企业官网建设流程全解析

信息论与编码这门课讲信道容量的时候，几乎所有人都在背香农公式：C = B log2(1 + SNR)。但很少有人会想，这个SNR用的是平均功率，还是峰值功率？峰值信道比（PAPR）这个看似不起眼的比值，就是在这种“被忽略”的角落里，决定了一个实际通信系统能跑到多快的速率。我最初接触它，是因为做OFDM仿真时，接收端信号出现了明显的失真，找遍同步、频偏、均衡，最后发现罪魁祸首并不是我以为的那些环节，而是发射信号本身的峰值功率比平均功率高出一大截，直接把后面的功率放大器压到了非线性区。

这篇文章就把“峰值信道比”这个概念从信息论的公式一路拆到工程实现，适合正在学信息论与编码、对OFDM或者任何多载波系统感兴趣的人。我会把概念定义、数学原理、对我实际仿真和看标准文档时踩过的坑都讲清楚，最后给出可以直接复现的测量方法和方案选型思路。

1. 峰值信道比的三个面孔：发射信号、信道增益与接收信噪比

1.1 信息论课本里的两种功率约束

翻开信息论教材，关于带限AWGN信道的容量推导，一般都从输入信号的平均功率约束出发。这个约束说的是：发射机在足够长的时间内，平均发射功率不能超过某个值P。这个假设很方便，因为高斯输入在这个约束下恰好能达到容量，于是得到了那个简洁的香农公式。

但仔细想想，真实物理世界还有一个更隐蔽的约束：瞬时功率也不能无限大。晶体管有击穿电压，功放有一个最高输出电压，天线端口的匹配网络有耐压极限。这就是峰值功率约束。信息论里对这种约束也有过经典讨论，结论是峰均约束同时存在的时候，信道容量的表达会比平均约束复杂得多，而且通常更小。只是课本为了教学的简洁性，大多只提平均约束，峰值信道比就被轻轻带过了。

1.2 工程上更常用的峰均功率比定义

在实际通信工程里，这个比值有更具体的名字：峰值平均功率比，英文是Peak-to-Average Power Ratio，一般直接用缩写PAPR。它的定义是：

PAPR = 10log10( max|x(t)|² / E[|x(t)|²] )（dB）

其中x(t)是信号的复包络，分子是信号的瞬时峰值功率，分母是长期平均功率。为什么关注这个值？因为一个信号的“动态范围”有多大，就直接决定了发射机和接收机所有模拟器件必须工作在什么样的回退点上。

单载波恒包络调制，比如GMSK，信号幅度始终不变，PAPR接近0dB。换成QPSK这种调制，由于滤波成型，幅度有少量起伏，PAPR大概在1-3dB左右。可是一旦上到OFDM这种多载波方案，PAPR轻松超过10dB。这个数量级的差别，足以让同样一块功率放大器，一种方案下效率高达40%，另一种方案下只剩个位数。

1.3 一个从平均到峰值的换算例子

举个具体的数字例子。假设某个系统的平均发射功率是23dBm（大约是200mW），PAPR是10dB。这意味着信号的瞬时峰值功率可以达到33dBm，也就是2W。为了让这个2W的峰值不产生非线性失真，功率放大器在饱和输出时至少要能输出2W以上，而且工作点要回退到远离饱和区的地方。

如果通过某种手段把PAPR降到6dB，同样23dBm的平均功率，峰值只有29dBm（约800mW）。功放的耐压负担小了近2.5倍，成本和功耗都明显下降。这个简单的换算，就是我在实验室选型时最常做的第一件事：先测自己的信号PAPR，再倒推功放指标。

2. 为什么OFDM这类多载波信号天生就“头顶高”

2.1 N个子载波叠加时发生了什么

OFDM的发射信号在时域上是一大堆复数子载波的叠加。假设有N个子载波，每个子载波携带一个复数调制符号X_k，那么时域信号就是：

x(t) = (1/√N) ∑ X_k e^(j2πkΔf t)

这里的平均功率是恒定的，等于所有子载波功率的平均。问题出在峰值上。如果某一个时刻，所有子载波的相位恰好都对齐，那么它们的复数幅度矢量会在同一方向上叠加，瞬时幅度变成单载波幅度的N倍，瞬时功率就变成N²倍，而平均功率只按N倍的规律变化。这一来一回，PAPR的理论上限就是N本身，换算成dB就是10log10(N)。

64个子载波的时候，这个理论上限大约是18dB；256个子载波就到了24dB。数值非常吓人：信号峰值的瞬时功率是平均功率的几百倍。

2.2 理论上限与统计意义下的PAPR

上面那个上限是理论上最坏的情况，也就是所有子载波的调制符号恰好同相。实际上这种概率极低，更常见的是部分子载波相位部分对齐，形成大大小小的凸起。所以工程上我们不看理论上限，看的是统计意义上的PAPR：在某个概率下，比如10⁻³，PAPR不会超过多少。

以64个子载波、QPSK调制的OFDM信号为例，统计出来的PAPR大概在11-12dB（10⁻³概率处）。这个数值低于理论上限18dB，但依然很高。很多人第一次算到这里会觉得：“只要10⁻³概率，是不是就不用担心了？”但问题是，一个OFDM符号只有几微秒，一秒内有成千上万个符号。10⁻³概率意味着每秒都可能出现几次高峰值，这足够让功放在那几微秒里进入饱和区，产生带内失真和带外辐射。

2.3 中心极限定理决定的幅度分布

为什么“凑巧”出现高峰值的概率没那么小？这要归功于中心极限定理。OFDM的N个独立子载波叠加，在N比较大时，时域信号的实部和虚部都趋近于高斯分布。高斯分布的两个正交分量组合起来，信号包络的幅度服从瑞利分布。

瑞利分布有一个很长的尾巴。也就是说，虽然信号幅度大部分时间围绕在某个典型值附近，但偶尔会冲到很远的地方。这个“偶尔”不是指数级的稀少，而是相对可观的概率密度。只要N够大，这种拖尾就一定存在，PAPR就低不下来。这也是为什么任何正经的多载波系统，都绕不开这个天然缺陷的根源。

3. 峰值信道比如何通过香农公式偷走系统容量

3.1 平均功率约束下的经典香农容量

先回到信息论最干净的结论。对于带限AWGN信道，如果只约束平均功率，容量为：

C = B log2(1 + SNR)

这里的SNR是平均信号功率除以噪声功率。在这个前提下，最优输入信号服从高斯分布。高斯信号的特点是幅度没有上限，偶尔出现很大的瞬时值，但平均功率刚好被限制住。换句话说，理论容量的下限其实是以“允许极大峰值”为代价换来的。

现实世界当然不允许无限大的瞬时功率，于是工程系统被迫在工作点设计上做妥协，而这个妥协恰好就体现在峰值信道比这个概念上。

3.2 加一个峰值约束后容量掉多少

如果给输入信号加上一个严格的最大幅度限制，那高斯输入就不再可行。香农本人早就在幅度受限信道的容量问题上做过推导，结论是：受限幅度下，最优输入分布在低信噪比时接近双极性离散分布，在高信噪比时复杂很多，但容量始终低于平均约束下的高斯容量。

更直观的换算方式是这样的：假设系统允许的峰值功率是固定的，如果PAPR比较高，那就只能降低平均功率来保证峰值不超过限制。平均SNR下降，容量自然下降。

举个例子，平均SNR为20dB（即100倍）时，理想平均约束下的频谱效率大约是6.66bit/s/Hz。如果PAPR是6dB，那么为了峰值不超限，实际平均功率只能放到峰值功率的四分之一，等效SNR降到14dB，容量就掉到4.81bit/s/Hz。容量直接损失了大约28%。这还是PAPR只到6dB的情况，换成OFDM那种10dB以上的PAPR，损失还要更夸张。

3.3 从信息论到调制编码的连锁反应

峰值信道比不仅影响信道容量，还影响调制与编码的联合设计。高阶调制比如256QAM，星座点之间的能量差异很大，最外圈点的功率是最内圈点的好几倍，信号的PAPR自然比QPSK高。编码器输出的码字映射到这些星座点上，如果星座点集合本身“不均衡”，不同码字的发射功率就差别很大，峰均比也会抬高。

这引出了编码设计里一个很有趣的维度：我们不仅要让码字之间的最小距离足够大，还需要让码字映射后的发射信号在时域上有平稳的功率包络。这两个目标有时候是矛盾的。信息论与编码课程里通常不展开这一点，但实际做系统的人都知道，一个码字集合的PAPR特性，几乎和它的纠错能力一样重要。

4. 工程链路上为“峰值”付出的三笔代价

4.1 功率放大器回退：效率在为峰值买单

功放是“峰值信道比”的第一受害者。功放有一个线性放大区和饱和区，正常工作必须待在线性区，否则信号会被压缩，产生非线性失真。为了保证信号峰值也能线性放大，平均工作点必须相对饱和点回退，回退量大概就等于PAPR的dB数。

问题在于，功放的效率曲线和回退量是直接挂钩的。理想A类功放效率最高是50%，但这个效率在接近饱和时才能达到。一旦回退10dB，实际效率常常掉到5%左右。这意味着200mW的平均输出功率，可能要从电源消耗掉4W以上，其余全部变成热量。我实测过一块用于WiFi频段的小功放，满功率输出时效率38%，回退10dB后连5%都不到。这个数据让我再也不敢忽视PAPR对功耗的影响。

4.2 ADC动态范围与接收机削波

接收机那边也没好到哪里去。模拟数字转换器（ADC）有固定的满量程电压，输入信号超过这个范围会被削波，产生量化失真以外的额外噪声。为了保证高峰值信号不削波，ADC的满量程必须覆盖信号的最高峰，同时又要保证平均功率相对于量化噪声有足够的信噪比。

一个12bit的ADC，理论动态范围约66dB。如果信号PAPR是12dB，那么平均功率必须比满量程低12dB，等于把有效量化精度用掉了12dB，实际留给信号平均功率的量化信噪比只剩54dB左右，相当于9bit的效果。这还只是ADC一个器件，后面的自动增益控制、低噪声放大器都要跟着这个动态范围去设计。

4.3 一个具体系统场景：上行为何用单载波

最典型的工程权衡例子，是LTE和5G NR的上行方案。下行方向用OFDM，因为基站不缺功放功耗，设备体积大，散热好，容忍高峰值。但上行方向，手机终端对功耗极其敏感，于是标准特意改用DFT扩展OFDM，也就是SC-FDMA，本质上是单载波传输，PAPR比OFDM低3-6dB。

这个选择直接影响手机续航。如果上行也用OFDM，终端功放的效率会低很多，同样的发射功率会消耗显著更多的电池能量。标准设计者早就明白：峰值信道比不是一个可以忽略的数学细节，而是功耗、成本和性能的十字路口。

5. 用编码手段收拾峰值：从Golay互补序列到SLM/PTS

5.1 编码思路的总纲：让峰不出现，而不是事后压制

处理PAPR有两类完全不同的思路。一类是“事后压制”，信号已经生成，峰值出现了，就用限幅、压扩、滤波等手段把峰压下去，但这种方法会引入失真或者带外辐射。另一类是“事前避免”，通过精心设计调制符号的组合，让发射信号在生成阶段就不容易出现高峰值，这就是编码辅助的PAPR抑制思路。

编码思路的核心逻辑其实很好理解：既然高峰值源于“不凑巧”的子载波相位对齐，那我就在编码阶段把这些“不凑巧”的组合直接排除掉，只允许那些功率包络平稳的序列进入发射链路。代价是编码冗余，也就是一些符号组合被禁用，信息速率相应降低。

5.2 Golay互补序列凭什么能把PAPR压到3dB附近

众多编码方案里，Golay互补序列是个经典。它有一对序列，叫互补序列对，核心性质是：两者非周期自相关函数在非零位移处相加等于零。

这个性质在频域上对应着极其均匀的功率谱包络。用在OFDM里时，将互补序列对映射到奇偶子载波，发射信号的时域包络会非常平稳，PAPR理论上有严格上限，通常可以保证在3dB以内。这就是为什么很多标准里做同步序列或者参考信号时，会倾向于用Golay互补序列来设计。

值得注意的是，Golay互补序列不仅能压PAPR，它本身还可以和某些纠错码结合。比如里德-穆勒码的某些子集可以映射成Golay序列，这样一套编码同时提供纠错能力和PAPR抑制能力，算得上“一鱼两吃”。代价是编码速率损失比较明显，所以适合要求高质量但又不需要极限吞吐的场景，比如控制信道和参考信号。

5.3 工程上更常用的方案对比

实际系统里，完全靠编码来压PAPR的场景不多，因为速率损失太贵了。更常见的是下面这几种方法。

我做对比时最大的体会是：没有免费午餐。限幅最简单，但失真最明显；SLM效果好，但边信息一旦出错，整个符号解调直接崩掉；PTS效果好，但搜索时间往往让人绝望。工程选型基本是个“用什么东西换什么东西”的统筹题。

6. 动手仿真：测量PAPR时最容易翻车的几个细节

6.1 从IFFT到CCDF曲线的最短路径

自己动手测PAPR其实很简单，用Python就能跑通。核心步骤是生成调制符号，做IFFT变成时域信号，统计每个符号的峰值功率和平均功率之比，然后画出CCDF曲线。CCDF的含义是：PAPR超过某个纵轴门限值的概率是多少。

下面是最小可用的示例逻辑，QPSK调制，64个子载波：

import numpy as np # 生成QPSK符号 N = 64 data = np.random.randint(0, 4, N) constellation = np.array([1+1j, -1+1j, -1-1j, 1-1j]) / np.sqrt(2) X = constellation[data] # IFFT得到时域信号，注意这里做了4倍过采样 oversample = 4 X_padded = np.concatenate([X[:N//2], np.zeros(N*(oversample-1)), X[N//2:]]) x = np.fft.ifft(X_padded) * np.sqrt(oversample) # 计算单个符号的PAPR power = np.abs(x)**2 papr = 10 * np.log10(np.max(power) / np.mean(power)) print(f"单个OFDM符号的PAPR: {papr:.2f} dB")

实际统计时需要循环几千上万个随机符号，把每次的PAPR都记下来，然后排序画CCDF。这里的关键是过采样：直接把64个点做IFFT，采样点太少，往往会错掉真实的峰值时刻，导致测出来的PAPR偏低。

6.2 过采样点数不够是最大的坑

这是我第一次做PAPR统计时踩过最深的坑。当时贪图省事，用的是N点IFFT，不做任何过采样，测出来64子载波QPSK的PAPR在10.5dB左右。后来把过采样倍数放到4倍，同样的条件下PAPR变成了12dB。差了一截。

原因在于连续时间的信号峰值不一定正好落在采样点上。不过采样时，IFFT输出只有N个点，这些点恰好都“错过”了峰值时刻，于是统计值偏小。正确的做法是在频域子载波之间插入若干零，再做IFFT，等效时域插值。过采样倍数至少4倍，我从实践中得到的经验是：对比不同方案之前，先统一过采样倍数再做，否则结论完全没有可比性。

6.3 统计样本数和参考归一化怎么定

还有一个容易忽略的问题是样本量。CCDF曲线尾巴上的概率和统计次数直接相关，想看到10⁻³量级，至少要跑几千个符号；想看到10⁻⁴量级，样本数要到几万。我一般至少跑50000个符号，这样曲线在10⁻³以下还比较平滑。

归一化也至关重要。统计PAPR之前，必须先把整段信号的功率归一化，让平均功率恰好为1。很多人随机生成了符号就开算，如果星座图能量没有归一化，平均功率不是1，峰值功率也不是标准意义下的数值，画出来的CCDF曲线就会整个偏移，毫无意义。每次仿真前我都会加一句断言，检查平均功率是否接近1，防止这种低级错误。

7. 选方案的判断依据与我的几条实操经验

7.1 不同场景下怎么选PAPR抑制手段

搞清楚了各种方案的特点，真正选型的时候还是要看场景。我自己的判断框架大概是这样的。

用户设备侧，比如手机、物联网模块，首要矛盾是功耗和成本，所以要从源头选择低PAPR的波形，这就是为什么上行用SC-FDMA而不是OFDM。基站侧不缺功耗，但要保证每时隙的频谱效率，所以可以接受SLM或PTS这种计算密集的方案，只要边信息链路可靠。广播信号或者参考信号，可以用Golay互补序列这样的编码方案，因为速率损失对导频而言无所谓，但PAPR上限的保证很关键。

还有一个容易被忽略的场景：接收机内部测试。很多实验室打样阶段需要测接收链路，发射端如果PAPR太高，接收机ADC很容易饱和，这时候可以在实验室环境采用纯软件SLM，让测试信号PAPR降下来，把问题域从“发射PAPR”和“接收机动态范围”两个变量中隔离出来。

7.2 我踩过的坑和现在验证时的检查清单

这几年做相关仿真和实测，我总结了一个检查清单，每次对比PAPR方案前都会过一遍：

• 过采样了吗？所有待对比方案是否使用同样的过采样倍数？
• 信号平均功率归一化了吗？
• CCDF的统计样本量足够吗？曲线尾巴是否平滑？
• 限幅类方案是否评估了滤波后的峰值回弹？EVM和带外泄漏指标是否一并记录？
• SLM或PTS的边信息有没有纳入端到端误码率统计？边信息一旦出错，整个符号的符号错误率惩罚是多少？
• 功率放大器实测时，是否用真实信号的PAPR而不是连续波功率去定义回退量？

最后一条我特别想强调。很多人在实验室用单音连续波信号标定功放的1dB压缩点，然后直接用这个指标去做OFDM系统的余量设计。这种做法会严重低估实际回退需求，因为单音信号没有PAPR，而OFDM有。每次做实验前，用信号源播放真实调制信号，再去看功放的输出频谱和输入信号频谱，你会看到那些高峰值瞬间输出频谱明显展宽，这就是非线性失真最直观的证据。

7.3 顺着这个主题还能往哪深入

如果你读完这篇还想继续挖，有几个方向值得关注。一个是预失真技术，它在功放前端建模并反向补偿非线性，其实也是在动态地管理峰值和线性区的矛盾。另一个是机器学习辅助的PAPR抑制，用神经网络生成低PAPR的发射波形，近年有不少论文。还有一个是和MIMO结合的场景，多天线发射时PAPR问题会在空间维度上进一步放大，抑制方案的设计空间也更复杂。

我自己做项目的时候有个习惯：每当看到一个新方案，先用最简单的系统模型跑一遍PAPR统计，再对比两个指标，一个是CCDF曲线，另一个是接收端解调后的EVM。这两个指标一个管“信号有多容易被发射”，一个管“接收端看到什么质量”，把它们放在一起看，大多数方案的优劣一眼就能分出来。

最后再分享一个小技巧。如果你手上的系统已经定了型，不方便改波形，可以试试调整导频位置和功率分配。导频占了部分能量，如果导频子载波和其他数据子载波在某些符号里碰巧形成同相叠加，PAPR会有明显尖峰。我遇到过一种情况：把导频数据乘以一个固定的随机相序之后，系统整体PAPR降了1.5dB，代价却几乎为零。这种“小操作大收益”往往是最容易被低估的思路。