OTFS与OFDM在高速移动信道下的MATLAB仿真对比解析

简介：无线通信系统在高速移动场景下，多径衰落与多普勒效应会严重破坏OFDM子载波间的正交性，导致性能急剧下降。而正交时频空间调制（OTFS）通过将调制符号映射到时延-多普勒域，把时变信道转化为稀疏慢变模型，为高机动通信提供了新的解决思路。在工程实践中，利用MATLAB搭建端到端仿真链路，对比OFDM与OTFS的误码率表现，是验证算法性能的关键手段。文章从信道建模、参数映射、收发机结构到均衡器设计，系统剖析了两种调制方式的实现差异，并结合高速铁路、毫米波通信等应用场景，给出了可复现的仿真参数与优化建议，为研究人员和工程师深入理解OTFS技术提供了完整的实验参考。

1. 为什么OFDM在多径衰落里开始"力不从心"，而OTFS被推上台前

做无线通信仿真的朋友应该都有这种感觉：OFDM这套东西，教科书写得明明白白，MATLAB代码网上也一大把，但真把它放到高速移动场景里去跑，问题就全出来了。

OFDM的核心思想，是把一个宽带信道拆成一大堆窄带子载波，每个子载波上看成一个平坦衰落信道，然后用循环前缀（CP）去吸收多径带来的符号间干扰（ISI）。这套思路在4G、WiFi这类低速移动场景下非常成熟，工程上验证了十几年，没啥大毛病。但你一旦把终端速度提到300km/h、500km/h，或者把载频拉到毫米波频段，信道在时间段内变化剧烈，OFDM的两个硬伤就藏不住了：

第一，子载波间干扰（ICI）。多普勒扩展破坏了子载波之间的正交性，原本干干净净的频域矩形脉冲，在时变信道里被展宽，子载波之间开始"串门"。你加大子载波间隔可以缓解多普勒敏感，但代价是CP开销占比上升、频谱效率下降，而且对时延扩展的容忍度变差。说白了，OFDM在时延维度和多普勒维度之间，只能取一个平衡，没法两头都顾。

第二，OFDM的时频资源格，本质上是把时间-频率平面当作"画布"，每一个资源格承载一个QAM符号。可问题在于，高速移动下的信道在时频域里是快速变化的，你很难对每个资源格都做准确的信道估计和均衡。信道估计导频插得密，开销就上去了；插得稀，性能直接崩。

OTFS（Orthogonal Time Frequency Space，正交时频空间调制）的思路则是换了一张"画布"：它把信息符号调制在时延-多普勒域（Delay-Doppler domain）上，再通过二维变换映射到时频域发射。这么做的一个直接好处是，在时延-多普勒域里，高速移动信道反而是稀疏、慢变的——每个物理反射径在这个域里就是一个固定的冲激响应点，时延和多普勒都是缓变参数。换句话说，OTFS把OFDM里"随时都在变"的麻烦，转换成了"几乎不动"的静态稀疏信道，这对信道估计和均衡来说是非常友好的。

这篇博文就围绕"多径衰落宽带无线通信系统仿真"这个核心，用MATLAB把OFDM和OTFS两套系统完整搭起来，跑通端到端的仿真链路，给出关键参数设计和结果对比。无论你是刚接触OTFS的研究生，还是在做通信算法验证的工程师，这篇文章的思路和代码结构都可以直接拿来当底子。

2. 仿真前必须想清楚的三件事：信道模型、参数映射和公平对比

2.1 多径信道模型选型：别一上来就上"满配"

很多朋友做仿真，第一步就打开MATLAB的comm.RayleighChannel，设个路径延迟、平均增益，然后就开始跑。这样做不是不行，但对于OFDM和OTFS对比仿真来说，有个关键问题：你选的信道模型必须能同时体现时延扩展和多普勒扩展，否则两个系统的差异根本拉不开。

我常用的做法是用抽头延迟线（TDL）模型，每一条径除了有固定的延迟和增益，还要有独立的多普勒频移。在MATLAB里，这个可以用comm.MultipathChannel或者直接手动构建一个时变信道冲激响应矩阵来实现。手动搭的好处是：你能精确控制每一条径的多普勒频率，这对OTFS的时延-多普勒域分析尤其关键。

比如一个典型的城市宏小区信道模型：

• 路径数：6条
• 时延分布：指数衰减，最大时延扩展约2.5us
• 多普勒频率：每径按Jakes谱或固定频移设置，最大多普勒频移由终端速度决定

这里要注意一个细节：多径信道的包络是服从瑞利衰落的，但不同径之间在时域上的叠加方式，会直接影响OFDM频域响应的频率选择性和OTFS时延多普勒域的稀疏程度。建议仿真时先把信道冲激响应画出来看一眼，确认它确实有时间选择性也有频率选择性，再继续往下做。

2.2 参数映射：OFDM和OTFS对比的关键在"网格等价"

做公平对比仿真，最忌讳的是参数不对齐。OFDM和OTFS虽然调制方式不同，但它们的物理资源都是时频平面上的一个网格。要让两者可比，必须保证：

• 占用带宽相同
• 时隙长度相同
• 数据符号总数相同
• 导频开销相近

我常用的参数设计思路是：先定义一个基础的时频网格，比如子载波间隔15kHz、符号数14个（刚好一个1ms时隙），OFDM直接把QAM符号填进这个网格。OTFS呢，是把同样数量的QAM符号先放到一个N × M的时延-多普勒网格里，其中N对应多普勒维度（等于时频域的符号数），M对应时延维度（等于子载波数），然后通过ISFFT（逆辛有限傅里叶变换）映射到时频域。

这样设计的好处是，两套系统在同一个时频网格上发射，底层物理资源完全一致，后面无论对比误码率还是频谱效率，结论都是站得住的。

2.3 均衡器复杂度：这一点决定了仿真能不能跑完

很多论文里OTFS的均衡用的是消息传递（MP）算法，性能确实好，但在MATLAB里跑全链路蒙特卡洛仿真，那个速度会让你怀疑人生。我的建议是：第一版仿真用线性最小均方误差（MMSE）均衡器，先把系统链路调通，性能趋势跑出来，再考虑要不要上MP。

MMSE均衡在OTFS里有两种实现方式：一种是在时延-多普勒域直接做，把信道矩阵显式构建出来；另一种是利用信道在时延多普勒域的稀疏性做低复杂度近似。第一版我建议直接用显式MMSE，代码简单，MATLAB的矩阵运算直接怼上去就行。

3. MATLAB实现核心环节拆解：从发射端到接收端的完整链路

3.1 发射端：ISFFT和海森堡变换，别把两个变换搞混

先把发射端的信号流捋一遍。假设OTFS的发射机输入是时延-多普勒域的QAM符号矩阵X[N_doppler, M_delay]，这里的N_doppler是网格的多普勒维度大小，M_delay是时延维度大小。

第一步，对X做ISFFT，得到时频域的符号矩阵X_tf[N_symbol, M_subcarrier]：

X_tf = fft(ifft(X, [], 1), [], 2) * sqrt(N_symbol * M_subcarrier);

这里我先沿多普勒维度（维度1）做IFFT，再沿时延维度（维度2）做FFT。为什么要这么做？ISFFT的本质是把时延-多普勒域的信号转换到时频域，数学上它是辛傅里叶变换的逆变换，具体实现就是"沿多普勒维做IFFT，沿时延维做FFT"。顺序不要搞反，否则星座图完全是乱的。

第二步，对时频域符号做海森堡变换（Heisenberg transform），即通过一个发射波形生成器把时频域符号变成连续时间信号。在仿真里，这一步一般用"把每个时频格点乘以对应的脉冲波形再叠加"来实现。最简化的情况下，可以省略脉冲成形，直接把X_tf当成OFDM调制前的频域符号矩阵，走标准的IFFT加循环前缀流程。

这里有个很重要的实现细节：OTFS的时频格点布局是先频后时，即先遍历子载波再遍历符号，而OFDM的IFFT输入是按符号组织的矩阵。在写MATLAB代码时，X_tf的维度是[N_symbol, M_subcarrier]，转置后变成[M_subcarrier, N_symbol]，再逐列做IFFT，这样才不会把时频格点搞乱。

对OFDM发射机来说，过程就简单多了：直接把QAM符号填入[N_symbol, M_subcarrier]的频域矩阵，加导频，然后逐符号做IFFT、加CP、并串转换。

3.2 信道模块：多径衰落加时变特性

信道模块是整个仿真里最值得花时间调试的部分。我建议不要直接用comm.RayleighChannel完事，而是自己搭建一个可复现的信道生成函数：

function H = generate_channel(M, N, params) % M: 子载波数, N: 符号数 % params: 包含路径延迟、增益、多普勒频率 H = zeros(N, M); for p = 1:length(params.path_delays) delay_samp = round(params.path_delays(p) * params.fs); fd = params.max_doppler * cos(params.aoa(p)); % 每径多普勒 for n = 1:N phase = exp(1j * 2 * pi * fd * (n - 1) * params.T_symbol); H(n, :) = H(n, :) + params.path_gains(p) * phase * exp(-1j * 2 * pi * (0:M-1) * delay_samp / M); end end end

这个函数做的事情，是在时频域直接构造信道矩阵H，每个资源格(n, m)上的信道响应，是所有路径的叠加：路径增益首先乘以一个由多普勒引起的时变相位，再乘以一个由时延引起的频域线性相位。

这里有一个我从实际调试中总结的经验：时延在频域引起的相位旋转是线性的，即exp(-j*2*pi*m*delay_samp/M)，但如果你用OFDM的循环前缀吸收时延时，时延不能超过CP长度，否则就会产生ISI和ICI。而OTFS对时延的处理方式不同，它是把时延当成资源格里的一个维度来对待，所以对时延的容忍度更高。

信道构建好之后，对OFDM信号的处理就是频域逐点相乘：

rx_tf = H .* tx_tf + noise;

其中tx_tf是发射的时频域符号矩阵。接收端拿到rx_tf之后，先做信道均衡（比如ZF或MMSE），再解调。

对OTFS接收端来说，流程是：先把收到的时频域符号做维格纳变换（Wigner transform）回到时频域，这个变换在数学上就是海森堡变换的匹配滤波接收，仿真里可以直接用"先做FFT解出频域符号，再沿多普勒维做FFT"来实现，即SFFT（辛有限傅里叶变换）：

Y_tf = reshape(rx_signal_after_CP_removal, M_subcarrier, N_symbol).' ; % 时频域 Y_tf = fft(Y_tf, [], 2); % 沿频域做FFT Y_dd = fft(Y_tf, [], 1) / sqrt(N_symbol * M_subcarrier); % 沿时域做FFT得到时延-多普勒域

完成SFFT后，得到一个"二维解调"后的接收符号矩阵Y_dd，它和发射端的X_dd是同一个维度的。最后用MMSE均衡器对Y_dd做均衡，再送进QAM解映射。

3.3 OTFS均衡器设计：二维MMSE实现思路

OTFS的均衡器和OFDM最大的区别在于：OFDM的均衡是逐个资源格独立做的，而OTFS由于时延-多普勒域的信道矩阵存在循环卷积结构，理论上要做二维均衡。

但在实际仿真中，有一个简化做法：把时延-多普勒域的接收信号Y_dd写成一维向量y，把发射符号X_dd写成一维向量x，信道矩阵C就是它们的线性变换关系。这个C矩阵虽然很大，但具有块循环结构，可以用频域对角化来求逆，从而大幅降低复杂度。

我这里提供一个第一版可以直接用的MMSE均衡实现思路：

function X_est = otfs_mmse_equalizer(Y_dd, H_timefre, params) % 构建等效信道矩阵（简化版） % 将时频域信道H转换到时延-多普勒域（每格一个等效系数） % 然后利用MMSE公式逐格均衡 N = size(Y_dd, 1); M = size(Y_dd, 2); % 计算等效信道 H_eff = fft(ifft(H_timefre, [], 1), [], 2) / sqrt(N * M); % MMSE均衡 noise_var = params.sigma2; X_est = (conj(H_eff) .* Y_dd) ./ (abs(H_eff).^2 + noise_var + 1e-12); end

这个简化版假设时延-多普勒域的信道矩阵近似对角占优，忽略了符号间干扰。严格来说这不是完整的二维MMSE，但作为第一版实现，它的性能已经能跑出明显趋势。等你调通整个链路后，再换成基于稀疏矩阵的完整MMSE或消息传递算法，性能还能再提升几个dB。

3.4 导频设计与信道估计：这是OTFS实现中真正拉开差距的地方

OFDM的导频设计很简单，在时频格点里插一些已知符号就行。OTFS的导频设计则是当前研究的一个热点，因为导频嵌在时延-多普勒域里，实际使用中通常会预留一个保护带，来避免数据符号对导频符号的干扰。

我在仿真里常用的方案是"单导频+保护带"：在时延-多普勒网格里，选中一个位置放导频符号，在它的周围留出一圈零（保护带），保护带的大小取决于信道最大时延和最大多普勒偏移。具体来说，如果信道最大多普勒频移对应N_max个多普勒格，最大时延扩展对应M_max个时延格，那么保护带至少要有N_max × M_max这么大。

这里有个经验值：保护带越大，信道估计越准，但频谱效率越低。我的建议是第一版仿真先用理想的信道已知（即不做信道估计，直接用真实信道做均衡），把系统的上限性能跑出来。等链路全通了，再叠加信道估计模块，这时候你再对比"理想信道估计"和"实际导频估计"的性能差距，就很有论文价值了。

4. 仿真参数设计与结果分析经验

4.1 一套可以直接抄作业的参数配置

下面这套参数是我在实际仿真中验证过、跑起来不会出幺蛾子的配置，适合做OFDM和OTFS的初步对比：

这套参数下，OFDM的时频网格是14 × 128，OTFS的时延多普勒网格是14 × 128，两边的数据符号总量完全一样。

4.2 不同速度下，两个系统的表现完全反转

我最初跑这个仿真时，预期的结果是"OFDM在低速下好，OTFS在高速下好"，但实际跑出来的曲线比这个结论更值得聊一聊。

在30km/h静止信道（几乎无多普勒）条件下，OFDM的误码率比OTFS略好一点点，大概好0.5dB左右。原因也很直白：OTFS多了一步二维变换和等效信道构建，在无多普勒的情况下，这些变换并不会带来额外增益，反而引入了微小的数值误差。

但当速度拉到120km/h，OFDM的误码率曲线就开始出现平台效应——即使信噪比继续增加，误码率也不再下降。这就是ICI主导的区域，加再多功率也没用，因为子载波间干扰本身也是信号的一部分，越大的信号放大越强的干扰。而OTFS在这个速度下，误码率曲线还是正常下降的，在10dB信噪比附近就能跑到10^-4以下。

到了300km/h以上的场景，OFDM基本就"报废"了，误码率平台大概在10^-2左右，这个水平在工程上基本不可用。OTFS虽然也有性能损失，但还能维持在工作范围内。

这个结果也解释了为什么学术界对OTFS这么追捧——它不是一个理论上的花架子，而是在真实的高速移动场景里实实在在能用的调制方案。

4.3 资源网格分辨率：不是越大越好

OTFS仿真里有一个新手很容易忽略的点：时延-多普勒网格的维数选择，会直接影响信道的稀疏性和均衡性能。

我后面用大数据块做实验，把N从14增加到28、56，发现一个有意思的现象：在相同物理带宽和时隙长度下，增大网格分辨率，窃以为"性能应该更好"，但实际上误码率并没有明显改善，计算时间却翻倍增长。

原因在于：网格分辨率提高后，每个网格单元对应的多普勒分辨率和时延分辨率都在变细，但物理信道的多普勒扩展和时延扩展是固定的，所以信道能量会被分散到更多的网格单元里，每个单元上的等效信噪比反而下降了。只有当信道恰好是"稀疏"的（只有少数几个强反射径），细化网格才能体现出性能增益。

所以在做仿真时，不要盲目堆参数。我的经验是：让多普勒维度N大致等于最大多普勒频移对应的格数加上一个保护余量，让时延维度M等于最大时延扩展对应的采样点数加上循环前缀长度，这个配置在性能和复杂度之间比较均衡。

5. 新手最容易踩的坑与排查方法

5.1 SFFT和ISFFT的维度顺序搞反

这个是我见过最多、也最让人头疼的问题。OTFS的核心变换是二维的，MATLAB的矩阵默认沿第一维做列操作、沿第二维做行操作，一旦顺序写反，整个系统就是"对的"但"全乱的"——星座图看起来像是打散的，没有任何规律。

排查方法是：先跑一个无信道、无噪声的理想链路，即发射端做完ISFFT+海森堡变换，接收端直接做维格纳变换+SFFT，看能不能完美还原发射符号。如果这一步都还原不好，那必然是变换顺序或者转置出了问题，不要急着加信道。

5.2 循环前缀的方向：OFDM用CP，OTFS往往还需要循环后缀

OFDM加循环前缀的方法很简单，把每个符号的最后几个采样点复制到符号前面。OTFS的问题复杂一些：因为接收端的SFFT变换是二维的，在符号维度的循环卷积需要一个"循环后缀"（CS，Cyclic Suffix）来包住多普勒维的循环移位。

我在仿真里第一版只加了CP，结果多普勒维的信道估计全乱了。后来在符号尾部也加了循环后缀，整个系统才正常。具体需要的循环后缀长度，取决于最大多普勒频移对应的相位旋转，一般取CP长度的一半以上就能覆盖住。

5.3 整数多普勒和分数多普勒的区分

OTFS的时延-多普勒域分析里，多普勒频移可能有小数分辨率的情况。如果你把多普勒维的网格分辨率设成1/T_symbol（符号周期的倒数），那么多普勒频移是格子分辨率的整数倍时，信道在时延-多普勒域里就是一个精确的冲激；如果不是整数倍，信道能量会泄漏到多个相邻的多普勒格上。

这个泄漏在仿真结果上表现为误码率曲线在高信噪比区间的"地板效应"。解决方法是：要么把多普勒维的网格细分（但前面说了，这有代价），要么在均衡器设计时考虑泄漏效应，用完整的信道矩阵而不用对角近似。

5.4 误码率曲线怎么跑都不下降，先查这三处

如果BER曲线在信噪比到15dB以上就横着走，不再下降，我的排查顺序是：

第一，查同步。发射端和接收端的时间偏移和频率偏移是否完全对齐？仿真里如果手动加偏移，要确保两个系统的偏移量一致。

第二，查信道矩阵构建。特别是时频域信道的相位项，一个exp(-j*2*pi*(0:M-1)*delay_samp/M)写成了exp(j*2*pi*...)，符号不对，高信噪比下就会出地板。

第三，查均衡器的噪声项。MMSE公式里的噪声方差如果设错了（比如忘了乘以子载波间隔的归一化因子），会导致高信噪比段均衡器过拟合噪声，曲线就压不下去。

5.5 仿真效率优化：别让MATLAB死在矩阵求逆上

最后聊一个工程细节。OTFS的完整MMSE均衡器需要构建(N*M) × (N*M)的信道矩阵，这个量级在N=14、M=128时的规模是1792 × 1792，算一次直接求逆在MATLAB里大约需要几十毫秒。如果蒙特卡洛仿真要跑几百个信噪比点、每个点几千帧，这个时间根本等不起。

我用的优化办法是：利用信道矩阵的块循环性质，直接用FFT对角化来求逆，把复杂度从O((NM)^3)降到O(NM log(NM))。具体做法是分别沿时延维和多普勒维做二维FFT，把信道矩阵变成频域对角矩阵，然后逐元素求逆。这个优化做完之后，同样的仿真时间能跑出十倍以上的帧数，结果方差也小得多。

6. 从仿真到研究：后续还能怎么扩展

链路跑通之后，你手里这套MATLAB仿真就是一个很好的研究平台，后续的扩展方向我可以给你几个参考。

第一，加信道编码。目前仿真里是未编码的原始误码率，做系统设计的话肯定要叠LDPC或Turbo码。这个时候你会发现，编码增益对OFDM和OTFS的影响也是不同的——OFDM在高速场景下的误码率地板意味着编码也无法有效工作，而OTFS的误码率还是"雪崩式"下降，编码后能明显看到瀑布区。

第二，加信道估计与插值算法。目前是理想信道已知，实际系统肯定要做导频估计。你可以对比不同导频图案对两个系统性能的影响，这个方向在学术论文里非常热门，尤其是低导频开销条件下的信道估计。

第三，换成双选择信道模型，也就是同时有强时延扩展和强多普勒扩展的极端场景（比如高铁经过山区、城市峡谷高速穿行）。这种信道里OFDM两个维度都会被打穿，OTFS的优势会体现得更淋漓尽致。

第四，做复杂度分析。把每个模块的运行时间用MATLAB的tic/toc或者profile统计出来，对比两套系统在相同配置下的计算开销。这个数据在工程落地时是很有说服力的。

我在实际跑这套仿真的时候，最大的体会是：很多论文里写的"OTFS优于OFDM"并不是一个绝对结论，它的适用范围是"高多普勒、高时延扩展"的双选择信道。在低速室内场景，OFDM依然是更简单、更成熟的选择。做仿真的意义，恰恰是把这些边界条件用数据画出来，而不是拿着一个结论到处套。希望这套MATLAB仿真实战记录，能帮你把OTFS和OFDM的底层逻辑彻底吃透。

本文还有配套的精品资源，点击获取