我看到的 Mueller 和 Muller 时钟恢复的实施为星座符号上的误差矢量幅度 (EVM) 添加了大量“噪声”或退化。这是在 GNU Radio 和 Python 中的手动脚本中独立完成的 - 给出了类似的结果。这是正常的吗？

我知道我需要调整此算法中的参数，但我无法接近足够的优化，它太嘈杂了。

在 GNU radio 和 python 两种实现中，对原始数据信号的唯一损害是 RRC 脉冲整形滤波器的性能。您可以看到这是一个几乎完美的接收星座，EVM < -60 dB，使用 300 的滤波器抽头和 0.35 的滚降因子。见下图。

然而，一旦我添加了 M&M 算法，我就没有运气接近这个，它会产生很多噪音。见下图。

这有点难以评估我以后可能会在模型中添加的损伤的真实程度，比如 AWGN。因为如果我在其中添加 AWGN，那么当使用 M&M 时，EVM 或 SNR 会变得更糟。

这是 GNU 无线电流程。

编辑请注意，在我的 python 代码中，Rx RRC 过滤器是在 M&M 之前执行的，但在 GNU 收音机中，我在 RRC 之前执行它，因为在 MM 块之前有一个 RRC 不起作用会在下面的流程中产生任何结果。

下面是 M&M python 算法，它来自 pySDR.com

samples = input_signal
interp = 16
samples_interpolated = signal.resample_poly(samples,interp,1)
mu = 2 #2 # initial estimate of phase of sample
out = np.zeros(len(samples) + 10, dtype=np.complex)
out_rail = np.zeros(len(samples) + 10, dtype=np.complex) # stores values, each iteration we need the previous 2 values plus current value
i_in = 0 # input samples index
i_out = 2 # output index (let first two outputs be 0)
while i_out < len(samples) and i_in < len(samples):
    out[i_out] = samples_interpolated[i_in*interp + int(mu*interp)] # grab what we think is the "best" sample
    out_rail[i_out] = int(np.real(out[i_out]) > 0) + 1j*int(np.imag(out[i_out]) > 0)
    z = (out_rail[i_out] - out_rail[i_out-2]) * np.conj(out[i_out-1])
    zz = (out[i_out] - out[i_out-2]) * np.conj(out_rail[i_out-1])
    mm_val = np.real(zz - z)
    mu += sps + 0.3*mm_val
    i_in += int(np.floor(mu)) # round down to nearest int since we are using it as an index
    mu = mu - np.floor(mu) # remove the integer part of mu
    i_out += 1 # increment output index
out = out[2:i_out-1] # remove the first two, and anything after i_out (that was never filled out)