m基于OFDM+QPSK和LDPC编译码以及MMSE信道估计的无线图像传输matlab仿真,输出误码率,并用图片进行测试

1.算法仿真效果

matlab2022a仿真结果如下：

2.算法涉及理论知识概要

       无线图像传输在现代通信系统中扮演着至关重要的角色。为了满足高质量、高可靠性的传输需求，研究者们不断探索各种先进的编码、调制和信道估计技术。OFDM、QPSK、LDPC和MMSE信道估计就是其中的佼佼者，它们各自在无线通信领域具有广泛的应用。

2.1 OFDM基本原理

        OFDM是一种多载波调制技术，通过将高速数据流分割成多个低速子数据流，然后在不同的子载波上进行并行传输，从而有效对抗频率选择性衰落和提高频谱效率。

2.2 QPSK（正交相移键控）

       QPSK是一种将两比特信息编码在一个载波符号上的数字调制方式，它利用四个相位点（0°，90°，180°，270°）来分别代表二进制序列“00”，“01”，“10”，“11”。

       QPSK是一种相位调制技术，它将每两个比特映射到一个具有四种可能相位的符号上。每个符号代表一个特定的相位，从而在接收端可以通过检测相位来恢复原始数据。

2.3 LDPC（低密度奇偶校验码）

       LDPC码是一种具有稀疏校验矩阵的线性分组码，能够接近香农极限的性能，常用于前向纠错（FEC）。

编码：根据预定义的LDPC校验矩阵对原始图像数据进行编码。

解码：采用 belief propagation (BP) 算法等进行迭代解码，恢复出可能的原始数据序列。

2.4 MMSE（最小均方误差）信道估计

MMSE信道估计用于估计发送端和接收端之间的无线信道特性。

2.5 整体流程

1.图像数据编码压缩；

2.数据流通过QPSK调制映射到OFDM子载波上；

3.发送端发射带有导频信号的OFDM符号；

4.接收端通过MMSE算法估计信道响应；

5.利用估计得到的信道信息对接收到的OFDM符号进行均衡处理；

6.对均衡后的信号使用LDPC解码器解码恢复原始图像数据；

7.进行解码后的图像重建显示。

       在实际应用中，上述步骤涉及大量复杂的数学推导和优化，需要结合具体应用场景和硬件条件进一步调整参数以达到最佳性能。为了深入理解，请查阅相关文献或使用支持数学公式的编辑工具查看详细的理论分析与实验结果。

3.MATLAB核心程序

        [Qpsk0,Dqpsk_pilot,symbol_bit] = func_piQPSK_mod(seridata);
        %变换为矩阵   
        Qpsk_matrix                    = reshape(Qpsk0,fftlen,Nc);
        [Pilot_in,pilot_num,Pilot_seq,pilot_space] = func_insert_pilot(Dqpsk_pilot,Qpsk_matrix,pilot_type,T,TG);
        %sub carrier mapping
        Pilot_in                       = func_subcarrierMap(Pilot_in); 
        %IFFT transform，产生OFDM信号
        ifft_out                       = ifft(Pilot_in);
        %插入包含间隔     
        Guard_int                      = ceil(BWs/fftlen);  
        Guard_int_ofdm                 = func_guard_interval_insert(ifft_out,fftlen,Guard_int);
        %将矩阵数据转换为串行进行输出
        Guard_int_ofdm_out             = reshape(Guard_int_ofdm,1,(fftlen+Guard_int)*(Nc+pilot_num));
        
       %%
        %Step1：大规模MIMO信道
        [Hm,Hmmatrix]            = func_mychannels(Radius,Scale1,Scale2,Nh,Nv);       
        %Step2：多径参数和大规模MIMO参数输入到信道模型中
        %信道采样点数，每个调制符号采一个点
        [passchan_ofdm_symbol]   = func_conv_channels(Hmmatrix,Guard_int_ofdm_out,Nmultipath,Pow_avg,delay_multi,Fre_offset,timeval,iii);
        %Step3：噪声信道 
        Rec_ofdm_symbol          = awgn(passchan_ofdm_symbol,SNR_dB(i),'measured');
        
       %%
        %开始接收
        Guard_int_remove = func_guard_interval_remove(Rec_ofdm_symbol,(fftlen+Guard_int),Guard_int,(Nc+pilot_num));
        %FFT
        fft_out          = fft(Guard_int_remove);
        %sub carrier demapping
        fft_out          = func_desubcarrierMap(fft_out);
        %信道估计
        %mmse
        [Sig_Lrmmse,Hs]  = func_mmse_est(fft_out,pilot_space,Pilot_seq,pilot_num,delay_avg/timeval,4e-6/timeval,10^(SNR_dB(i)/10));
        %解调
        Dqpsk            = func_pideMapping(Sig_Lrmmse,fftlen*Nc);
        %LDPC解码
        z_hat            = func_Dec(2*Dqpsk(1:end-(Len*Nc-length(seridata1)))-1,sigma,H,max_iter);
        Dqpsk_decode     = round(z_hat(size(G,2)+1-size(G,1):size(G,2)));
        %计算误码率
        err_num          = Len*Nc/4-length(find(msg==Dqpsk_decode(1:Len*Nc/4)));
        Error            = Error + err_num;
%误码率
figure
semilogy(SNR_dB,Err_Rate,'b-o');
grid on
xlabel('SNR');
ylabel('BER');
axis([-0.0001,10,1e-5,1]);
 
save R0.mat SNR_dB Err_Rate