在这个程序基础上绘制4PAM理论误码率和理论误比特率曲线

好的，我们可以使用Python来绘制4PAM的理论误码率和误比特率曲线。以下是一个基本的代码框架，你可以在此基础上进行修改和完善。

import numpy as np
from scipy.special import erfc
import matplotlib.pyplot as plt

# 4PAM调制
M = 4
k = np.log2(M)
Eb = 1  # 符号能量
EbN0dB_range = range(-4, 13, 2)
EbN0_range = np.power(10, np.array(EbN0dB_range) / 10)
n = 100000  # 发送符号的数量
symbol = np.random.randint(0, M, n)

# 符号映射
def pam_mapper(x):
    if x == 0:
        return -3
    elif x == 1:
        return -1
    elif x == 2:
        return 1
    else:
        return 3

# 发送符号
s = np.array(list(map(pam_mapper, symbol)))

# 加入高斯噪声
ber = []
for EbN0 in EbN0_range:
    noise = np.random.normal(0, np.sqrt(Eb / (2 * k * EbN0)), n)
    r = s + noise

    # 解调
    def pam_demapper(x):
        if x < -2:
            return 0
        elif x < 0:
            return 1
        elif x < 2:
            return 2
        else:
            return 3

    rs = np.array(list(map(pam_demapper, r)))
    error = np.sum(rs != symbol)
    ber.append(error / n)

# 理论误码率
ber_theory = 2 * (1 - 1 / np.sqrt(M)) * erfc(np.sqrt(3 * EbN0_range / (M - 1)))

# 理论误比特率
ser_theory = ber_theory * k

# 绘图
plt.plot(EbN0dB_range, 10 * np.log10(ber), marker='o', label='Simulation')
plt.plot(EbN0dB_range, 10 * np.log10(ber_theory), label='Theory')
plt.xlabel('Eb/N0(dB)')
plt.ylabel('BER(dB)')
plt.legend()
plt.show()

plt.plot(EbN0dB_range, 10 * np.log10(ser_theory), label='Theory')
plt.xlabel('Eb/N0(dB)')
plt.ylabel('SER(dB)')
plt.legend()
plt.show()

运行这段代码，你会得到4PAM的误码率和误比特率曲线。你可以根据自己的需要进行修改和优化。