1.算法运行效果图预览
2.算法运行软件版本
matlab2022a
3.算法理论概述
QPSK（Quadrature Phase Shift Keying）是一种常见的数字调制方式，通过载波的四种相位状态来传输两比特信息。在接收端，准确解调出原始数据成为关键任务。传统的方法如相干解调虽有效但对同步要求较高，而基于BP（Back Propagation）神经网络的解调算法提供了一种自适应、非线性处理手段，尤其适用于复杂信道条件下的解调。
QPSK信号在经过信道传输后，会受到噪声干扰、多径效应等影响，导致星座点偏移或失真，增加了传统解调方法的误码率。BP神经网络以其强大的非线性拟合能力和自适应学习能力，能够学习并补偿这些失真，从而实现更稳健的解调。
假设接收到的QPSK信号为s(t)，经过匹配滤波器后得到基带信号r(t)，通过采样得到离散信号{r[n]}，作为BP神经网络的输入。网络的输出层设计为四个神经元，分别对应QPSK的四种相位状态，输出概率最大的神经元所对应的相位即为解调结果。
设输入层节点数为NI，隐藏层节点数为NH，输出层节点数为NO=4（对应QPSK的四个相位）。网络权重矩阵分别为W(1)（输入到隐藏层）和W(2)（隐藏层到输出层），偏置向量为b(1)和b(2)。
对于输入向量x，第j个隐藏层神经元的激活值aj(1)计算如下：
利用已知的QPSK信号样本集对网络进行训练，不断迭代上述过程直至收敛。训练完成后，使用测试集验证网络性能，通过比较解调出的比特序列与原序列的差异来评估误码率(BER)。
4.部分核心程序 `for ij = 1:length(SNR)
ij
for j = 1:20
% 数据划分比例
divT = 0.05; % 训练数据占全部数据的20%
divV = 0.2; % 验证数据占全部数据的10%
% 分割训练集和验证集
SrxT = Srx(1,1:floor(divT*length(Srx)));% 训练集信号
StxT = Stx(1,1:floor(divT*length(Stx)));% 训练集期望结果
SrxV = Srx(1 ,floor(divT*length(Srx))+1:floor((divT+divV)*length(Srx)));% 验证集信号
StxV = Stx(1 ,floor(divT*length(Stx))+1:floor((divT+divV)*length(Stx)));% 验证集期望结果
%为每个神经网络寻找最佳超参数组合
[accuracy,yfit] = func_ANN_qpsk(Si, Sh, Nlabel, lambda, IQmap, SrxT, StxT, SrxV, StxV);
err(ij,j)=1-accuracy/100;
end
end
% 调用函数绘制星座图，展示数据的10%
func_constellation(Srx,Stx,0.5)
figure;
semilogy(SNR,mean(err,2),'b-o');
grid on
xlabel('SNR');
ylabel('误码率');
legend('QPSK误码率');
figure
plot(yfit,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
xlabel('训练迭代次数');
ylabel('神经网络训练曲线');`
