企业官网建设流程全解析

在信息论与编码这个系列里，最容易让人“卡在理论和工程之间”的指标，就是标题里说的峰值信道比。它更常见的名字叫 PAPR（Peak-to-Average Power Ratio），中文规范说法叫峰值平均功率比，也有不少人直接叫峰均比。简单说，它回答一个问题：一个已调信号，瞬时功率最高点比平均功率高了多少倍。这个问题在教科书里很少被认真讨论，但在真实发射机上，它几乎决定了射频功放能不能正常干活。

我之前在一个 OFDM 收发链路的 Demo 上折腾过很长时间，一开始只盯着误码率、频谱效率这些“论文指标”，后来被发射机输出信号的相邻信道泄漏和功放效率反复教育，才真正把 PAPR 当回事。它不是什么高不可攀的数学工具，而是从功率放大器非线性里长出来的信道输入约束。信息论喜欢讨论平均功率约束下的信道容量，射频器件却只认瞬时峰值。两者之间如果没有一座桥，系统设计就会在论文里运行良好、在实验室里冒烟。

这篇文章适合三类人看：一是学信息论与编码，想知道定理和实际波形之间差在哪的人；二是做 OFDM 收发链路、被发射机 EVM 和相邻信道泄漏指标逼疯的工程师；三是刚接触无线通信物理层，想弄明白为什么发端总要加一堆降峰均比算法的同学。我会把概念、数学定义、信息论层面的代价，以及几种常见降 PAPR 方案的实测经验一次性讲透。

1. 峰值信道比到底是什么：从比特到射频前的最后一米

1.1 编码器输出的是比特，功放看到的是包络

很多资料把 PAPR 当成纯粹的射频指标来讲，这是对的，但也很容易忽略一个事实：它从数字基带就埋下伏笔。

发射链路前面一大串操作——信源编码、信道编码、交织、星座映射——最终都会变成一串复数符号。等这些符号进入 OFDM 调制器，经过 IFFT 变成时域波形之后，射频前端看到的就不再是“0 和 1”，而是一条随时间起伏的包络。这条包络的瞬时幅度到底能冲到多高，完全取决于前面那些符号在频域里是怎么组合的。

OFDM 的本质是把高速数据流拆成 N 路低速子载波并行发送。每一路子载波有自己的幅度和相位，在频域上互不干扰，但在时域上，它们只是 N 个复数正弦波的叠加。只要有一瞬间这 N 个正弦波的相位恰好对齐，叠加出来的瞬时幅度就会接近 N 倍单个子载波幅度。相位完全对齐的概率很低，但低概率事件在足够多的 OFDM 符号里一定会出现。系统设计时不能赌“概率低就不管”，因为功放一旦碰到这个尖峰，输出就会被削平或者产生严重非线性失真。

所以 PAPR 不是某个模块的问题，而是整个链路设计需要共同面对的约束。信道编码决定了频域符号的统计特性，映射方式决定了星座点的幅度分布，IFFT 决定了时域波形是否容易冒尖。换个说法：只要你在做多载波传输，PAPR 就天然存在。

1.2 PAPR的数学定义与10log10那一下

PAPR 的定义非常直白。对一个长度为 N 的 OFDM 符号，时域采样序列记为 x[n]，那么平均功率是所有采样点功率的平均值，峰值功率是所有采样点功率的最大值。比值就是：

PAPR = max |x[n]|² / E[|x[n]|²]

也就是峰值功率除以平均功率，最后习惯用 dB 表示：10log10(PAPR)。如果把 PAPR 开根号，就得到另一个常用指标 Crest Factor（峰值系数），它说的幅度意义上的峰值。

为了让你对数值有直观感觉，可以做一个最粗糙的边界估算。假设每个子载波幅度都是 1，如果某个时刻所有子载波恰好同相，时域峰值幅度就是 N，峰值功率是 N²，平均功率是 N（N 路子载波各贡献 1 份功率），于是 PAPR = N，换算成 dB 就是 10log10(N)。64 个子载波的系统，理论上最极端 PAPR 是 18dB；1024 个子载波能到 30dB。真实 OFDM 符号不会这么疯，因为所有子载波同时同相的概率接近零，但即便按统计分布看，64 个子载波时 PAPR 超过某门限的概率也不能忽略。

另一个容易踩的坑是：数字域算出来的 PAPR 只是采样点上的 PAPR，而真实模拟波形在两个采样点之间可能还有更高的尖峰。所以工程测量和仿真时，通常要对时域信号做至少 4 倍过采样，否则测出来的 PAPR 会偏乐观。这个细节后面单独说。

1.3 为什么OFDM天生就容易“冒尖”

很多人会问：单载波系统是不是就没有 PAPR 问题？答案没有那么绝对。理想恒包络调制，比如理想方波脉冲下的 QPSK，包络恒定，PAPR 接近 0dB。但一旦加入脉冲成型滤波，单载波信号也会有包络起伏，只是起伏通常很小。OFDM 不一样，它由大量独立子载波叠加，时域信号幅度分布会趋近高斯分布。

高斯的含义是什么？绝大多数时间信号幅度都不大，但尾巴很长。也就是说，偶尔会出现一个很大的瞬时幅度。这就是 OFDM 高 PAPR 的根本原因——不是某个星座点设计得不好，而是统计上必然出现的“长尾效应”。生活化类比：一个班考试，单科成绩均匀分布时，最高分不会比平均分高太多；如果是很多门独立科目叠加成总分，总分的分布就会接近正态，偶尔出现一个所有科目都发挥极好的学生，这个极端值会比平均分高出很多。OFDM 的每路子载波就是一门“科目”。

从编码角度来看，这也解释了为什么“随机产生的 OFDM 频域符号”会带来高峰均比，而某些精心构造的码字却能天然压低峰均比。信息论告诉我们，随机性帮助逼近信道容量；工程却要约束随机性，避免产生极端波形。两者之间的取舍，是后面所有降 PAPR 技术的核心。

2. 信息论怎么看峰值信道比：平均功率约束之外的事

2.1 教材里的容量公式，悄悄绕过了峰值约束

经典高斯信道容量公式里，约束条件写的是平均功率不超过 P。香农把发射机建模成一个“平均功率受限”的信源，然后推导出容量。这个建模非常优雅，因为平均功率约束下，高斯输入本身就是最优的，容量表达式也简洁。

但回到真实发射机，功率放大器不是看平均功率工作的。它有一个最大瞬时输出电压，超过这个值，输出就不再线性。更准确地说，功放有一个“饱和点”，信号瞬时功率靠近甚至超过饱和点时，增益压缩、相位失真、带外泄漏全部涌出来。为了让信号始终工作在近似线性区，发射机必须把平均功率往下压，留出足够的“回退”空间。

很多学信息论的同学第一次看这个差距时会觉得别扭：为什么定理用平均功率，工程却用峰值功率？原因并不复杂。香农的容量讨论的是“信息论意义下的可达速率”，它假设理想线性信道；而射频功放是物理器件，物理器件的非线性决定了瞬时峰值才是硬约束。平均功率约束是数学简化，峰值功率约束才是物理现实。

信息论当然也研究过峰值约束。在平均功率约束和峰值幅度约束同时存在时，高斯信道容量没有简洁的闭式解，最优输入分布会偏离高斯分布，甚至在一些条件下变成离散分布。这不是理论没做到，而是结论本身就预示着：工程上为压制 PAPR 做的各种努力，本质是在寻找一种“近似满足峰值约束、又尽量不损失容量”的信号设计。

2.2 加了峰值约束之后，容量问题的画风就变了

讨论平均功率约束时，输入信号可以看成一个连续高斯随机变量，数学分析顺滑。一旦加上峰值幅度约束，允许的输入集合变成一个“截断”空间。最优输入分布不再连续，容量上界和可达速率的关系需要更精细地讨论。对工程实践来说，更重要的是另一个方向：实际波形如果 PAPR 太高，系统会怎么损失？

最直接的损失是平均发射功率下降。假设功放饱和输出功率固定为 P_sat，信号 PAPR 为 γ（线性值），为了不削波，平均输出功率最多只能做到 P_sat / γ。也就是说，PAPR 越高，实际能辐射出去的平均功率越低。接收端的信噪比直接跟着掉。这个损失不是猜想，而是功率回退带来的必然结果。

用 dB 算更直观。PAPR 从 7dB 增到 10dB，意味着同样的饱和功放下，平均功率要在已有回退基础上再多压 3dB。3dB 是什么概念？在误码率曲线上往往能换来一个数量级的性能变化。基站侧还可以靠更大功率功放硬扛，手机侧呢？功放面积、功耗、散热的限制都很苛刻，所以终端侧对 PAPR 尤其敏感。

换个角度来看，PAPR 本质上是对“平均功率容量公式”的一种修正项。容量公式里的 P，不是功放饱和功率 P_sat，而是“能保证线性度的那部分功率”。把 P_sat 减去 PAPR 的回退量，得到真正能用于传输的 P_eff，此时的 SNR 才是系统能实际拿到的 SNR。这套视角能很好地统一信息论和射频工程：信道容量要的是平均功率，物理层要的是峰值约束，最终能用的平均功率由两者共同决定。

2.3 高PAPR的真实代价：把平均发射功率压回好几dB

我经常用一个简化公式估算功率损失：平均功率回退量 ≈ PAPR + 额外线性度余量。其中额外线性度余量取决于功放的非线性程度和系统对 EVM、相邻信道泄漏的要求。PAPR 本身已经足够让人头疼，再加上功放的非线性，系统设计时给的功率回退往往比 PAPR 还大几个 dB。

这在链路预算里非常致命。比如某 OFDM 符号的统计 PAPR 是 10dB，功放饱和功率是 30dBm，那么理想情况下平均输出功率最多 20dBm。如果接收灵敏度要求 10dB SNR，带宽资源也固定，那链路能拉多远就基本被这个 20dBm 锁死了。你当然可以换更贵的功放，但通信系统是量产设备，成本敏感。所以每一分 PAPR 优化，最后都直接转化为发射功率效率、覆盖范围或者硬件成本的收益。

这也解释了为什么降 PAPR 技术在现代通信里这么重要。它不是“锦上添花的数字信号处理”，而是能实实在在改变系统经济性的关键技术。信息论给了我们容量上限，射频给了我们硬件上限，PAPR 优化就是在这两个上限之间寻找更有利的工作点。

3. 降PAPR实操：削波、SLM、PTS和编码方案怎么选

3.1 削波滤波：最直接，但别把EVM搭进去

降 PAPR 的第一反应基本是削波：把时域信号幅度超过设定门限的部分直接压到门限，相位保留。门限越低，PAPR 降得越狠，但削掉的幅度变成了失真，接收端看到的星座点会“散开”，EVM 恶化，误码率上升。削波还会在频域产生带外泄漏，也就是相邻信道干扰。

所以单纯削波不够，后面一般跟一个滤波。工程上常用“迭代削波滤波”：削波→频域滤波→再削波→再滤波，循环两三次。每一次滤波会把削波产生的带外分量压回去，但滤波本身会让时域波形出现“峰再生”，所以需要反复迭代。实际测试中，迭代两到三次后增益就饱和了，继续增加只会白白增加延迟和计算量。

削波阈值怎么定？不能拍脑袋。我的做法是：先统计未处理信号的 PAPR CCDF 曲线，找到目标工作点（比如 0.1% 概率对应的 PAPR 是 11.5dB），然后选一个削波门限，把曲线的这个概率点压到系统允许的 PAPR 目标，再仿真 EVM 是否满足星座模板。实测下来，如果 EVM 预算是 3%，削波门限可以设得比较激进；如果系统对误码率要求极高，门限就要放宽，或者换用更温和的方案。

3.2 SLM和PTS：用冗余换概率，适合信号处理跑

削波是“伤害式”的，SLM（选择映射）和 PTS（部分传输序列）则是“回避式”的。思想都一样：同一个数据符号先用多种方式“变一下相位/组合”，生成多个候选时域波形，选 PAPR 最小的那个发出去。接收端只要知道发端用了哪种变换，就能还原数据。

SLM 的做法很直接。生成 U 组相位序列，每组长度等于子载波数 N。频域符号 X 与每一组相位序列逐点相乘，得到 U 个备选频域符号，分别 IFFT，挑 PAPR 最低的那路发。代价是计算量乘 U，并且必须告诉接收端“我选的是哪一组”。边信息量大约是 log2(U) 比特。U=16 时，常见的 OFDM 系统能把 PAPR 降 2~3dB，效果明显。

PTS 更讲究一些。它把 N 个子载波分成 V 个连续块，每块分别做 IFFT，再把每个块乘一个旋转相位后相加。相位组合是有限集合（通常取 {±1} 或 {±1, ±j}），搜索所有组合找最小 PAPR。V=8、二进制相位时，组合数是 2^(V-1)=128，搜索量不大。但 V 增大到 16 后，组合数会爆炸到 3 万多，直接遍历就慢了。工程上常用两阶段搜索或限制候选集，在性能和复杂度之间折中。

这两个方案最大的问题是：需要额外的边信息开销。边信息一旦传错，整个 OFDM 符号都解错，比削波带来的平滑失真更致命。实际系统中，要么给边信息加信道编码，要么做“无显式边信息”的盲检测，但这会进一步增加接收端复杂度。所以我个人习惯是：如果系统里已经有很强的信道编码，边信息可以用编码保护；如果没有，优先考虑下面这类编码域方案。

3.3 编码域方案：Golay互补序列与RM码

从信息论与编码的角度看，降 PAPR 还可以直接在码字空间做文章。核心思想是：不是随便什么码字都允许发送，而是只发送那些“时域叠加后不容易冒尖”的码字。

最有名的一族是 Golay 互补序列（Golay Complementary Sequence）。两个长度相同的序列 a 和 b，如果它们的非周期自相关函数在任意非零时延处相加等于零，就构成一对 Golay 互补对。这个性质反映到时域包络上，会让对应 OFDM 符号的 PAPR 有严格上界，通常可以做到不超过 3dB。

更妙的是，Golay 互补序列和编码理论有明确联系。里德-穆勒码（Reed-Muller code）的一部分码字正好可以映射成 Golay 互补序列。也就是说，你可以在做信道编码的同时，把“低 PAPR”作为码本筛选条件，一个环节同时拿到编码增益和 PAPR 约束，不需要额外边信息。接收端只需要做正常译码，因为码字集合是收发双方都已知的。

这类方案的缺点是码率损失。为了凑出低 PAPR 的码字空间，原始信息比特到星座符号的映射效率会下降。具体降多少取决于子载波数、调制阶数和编码约束。实际系统通常不会只靠编码域方案，而是把编码域约束和 SLM/PTS 这类信号处理方案组合使用，各取所长。

3.4 实测对比表：先定目标再看方案

我在一个 64 子载波、QPSK 调制、符号数 1 万个的仿真模型里做过一组简单对比。初始统计 PAPR（0.1% 概率点）大约是 11.8dB。几种方案的典型结果如下：

这个表不是让你直接抄，而是说方案选择高度依赖系统约束。如果 EVM 预算很紧，但计算资源够，SLM 或 PTS 更稳；如果系统本来就要用强信道编码，那就优先看看编码域有没有低 PAPR 的码本结构；如果是低成本物联网设备，削波滤波是最便宜的方案，只要把门限和迭代次数调好，依然能过认证测试。

切记：降 PAPR 不是越低越好。把 PAPR 压到 3dB 以下，往往要牺牲码率或容忍明显失真，最终可能在接收端把损失的性能又还回去。工程目标永远是“在满足发射模板和 EVM 的前提下，尽量提高平均功率效率”。

4. 常见问题与排查技巧实录

4.1 为什么测出来PAPR和仿真对不上：过采样、窗函数和CCDF样本量

很多人第一次做 PAPR 仿真时会遇到一个问题：代码里把 OFDM 符号做 IFFT，然后算 PAPR，结果比论文里的 CCDF 曲线低很多。这不是算法错了，而是采样率不够。

IFFT 直接输出的采样点只在原始符号速率上，瞬时峰值可能刚好落在两个采样点中间，数字域根本采不到。正确做法是对频域符号做零填充后再 IFFT，相当于在时域做插值，通常要 4 倍以上过采样。过采样后的 CCDF 曲线会比不过采样时往右移，也就是 PAPR 偏高，但这才是更接近真实模拟波形的结果。

另一个常见原因是窗函数。OFDM 符号为了提高频谱效率，经常会加窗或做符号边缘的循环前缀成型。加窗会在时域上展宽或平滑边缘，如果处理不当，会让统计出来的 PAPR 发生偏移。仿真时要把实际发射链路里的窗函数也建模进去，否则仿真值和示波器测到的值永远对不上。

最后是样本量。PAPR 本来就是统计量，单个 OFDM 符号的 PAPR 没有多大意义。画 CCDF 曲线至少用 1e5 个符号，目标概率点越低，需要的样本越多。不然你在 1e-4 概率点上看到的曲线全是毛刺，根本没法判断方案好坏。

4.2 降PAPR之后误码率反而变差，到底哪里出了问题

这是最典型的事故现场。SVM/SNR 看着挺好，PAPR 也确实降下来了，但误码率曲线比预期差一截。通常跑不出下面几个原因。

第一，削波产生了带内噪声，EVM 恶化但没有立刻体现在“平均 SNR”上。如果你用 EVM 近似等效 SNR，会发现自己高估了系统性能。削波引起的失真不是高斯噪声，它和信号本身相关，不能简单当成白噪声处理。要严格验证，就得看星座图上的聚类是否出现径向压缩和散斑。

第二，SLM/PTS 的边信息出错了。边信息本身没有保护时，在信道里翻转一位，接收端用了错误的相位去旋转，整个符号全部错乱。这种错误不会像普通误码那样平滑地随信道变化，而是突然出现“错误地板”。排查时先看边信息译码是否可靠，如果有问题，优先给边信息加保护。

第三，PTS 的相位搜索只以 PAPR 为目标，没有考虑发射信号频谱。某些相位组合把 PAPR 压得很低，但频谱旁瓣再生严重，接收端滤波后信噪比恶化。这时要做的不只是看 PAPR，还要看滤波后的频谱和 EVM。降 PAPR 方案要和发射滤波器联合优化，不能分头调。

4.3 几分钟定位问题的速查表

排查的顺序我建议固定：先确认仿真模型和实际链路一致，再看统计量是否可信，然后看 EVM、频谱、误码率三件套，最后才动算法参数。很多人一上来就换算法，结果把真正的问题掩盖了。

5. 几次调链路之后，我想留一句经验

PAPR 这个指标很特别，它不写在香农容量公式里，却无时无刻不在限制容量公式里的那个 P 到底能用多少。我做了几轮 OFDM 链路调试后最大的体会是：不要把 PAPR 当成一个孤立数字去“追低”，而是要把平均功率回退量、EVM、频谱泄漏、码率损失放在同一张表里权衡。

一个小技巧是，每次改完降 PAPR 方案，先别急着看曲线好不好看，把“发射功率回退 + 接收端等效信噪比损失”合并成一个总预算。比如削波把 PAPR 从 11dB 降到 8dB，但如果 EVM 代价等效成 1.5dB SNR 损失，那实际收益只有 1.5dB；而 SLM 如果只降 2dB 但 EVM 几乎不动，收益反而更大。这种“总预算”思维，比单独比较 PAPR 数字要实用很多。

如果不确定从哪开始，我的建议是先做一个 4 倍过采样的 CCDF 统计，把自己系统真实的初始 PAPR 搞清楚，再决定要不要上编码域方案，还是削波滤波就能满足模板。绝大多数系统里，方案混搭比单靠某一种更划算。希望这篇信息论与编码篇的峰值信道比总结，能让你少走几个 IFFT 之后的弯路。