1.演算法模擬效果
matlab2022a模擬結果如下（完整程式碼執行後無水印）：
2.演算法涉及理論知識概要
星座圖整形技術旨在透過最佳化星座點的佈局來改善系統的效能。這包括但不限於：
1.功率效率提升：透過非均勻分佈星座點，可以減少符號間的距離，從而在相同的平均功率下，傳輸更多資訊位元，但這也增加了對解調器的要求。
2.抗干擾能力增強：透過將星座點佈局在更有利於區分的區域，即使在存在噪聲或干擾的情況下，也能減少錯誤機率。
3.相位旋轉：某些情況下，對星座圖進行特定的旋轉可以減少某些型別的干擾影響。
隨著QAM階數的增加，資料傳輸速率得以提升，但同時也對通道質量、解調演算法複雜度以及系統整體的抗干擾能力提出了更高要求。星座圖整形是一種重要的手段，透過精心設計星座點佈局，可以在保持或提高系統效能的同時，增加資料傳輸效率。在實際應用中，選擇合適的QAM階數和最佳化星座圖設計是至關重要的，需要根據具體的通訊環境和系統需求綜合考量。
3.MATLAB核心程式
% 生成隨機位元序列
s = randi([0 1],LEN*bitsPerSym,1);
% QAM對映
Tx1 = Trainable_mapping(s,M);%*****************************************************
Pnormal = max(max(abs(Tx1)));
% 功率歸一化
Tx2 = func_power_normal(Tx1,Pnormal);
% 上取樣
Tx3 = upsample(Tx2,Fs/F_AWG);
Tx4r = func_Trainable_filter_F(real(Tx3),Fs,F_AWG);
Tx4i = func_Trainable_filter_F(imag(Tx3),Fs,F_AWG);
Tx4 = Tx4r+sqrt(-1)*Tx4i;
% 再次功率歸一化
Pnormal2 = max(max(abs(Tx4)));
Tx5 = func_power_normal(Tx4,Pnormal2);
%高斯白噪聲通道
Rx = awgn(Tx5,SNR(i),'measured');
% 下采樣
Rx2 = downsample(Rx,Fs/F_AWG);
z = func_RX_ww(Rx2,M,Pnormal2,Pnormal);% 解調
z2 = z(1:end);
err(i) = 1-length(find(s==double(z2)))/length(s)
end
figure;
plot(real(Rx2),imag(Rx2),'b.');
title('256QAM星座圖');
figure;
semilogy(SNR,err,'b-o');
grid on
xlabel('SNR');
ylabel('error');
if M==16
save R2_16.mat Rx2 SNR err
end
if M==32
save R2_32.mat Rx2 SNR err
end
if M==64
save R2_64.mat Rx2 SNR err
end
if M==256
save R2_256.mat Rx2 SNR err
end
0X_065m