OFDM信道估计：LS与DFT算法对比及Matlab仿真实现

搞无线物理层调试的人迟早会面对这样一个问题：OFDM接收机里，导频子载波上的信道响应到底是用LS硬除一下，还是先做一次IDFT到时间域，滤掉噪声再变换回来？我以前也觉得LS简单够用，直到某次链路仿真里被误码性能按在地上摩擦，才认真把基于DFT的信道估计和基于最小二乘(LS)的信道估计放在同一个仿真平台里做了对比。这次对比记录的就是原理、Matlab实现、性能曲线差异，以及调参时容易踩的坑。文章不会把通信原理从零讲起，但保证每个公式、参数和代码都能直接对应到仿真实现上，适合正在做OFDM物理层算法仿真、或者被信道估计插值问题折腾过的同学参考。

1. 为什么OFDM信道估计绕不开LS与DFT的对比

1.1 一个OFDM符号里，导频到底在做什么

OFDM系统把高速数据流分散到多个正交子载波上传输，每个子载波等效为一个窄带平坦衰落信道。接收端做完FFT之后，频域信号可以写成

Y_k = X_k * H_k + W_k

其中k是子载波索引，X_k是发送符号，H_k是信道频域响应，W_k是加性高斯白噪声。我们不知道H_k，所以要估计出整个频带上所有子载波的响应，才能对数据符号做均衡。接收机不可能在所有子载波上都放已知符号，否则频谱效率太低，于是就在部分子载波上插入已知的导频符号，用导频位置的信道响应去推测其他数据位置的信道响应。

导频图案通常有块状导频和梳状导频两种。块状导频适合频率平坦性较差的信道，但开销大；梳状导频按固定间隔放在每个OFDM符号的某些子载波上，适合信道在时间和频率方向都缓慢变化的场景。本文的比较以梳状导频为基础，这也是LS和DFT估计最常见的应用场景。从OFDM原理上说，只要导频间隔低于相干带宽，插值出来的信道响应就能满足均衡需要。LS和DFT的差异不在于导频图案，而在于拿到导频位置的初始估计之后，怎么把后续估计做得更干净。

1.2 LS和DFT在信道估计链路中的位置

LS估计是第一步，DFT估计通常以LS结果作为输入。换句话说，DFT不是在LS之外另起炉灶，而是在LS得到的导频响应基础上做一次变换域滤波。这导致很多初学者误以为是两个完全不同的估计器，实际上比较的是“LS”和“LS+DFT去噪”之间的增益。这个认知会影响后续的算法设计，所以我先把它说清楚。

具体做法是：先用LS得到导频子载波上的粗略频域响应，再对该序列做IDFT，得到等效的时域信道冲激响应，在时域保留主要能量抽头并将其他抽头置零，最后再DFT回频域。这套流程在经典文献里就叫DFT信道估计。LS的数学形式简单、无偏，但对噪声很敏感；DFT则利用信道冲激响应的能量集中性，以一定偏差为代价换取方差下降，两者本质上是最小二乘思想与最小均方误差思想之间的一种折中。由于DFT实现复杂度低，不需要信道统计信息，所以工程上很吃香，这也是为什么几乎所有OFDM信道估计的入门资料都会拿这两个算法做对比。

2. LS与DFT的数学本质：一个保留噪声，一个主动滤噪

2.1 LS估计是怎么在除法中引入噪声的

假设导频位置p发送的符号是X_p，接收频域信号是Y_p = X_p * H_p + W_p。最小二乘法就是在不考虑噪声统计特性的前提下，寻找使||Y_p - X_p * H_est||^2最小的H_est。求解结果很简单：

H_est_LS(p) = Y_p / X_p = H_p + W_p / X_p

在导频星座能量归一化（|X_p|^2 = 1）时，加性噪声项W_p / X_p的方差没有因为相除而增加，但它也完全没有被抑制。也就是说，LS估计器把每个导频子载波上的瞬时噪声都原封不动地保留了下来。如果导频恰好落在深度衰落的位置，|X_p|很小，噪声甚至会被放得很大。工程上为了避免这个问题，会让导频功率比数据符号略高，但根本问题还在。

LS估计的方差下界就是噪声功率N0，这个结论可以推广到所有导频点。如果你只做LS，然后线性插值到全频段，那么插值结果不仅继承了导频点的噪声，还会带上插值误差。我常用一个生活类比帮助记忆：LS像拿一把尺子去量一排柱子，每根柱子上都有点灰，尺子读数是多少就记录多少；DFT则像先给柱子拍一张照片，拿软件把高频抖动磨掉，再输出光滑的高度曲线。这个类比虽然不严格，但能直观解释为什么DFT可以获得比LS更平滑的信道估计。

2.2 DFT为什么能在时域把噪声滤掉

信道在时域可以看作有限数量的多径抽头，其冲激响应长度主要取决于最大时延扩展，通常远小于OFDM的有用符号长度。而DFT基向量天然把频域响应和时域响应联系在一起。将导频点上的LS估计做IDFT后，真实信道对应的能量集中在少数几个低阶抽头上，高斯白噪声则在所有抽头上均匀分布。于是把高阶抽头置零，就能在不损失太多有用信号能量的前提下，显著降低噪声方差。

需要强调，这里说的“高阶抽头”不是时间靠后的抽头，而是离散IDFT序号较大的点。由于导频子载波数是Np，做Np点IDFT后，输出序列是按Np周期延拓的等效冲激响应。真实信道的时延扩展会映射到序列的前L个点，其余点则主要是噪声和混叠。保留前L个点，本质上是在时域加了一个矩形窗。

L如何取？最稳妥的取值是OFDM循环前缀长度N_CP。因为OFDM系统的CP设计本身就要求大于最大时延扩展，只要CP不短，前N_CP个点必然覆盖真实信道能量。若实际信道能量更集中，L取小一些去噪效果更好，但取小了会把真实抽头削掉，造成偏差。另一种做法是根据信道抽头能量动态设门限，这属于DFT估计的变体，不展开。本文仿真里固定L=N_CP，能直观展示DFT去噪的基础收益。

2.3 DFT估计的边界前提：导频必须等间隔

DFT估计在数学上能够直接成立，依赖的是导频子载波在频域等间隔分布。只有等间隔采样，IDFT结果才能与物理时延形成一一对应关系。如果导频间距不等，IDFT结果就变成一种非均匀采样逆变换，简单调用ifft得到的“抽头”位置不再有明确物理含义，贸然置零会损害性能。所以在一般低复杂度接收机里，DFT信道估计通常配合等间隔梳状导频使用。这也是为什么很多通信标准中的导频图案会刻意设计成均匀间隔。

3. 用Matlab把两种估计器放进同一个OFDM链路里

3.1 仿真参数与模型假设

为了保证对比公平，我搭了一条极简OFDM链路，重点关注信道估计环节。仿真参数如下表所示。其中子载波数和CP长度参考了典型WiFi/LTE系统（非严格对应），只是为了说明方法。

为了避开同步和信道编码的干扰，仿真模型做了两点简化：一是假设定时同步和载波同步理想，不考虑频偏；二是用“频域等效信道”实现传输过程，即OFDM在加了CP且信道时延不超过CP时，接收端FFT后的频域信号满足Y = H.*X + W，因此可以直接在频域乘信道频率响应再加噪声。这个模型保留了OFDM信道估计最核心的输入输出关系，让算法对比更有针对性。如果你想在代码里把时域卷积、加CP去CP全过程也加进来，只需把这里的信道模块替换成时域卷积，不影响LS和DFT估计部分的代码。

3.2 可直接运行的Matlab代码

下面这段代码我尽量保持精简，但完整包含了导频插入、LS估计、DFT估计、均衡解调和误码率统计。运行环境是Matlab R2019b以后都行，用基础包就够。

clear; clc; close all; % ===== 1. 系统参数 ===== Nfft = 128; % FFT点数 Ncp = 16; % 循环前缀长度，也是DFT估计默认抽头保留长度 Nps = 4; % 导频间隔 Np = Nfft / Nps; % 导频子载波数 M = 4; % QPSK num_bits_sym = log2(M); Ndata = Nfft - Np; % 数据子载波数 snr_list = 0:2:30; % 仿真SNR范围 num_trials = 200; % 每个SNR下的随机帧数 % 信道冲激响应：4抽头，幅度递减，时延在CP范围内 h_channel = [1; 0.5*exp(1i*pi/4); 0.3*exp(1i*pi/7); 0.15*exp(1i*pi/9)]; H_true = fft(h_channel, Nfft); % 导频索引与导频符号（BPSK，全1） pilot_idx = 1:Nps:Nfft; pilot_seq = ones(Np, 1); % 预分配存储 mse_ls_all = zeros(num_trials, length(snr_list)); mse_dft_all = zeros(num_trials, length(snr_list)); ber_ls_all = zeros(num_trials, length(snr_list)); ber_dft_all = zeros(num_trials, length(snr_list)); % ===== 2. 蒙特卡洛循环 ===== for s = 1:length(snr_list) snr_dB = snr_list(s); N0 = 10^(-snr_dB/10); % 频域噪声方差 for trial = 1:num_trials % 发射数据比特与符号 data_bits = randi([0 1], Ndata * num_bits_sym, 1); data_sym = qammod(data_bits, M, 'gray', 'InputType', 'bit'); % 构造频域OFDM符号：导频+数据 tx_freq = zeros(Nfft, 1); tx_freq(pilot_idx) = pilot_seq; data_idx = 1:Nfft; data_idx(pilot_idx) = []; tx_freq(data_idx(1:Ndata)) = data_sym; % 频域等效信道：OFDM保护间隔足够长时成立 noise = sqrt(N0/2) * (randn(Nfft,1) + 1i*randn(Nfft,1)); rx_freq = tx_freq .* H_true + noise; % ===== 3. 导频点LS估计 ===== H_ls_pilot = rx_freq(pilot_idx) ./ pilot_seq; % 线性插值得到全频带LS估计 H_ls_full = interp1(pilot_idx, H_ls_pilot, (1:Nfft)', 'linear', 'extrap'); % ===== 4. DFT去噪估计 ===== h_dft = ifft(H_ls_pilot, Np); % 变换到时域 h_dft(Ncp+1:end) = 0; % 只保留前Ncp个有效抽头 H_dft_pilot = fft(h_dft, Np); % 变换回频域 % 对DFT估计结果同样插值到全频带 H_dft_full = interp1(pilot_idx, H_dft_pilot, (1:Nfft)', 'linear', 'extrap'); % ===== 5. 均衡与解调 ===== sym_eq_ls = rx_freq(data_idx) ./ H_ls_full(data_idx); sym_eq_dft = rx_freq(data_idx) ./ H_dft_full(data_idx); ber_ls_all(trial, s) = compute_ber(sym_eq_ls, data_bits, M); ber_dft_all(trial, s) = compute_ber(sym_eq_dft, data_bits, M); % 所有子载波上的归一化MSE mse_ls_all(trial, s) = mean(abs(H_ls_full - H_true).^2) / mean(abs(H_true).^2); mse_dft_all(trial, s) = mean(abs(H_dft_full - H_true).^2) / mean(abs(H_true).^2); end end % ===== 6. 结果平均与绘图 ===== mse_ls = mean(mse_ls_all, 1); mse_dft = mean(mse_dft_all, 1); ber_ls = mean(ber_ls_all, 1); ber_dft = mean(ber_dft_all, 1); figure(1); semilogy(snr_list, mse_ls, 'o-'); hold on; semilogy(snr_list, mse_dft, 's-'); xlabel('SNR (dB)'); ylabel('Normalized MSE'); legend('LS', 'DFT'); grid on; figure(2); semilogy(snr_list, ber_ls, 'o-'); hold on; semilogy(snr_list, ber_dft, 's-'); xlabel('SNR (dB)'); ylabel('BER'); legend('LS', 'DFT'); grid on; % 子函数：QPSK硬判决误码统计 function ber = compute_ber(sym_eq, data_bits, M) rx_bits = qamdemod(sym_eq, M, 'gray', 'OutputType', 'bit'); n_bits = min(length(rx_bits), length(data_bits)); ber = sum(rx_bits(1:n_bits) ~= data_bits(1:n_bits)) / n_bits; end

这段代码跑完之后会得到两条MSE曲线和两条BER曲线。我在实际运行里发现，蒙特卡洛次数不用太多，200帧已经能看出明显的性能差异；如果你想画更平滑的曲线，可以把num_trials加到500，运行时间也不会太久。

3.3 代码里最容易忽略的两个细节

第一个是data_idx的处理。因为pilot_idx是每隔4个子载波取的，删掉这些索引后，剩下的96个索引并不连续，数据符号会按顺序填进这些空位。在接收端做均衡时，必须用同一套data_idx去提取数据子载波，否则数据序号对不上，误码率会假性偏高。第二个是插值时用的interp1默认不支持外推，超出导频索引范围的位置会返回NaN。如果不加'extrap'，边界子载波估计就是NaN，均衡后全是NaN，误码率直接变成无效值。因此代码里明确加了'extrap'，或者你也可以把频带边缘几个子载波置零不传数据，避开外推不确定性。

另一个容易搞混的地方是DFT估计里的变换点数。h_dft = ifft(H_ls_pilot, Np)得到的是Np=32点，而不是Nfft=128点。一些刚入门的读者会把ifft写成ifft(...,Nfft)，这样等于在导频之间补零后再变换，虽然也能工作，但和标准的DFT去噪流程并不完全一致。本文的做法是先对导频点做Np点IDFT去噪，再插值到全频带，避免引入补零带来的额外平滑效果，让LS和DFT的对比更公平。

4. 性能曲线的差异：MSE、BER和复杂度分别差在哪

4.1 归一化MSE对比：DFT在低信噪比下优势明显

在固定4抽头信道、导频间隔4、QPSK的配置下，用上一节代码跑完200帧平均后，两条MSE曲线随SNR变化的规律非常清晰。低SNR区间0到10dB以内，LS估计器的MSE明显偏高，DFT估计器的MSE大约有3到5dB的增益。比如要到达-20dB的归一化MSE，LS需要大约12dB SNR，DFT大约8dB就能达到。随着SNR升高，LS的曲线斜率逐渐变大，到25dB以上时，DFT的增益缩小到1dB以内，两条曲线开始靠拢。

这个现象从理论上也说得通。DFT去噪主要针对信道估计时由AWGN引入的方差，而AWGN功率正比于N0。当N0降到很低时，LS本身已经很接近真实信道，DFT去噪能榨取的收益自然变小。在高SNR下，两种估计的残余误差主要由插值误差和导频密度决定，而不是由噪声决定。所以如果你的系统工作在高信噪比、且信道频率响应比较平滑，LS完全可以胜任。

4.2 BER对比：低信噪比性能差距直接反映到解调质量

BER曲线的差值比MSE更直白。在QPSK、无信道编码的情况下，LS估计的BER要到达1e-2，需要约8dB SNR；DFT估计大约5dB就能到1e-2。也就是说DFT帮你在同一组导频开销下省了约3dB发射功率，这在链路预算里不是小数。原因是均衡时信道估计误差会直接叠加到数据符号上，DFT把估计噪声压低后，均衡输出的等效SNR更高，深层误码平台也更低。

如果换成16QAM或64QAM，DFT的BER优势会更明显，因为高阶调制对残留信道估计误差更敏感。我在64QAM下跑过一次，LS在30dB SNR时BER大约在1e-2附近，而DFT已经低于1e-3，差距比QPSK大得多。所以在高阶调制系统里，DFT去噪几乎成了标配。

4.3 复杂度和适用范围：DFT不是所有场景的银弹

从实现复杂度看，LS估计只需导频点复数除法，几乎是零计算量；DFT估计每次符号多做了一个Np点ifft和Np点fft，复杂度是O(Np log Np)，在Np=32时计算量可以忽略。真正的差异在工程实现上：DFT需要保证导频等间隔，且需要维护一个Np点的变换缓冲。如果信道时延扩展远小于CP，固定保留Ncp个抽头会保留多余噪声，这时可以采用自适应有效抽头数，比如基于能量阈值判定保留前L个抽头，但算法稳定性会受噪声波动影响。

所以我的结论是：在低信噪比或导频数量受限的场景下用DFT估计，收益明确；在高信噪比且需要实现简单的场景下，LS加线性插值已经足够。两者不是替代关系，而是可以在接收机里做成可配置选项，根据信道环境动态选择。

5. 调参时最容易踩的四个坑：导频间隔、抽头长度、插值方式、FFT归一化

5.1 导频间隔超过相干带宽，任何估计器都白搭

DFT估计虽然厉害，但它不能突破采样定理的约束。导频间隔必须满足频域采样定理，也就是要小于信道相干带宽，否则导频点之间发生过大的频率选择性衰落，线性插值和DFT插值都会失真。你可以做一个简单实验：把Nps从4改成16，这时导频数降到8，DFT估计的MSE会急剧恶化。所以在实际系统里，导频密度通常按照最恶劣信道场景设计，标准里写死了，不要随便改。如果确实需要降低导频开销，就要考虑更先进的压缩感知或判决反馈类信道估计算法，而不是强行插值。

5.2 抽头保留长度L的选择：固定CP不是最优但最稳

我在代码里直接用Ncp作为保留抽头数，这是最不容易出错的方案，但不一定是最优方案。如果信道只有2个抽头，而L=16，那么DFT只滤掉了很小一部分噪声，增益有限。此时把L设为2或4，MSE会好看很多。但L取得太小又可能削掉真实抽头。更稳妥的思路是先估计信道冲激响应的有效长度：对h_dft的功率从前往后找，维护一个滑窗，窗内能量占总能量比例超过95%时，把窗终点作为L。这个方案在时延扩展变化剧烈的场景下比固定CP更实用，但代码复杂度会上去一截。实际项目里我会先离线统计信道的功率延迟谱，再决定用固定值还是自适应。

5.3 interp1的边界处理：不加extrap会让BER变成NaN

很多人第一次跑这类代码时，BER曲线在低SNR区间出现一堆NaN，大概率就是interp1外推问题。H_ls_full在第一个导频和最后一个导频之外的位置，默认返回NaN。如果你只在中间数据子载波做均衡，不影响；但如果像我一样把所有子载波都均衡，或者数据符号恰好分配到了边缘，NaN就会污染整帧。处理办法是在插值时显式指定'extrap'，或者给频带边缘保留几个虚拟子载波不传数据。我在代码里用'extrap'是为了让所有子载波都能参与MSE统计，如果你做系统级仿真，建议直接屏蔽边缘子载波，这样更接近真实OFDM系统的设计习惯。

5.4 FFT归一化：ifft/fft的幅值变化不能搞混

Matlab的ifft会对结果除以Np，fft不会。所以H_ls_pilot -> ifft -> 置零 -> fft这条路走完后，导频点频域响应的总幅度能够保持一致，这是DFT估计能用的基础。如果你在做实验时把ifft误写成fft(Np)，重构出来的频域响应幅度会差Np倍，解调后星座图不是紧缩就是外扩。一个小技巧是：在仿真开始时先跑一条理想信道（H_true全1）的对比，如果LS和DFT估计结果都接近1，再继续蒙特卡洛。这样可以快速暴露归一化错误，避免浪费时间在错误代码上。

5.5 噪声功率与信道固定的选择

我这段代码为了信道估计算法对比，把信道固定为常数。这样做的好处是随机性小，MSE曲线稳定；缺点是如果算法依赖信道统计信息，固定信道可能高估或低估性能。如果你要对比多个估计算法，固定信道便于精确复现；如果要做系统级评估，则应该每次随机生成符合功率延迟谱的信道，再统计平均。两者没有对错，但不要混用，否则MSE方差会大得无法判断差异。

这套LS与DFT对比的代码我后来又扩展到16QAM、64QAM和不同信道模型，结论基本一致：DFT在低SNR和多径中等色散信道下的增益稳定存在，但高SNR时不要迷信它。如果你只需要一个能跑的起点，上面的Matlab代码可以直接复制运行；真正的工程调优，还是得回到自己的信道模型和导频参数上慢慢试。一次仿真结果只能说明算法趋势，不同导频间隔、不同信道时延扩展、不同调制阶数下，LS和DFT的差距都会变，最好每次都像这样固定变量再下结论。