я тоже сначала так подумал, но там есть еще вариант y=awgn(x,SNRdB,'measured'), который сам меряет вх. мощность. результаты тоже не сошлись, тогда я проверил "в лоб":

и, что характерно, std(N1)~0.5; std(N2)~0.707. 0.707 подозрительно похож на sqrt(2)/2, из чего я и сделал вывод, что awgn работает с мощностями, в то время как я давал амплитуды.

Если отбросить подозрительность и рассмотреть факты (продолжая ваш код), то получается:

Вы ошиблись в моделировании шума N1: для реального сигнала BPSK весь шум так же реальный, поэтому правильно моделировать N1 так

тогда не сходятся результаты с berawgn(snr_axis,'psk',2,'nondiff')
обратите внимание, везде берется No/2
http://www.dsplog.com/2007/08/05/bit-error...psk-modulation/

http://www.dsplog.com/db-install/wp-conten...criptbpsk_ber.m

http://gaussianwaves.blogspot.com/2010/04/...ation-over.html

А они и не должны сходиться. Аргументом berawgn() является не SNR, a Es/No, который для комплексных сигналов на 3 дБ больше чем для действительных в Матлабе. См. раздел AWGN Channel в хелпе Communications Toolbox.
Вообще-то, различие смысла аргументов родственных функций создает некоторую неопределенность. Цена универсальности Матлаба.

Брать No/2 или No при генерации шума - это условность. Важно соблюсти соответствие между SNR, Es/No и Eb/No на протяжении всей цепи генерации и обработки сигнала в рамках той библиотеки функций, которую вы используете.

Есть такой вопрос

Моделирую декодер Витерби, есть необходимость оценить, при каком уровне ошибок на входе он исправляет ошибки, а при каком размножает. До этого делал все функцией awgn, после чего квантовал и смотрел число ошибочных бит.
Есть ли функция вида Исказить Х бит в последовательности А,чтобы ошибки были распределены равновероятны

Смысл вопроса неясен.
Уровень ошибок = количество ошибок?
Квантовали для получения мягких решений? Тогда равновероятные ошибки на входе (в канале) аннулируют преимущество мягких решений декодера Витерби.
Макс. количество исправляемых ошибок - величина зависящая в большей степени от использованного кода (сверточного для Витерби декодера), а именно от его минимального евклидова расстояния. Для минимизации размножения ошибок (burst errors) используют интерливер на входе и "накрывают" сверточный код блоковым, напр. Рида-Соломона.

Функции генерации векторов случайных величин в Communications Toolbox (обратите внимание на первые две):
- randerr() to generate random bit error patterns, as in a model of channel errors
- randint() to generate uniformly distributed random integers
- randsrc() to generate random symbols
- awgn() to generate additive white Gaussian noise
- wgn() to generate white Gaussian noise across a load
Так же в основном Матлабе есть функции так сказать более низкого уровня:
- rand() to generate uniformly distributed pseudorandom numbers
- randn() to generate normally distributed pseudorandom numbers
- randperm() to generate uniform random permutation