最少要有四段：产生符号、过信道、加噪、逐符号递推。下面这段是完整骨架，可以直接运行：

%% 1) 参数与信道 N = 20000; % 总符号数 Nf = 7; Nb = 3; % 前馈 / 反馈抽头数 mu = 0.01; % LMS 步长 Ntr = 1000; % 训练符号数 EsN0_dB = 20; h = [0.35 1 -0.25 0.12]; % 一条主径加三条拖尾的等效信道 %% 2) 发送、过信道、按信道增益归一化加噪 a = 2*randi([0 1], N, 1) - 1; % BPSK 符号，功率为 1 r = filter(h, 1, a); % 卷积信道 Pn = mean(h.^2) * 10^(-EsN0_dB/10); % 噪声方差 = 信号功率 / 线性信噪比 r = r + sqrt(Pn) * randn(N, 1);

注意噪声功率的算法。很多人直接写成10^(-EsN0_dB/20)然后不加信道增益补偿，结果信噪比定义和理论曲线对不上，画出来的 BER 曲线整体平移几 dB，排查半天以为是均衡器的问题。正确做法是先算信道输出功率 mean(h.^2)（输入符号功率为 1 时），再按目标信噪比反推噪声方差。

4.2 逐符号递推：缓冲、判决、更新三件事

%% 3) DFE 主循环 w = zeros(Nf,1); b = zeros(Nb,1); ahat = zeros(N,1); y = zeros(N,1); mse = zeros(N,1); k0 = max(Nf, Nb) + 1; % 缓冲未填满的前若干个符号必须跳过 for k = k0:N rk = r(k:-1:k-Nf+1); % 前馈输入：[r(k) r(k-1) … r(k-Nf+1)] ak = ahat(k-1:-1:k-Nb); % 反馈输入：已判决的历史符号 y(k) = w' * rk - b' * ak; ahat(k) = sign(y(k)); % 硬判决，BPSK 就是取符号 if k <= Ntr e = a(k) - y(k); % 训练模式 else e = ahat(k) - y(k); % 判决引导模式 end w = w + mu * e * rk; b = b - mu * e * ak; mse(k) = e^2; end %% 4) 只统计训练期之后的误码率 err = sum(ahat(Ntr+1:end) ~= a(Ntr+1:end)) / (N - Ntr);

循环里的k0是必须的。前 Nf 个符号的前馈缓冲里塞的是零，后 Nb 个符号的反馈缓冲里也塞的是零，这些位置算出来的 y 和误差都是假的；如果从 k=1 就开始更新，等于往系数里注入了一串错误的修正量，收敛会被明显拖慢。这也是很多人第一次跑出来发现 MSE 曲线开头有一段莫名其妙的上冲的原因。

还有一处容易忽略的是对齐。filter(h,1,a)输出里主径位于第 2 个抽头，也就是说 r(k) 里最主要的成分其实是 a(k−1)。前馈抽头会自动把中心移到对应位置，但如果你在别处又手动加了一次延迟，就会让反馈支路取到错位的 â，性能直接崩掉。验证方法是训练结束后把 w 打印出来看它的峰值位置，峰值应该落在主径对应的抽头附近。

4.3 误码率曲线怎么画才算数

单点误码率意义不大，要画成信噪比扫描才有说服力。做法是把上面整段包成一个函数，外层对 EsN0_dB 从 0 扫到 20，每个点独立跑多次取平均，同时把线性均衡器的结果作为对照画在同一张图上。

两个细节决定曲线可信度。第一是错误数下限：在 10⁻⁴ 量级上，19000 个测试符号平均只有不到 2 个错误，统计涨落极大，曲线呈锯齿状；要么把符号数加到 10⁶，要么在低误码率区间用多次独立实验累加错误数。第二是随机种子：不同次运行的信道实现（如果信道带随机性）和噪声必须独立，否则曲线是同一个样本的重复。

如果画出来的 DFE 曲线在低信噪比段反而高于线性均衡器，不要急着怀疑算法，先看训练段够不够、步长是不是过大——这两个原因占了这类现象的绝大多数。

5. 常见问题排查：五个反复出现的坑

5.1 系数发散到 NaN：反馈支路符号写反

现象：MSE 曲线前几百个符号正常下降，随后指数上升，几十个符号内变成 Inf 或 NaN，误码率接近 0.5。

原因：反馈更新写成了b = b + mu*e*ak。y 的表达式里反馈项带负号，梯度方向和前馈支路相反；同号更新相当于正反馈，误差越大修正越猛，几步就冲出去了。

解决：把反馈更新改成减号，并在训练阶段把 w、b 的范数打印出来，正常情况应该先快速上升再趋于平稳。如果仍然发散，检查步长是否超过 1/((Nf+Nb)·输入功率) 这个上界。

5.2 加了均衡反而比线性均衡器更差

现象：同样的信道和信噪比，DFE 的误码率高于线性均衡器，而且加大训练长度也没用。

原因：反馈抽头数 Nb 取得比信道的拖尾长度还短，postcursor 根本没被减干净，反馈支路反而引入了一个不匹配的减项；或者前馈抽头数 Nf 太少，precursor 没有被收拢。

解决：先看信道冲激响应有几个有效抽头，Nf 至少取拖尾总长度的两倍，Nb 取后向有效抽头数。判断标准是把收敛后的 b 打印出来，理想情况下它应该接近信道后向响应的系数；如果 b 的量级明显偏离，说明结构没匹配上。

5.3 训练期收敛良好，一切到判决引导就崩

现象：训练段内 MSE 平稳下降到很低，Ntr 之后突然抬升，误码率跳上去再也下不来。

原因：训练序列太短，系数只是勉强到位；或者切换后步长没降，判决噪声被当成梯度信号持续注入，把系数越推越偏。误判一旦发生，反馈支路把它放大，形成误差传播。

解决：训练长度取抽头总数 5 到 10 倍以上；切换后把 μ 降到训练期的 1/5 到 1/10；在切换点前后各留 200 个符号观察 MSE，确认没有突跳再统计误码率。

5.4 前几个符号的判决全是错的

现象：误码率统计里如果把训练期也算进去，会发现开头一段错误密集；或者把统计起点提前，整体误码率明显偏高。

原因：前馈和反馈缓冲在起始时刻填的是零，前 Nf 个符号的 y 是用部分零输入算出来的；反馈支路里 â 全是零，等于完全没做干扰抵消。

解决：循环从k0 = max(Nf, Nb) + 1开始，并且误码率统计只算Ntr+1之后的部分。这是纯实现问题，和算法性能无关，但不处理会污染整条曲线。

5.5 BER 曲线抖动厉害、复现性差

现象：同一个信噪比点跑两次，误码率能差一个数量级；曲线在不同次运行之间跳来跳去。

原因：蒙特卡洛样本量不足。10⁻⁴ 的误码率意味着平均每 10000 个符号才错 1 个，几千个符号的统计结果基本是噪声。

解决：按目标误码率反推所需符号数，粗略取 100/目标误码率，10⁻⁴ 至少要 10⁶ 个符号；或者固定随机种子后做多次独立实验累加错误数，最后用总错误数除以总符号数。

6. 设计取舍：什么时候不该用纯 DFE

DFE 的性能优势建立在“判决基本正确”这个前提上，而这个前提在低信噪比下恰好不成立。这就带来一个不太好直说的结论：DFE 在高信噪比区间比线性均衡器好得多，在低信噪比区间可能更差，因为误差传播把偶发的误判放大成了突发错误。所以工程上很少用“纯”DFE，常见的做法是折中。

一种折中是把反馈抽头数压得很小，只抵消最近一两个符号的强拖尾，剩下的交给前馈——牺牲一点稳态性能换取误差传播的收敛。另一种是外层套信道编码加交织，把 DFE 产生的突发错误打散，让译码器能接住。还有一种是彻底把反馈搬到发射端，接收端只做前馈，代价是发射端需要知道信道状态。

验证一套 DFE 实现是否可信，我一般会按三步走：先不看误码率，只看训练段的 MSE 收敛曲线是否单调下降并趋于平台；再把收敛后的反馈系数 b 和信道后向响应逐项对比，量级应该接近；最后扫信噪比画曲线，和线性均衡器同图对照，两条曲线应该在高信噪比段明显分开、低信噪比段接近。三步里任何一步对不上，问题都在实现而不在算法。

从那以后我每次搭这类仿真，都强制先单独验证反馈支路的符号方向——用一个只有单个后向抽头的信道跑一遍，看 b 收敛到的是 +h₁ 还是 −h₁，正负号一对就全对了。这个习惯帮我省掉了大量在误码率曲线上瞎猜的时间。希望帮到你。

本文还有配套的精品资源，点击获取