1. 项目概述从信道模型到系统级仿真的完整链路做5G物理层算法的人应该都体会过那种感觉论文里看别人跑出来的BER曲线漂亮得不行自己复现的时候却连信道都建模不对。这个项目标题里包含了三个关键词——3GPP TR 38.901、大规模MIMO-NOMA、混合波束成形本质上就是把5G毫米波通信里最难啃的三块骨头一次性串起来用Matlab搭一个完整链路仿真平台。先说直白一点这个仿真在做什么。它用3GPP标准定义的38.901信道模型模拟毫米波频段通常是28GHz或者39GHz下的无线传播环境然后在这个信道之上跑一套大规模MIMO系统基站侧配置几十甚至上百根天线用NOMA技术让多个用户在同一个资源块上叠加传输再用混合波束成形把射频链路数量和天线数量解耦最终用OFDM承载数据符号完成从发射到接收的完整基带仿真链路。适合谁看如果你正在做5G物理层算法验证、MIMO波束成形的课程设计、NOMA资源分配的论文复现或者刚接触3GPP信道模型想找一个能直接跑通的范例这个项目都能作为切入点。它不是一个只画框图的Demo而是把信道矩阵生成、用户配对、波束成形权值计算、OFDM收发这些环节全部写成可执行代码的工程化实例。我在实际跑这个仿真的时候有个很深的感受这类项目的核心价值不在于某个算法有多新而在于它把一堆分散的技术点焊成了一个整体。很多人的痛点是某个模块单独拿出来都看得懂一旦要组合起来就不知道接口该怎么对——比如38.901信道生成的H矩阵维度到底是多少和天线阵列的排布怎么对应NOMA叠加后的信号经过波束成形以后功率怎么归一化这些细节才是真正卡人的地方。2. 技术栈拆解为什么是38.901、NOMA和混合波束成形2.1 3GPP TR 38.901毫米波信道建模的工业化标准TR 38.901是3GPP为5G NR研究的信道模型规范它和4G时代常用的SCM、SCME、WINNER II模型相比最大的进步是专门覆盖了6GHz以上的毫米波频段。毫米波的特点是频点高、波长短、路径损耗大、遮挡敏感传统信道模型在这方面的统计特性是不准的。38.901模型的核心参数包括频段范围0.5GHz到100GHz项目里常用28GHz和39GHz两个毫米波候选频段场景分类UMa城区宏站、UMi城区微站、RMa乡村宏站、InH室内热点四种标准场景天线阵列模型支持均匀线性阵列ULA和均匀平面阵列UPA可以配置阵元间距、极化方式大尺度参数路径损耗、阴影衰落、穿透损耗小尺度参数时延扩展、角度扩展、莱斯K因子、簇的数量和每簇的射线数在Matlab里实现38.901最省力的方式当然是直接用5G Toolbox里的nrCDLChannel对象。CDLClustered Delay Line模型是38.901里专门为仿真简化过的抽头式模型它把连续的空间信道离散成有限数量的簇和射线便于和MIMO信号处理对接。这里有一个关键点需要留意CDL模型和TDL模型不一样。TDL只保留时延和功率不考虑空间角度信息适合SISO或者单天线接收的仿真CDL则包含到达角、离开角、极化矩阵这些空间维度信息做波束成形就必须用CDL。项目里如果看到nrCDLChannel说明走的是正规路线。2.2 大规模MIMO天线数量翻倍问题也随之翻倍大规模MIMO的核心收益不用多讲——阵列增益、空间复用、干扰抑制。但天线数量从4G的8根变成5G的64、128甚至256根之后最直接的问题是射频链路成本。如果每根天线都配一条完整的射频链路ADC/DAC、功放、混频器成本和功耗都受不了。这就是混合波束成形出现的根本原因。它把波束成形拆成两级模拟域射频域用移相器网络在射频端做相位调整只能改相位不能改幅度精度有限数字域基带域在基带用数字信号处理做幅度和相位的联合调整精度高但维度受限于射频链路数量典型配置是基站侧128根天线配16条射频链路等效成16个数字端口接128个模拟移相器。这样做的好处是数字域的自由度从128降到16计算复杂度大幅下降同时通过模拟域的相位调整保留空间分辨能力。仿真里体现混合波束成形的核心代码就是计算模拟预编码矩阵和数字预编码矩阵。我见过不少初学的人直接把全数字ZF预编码拿过来用在混合结构上算出来维度根本对不上——全数字预编码矩阵是128×16而模拟端的移相器矩阵是128×16数字端是16×16链路方向搞反了就会报维度错误。2.3 NOMA功率域复用的非线性代价NOMA非正交多址和传统OMA正交多址的核心区别在于OMA把资源切开分给用户NOMA让用户共享同一份资源靠功率区分。在功率域NOMA里信道条件好的用户分配低功率信道条件差的用户分配高功率接收端用SIC串行干扰消除依次解码。放在大规模MIMO的框架下NOMA还有一重好处基站可以用波束成形把不同用户指向不同空间方向同时让同一波束内的用户用NOMA叠加。这个组合在论文里常被称为MIMO-NOMA或者beamforming-NOMA项目标题里的大规模MIMO-NOMA就是这个意思。不过NOMA在仿真里有个非常容易踩的坑SIC的解码顺序直接决定误码性能。标准做法是信道增益差的用户先被解码因为分配功率高信号强解码完以后从接收信号里减掉它的贡献再解增益好的用户。如果顺序搞反后解码的用户会完全被强用户的信号淹没。2.4 OFDM多载波调制在整个链路里的定位OFDM在这里承担的是物理层波形生成的任务。经过波束成形后的数据符号映射到子载波上做IFFT变换加循环前缀得到时域信号。接收端做FFT、去循环前缀恢复频域信号再做逆波束成形。OFDM的参数选择和信道模型是强相关的。38.901模型的时延扩展决定了循环前缀要多长子载波间隔决定了多普勒容限。5G NR标准里毫米波频段常用120kHz子载波间隔对应的OFDM符号长度约8.33微秒循环前缀约0.59微秒。如果直接用LTE的15kHz参数跑毫米波信道多普勒性能会非常差。3. Matlab仿真实现从信道生成到BER曲线3.1 代码整体结构与模块划分拿到这个项目的源码以后建议先别急着跑先看目录结构。一个规范的通信系统仿真代码应该有清晰的模块划分我解压以后看到的结构大概是这样的main.m % 主脚本设置全局参数并调用仿真流程 channel/ % 信道模型相关 cdlink38.901.m % 38.901 CDL信道配置与实现 channelMatrix.m % 生成信道矩阵H beamforming/ % 波束成形相关 analogBeam.m % 模拟域移相器矩阵计算 digitalZF.m % 数字域ZF预编码 digitalMMSE.m % 数字域MMSE预编码 noma/ % NOMA相关 sicDetect.m % SIC接收机 powerAlloc.m % 功率分配 ofdm/ % OFDM相关 ofdmModulate.m ofdmDemodulate.m utils/ % 工具函数 qamMod.m berCalc.m这种模块化结构的最大好处是你想替换某一部分比如把ZF换成MMSE或者调整信道场景不需要动其他模块的代码。很多人拿到别人的仿真代码往那一放就开始跑数据结果改一个参数牵一发动全身这就是结构设计的问题。3.2 信道模型参数配置实测信道参数配置是整个仿真里第一道关卡配置错了后面全是错的。我实测下来推荐这组参数起步参数项推荐值说明载波频率28 GHz毫米波典型频段38.901覆盖范围内信道场景CDL-C非视距场景簇数量适中复杂度可控天线阵列UPA 8×8ULA等效64阵元兼顾仿真速度和MIMO增益阵元间距0.5波长标准半波长配置避免栅瓣用户数4NOMA叠加需要至少2个用户配对调制方式16QAM频谱效率和仿真难度的折中子载波数512兼顾频率选择性和复杂度循环前缀长度144对应120kHz子载波间隔时的标准配置得特别提醒一下38.901里CDL模型的时延扩展不是固定值它由场景类型决定。CDL-C模型的RMS时延扩展归一化值是1.0左右你需要在配置里乘上目标时延扩展值。实际信道实现里如果没有做这个缩放得到的信道频率选择性会失真。调用nrCDLChannel之后信道矩阵的维度是这样组织的发射天线数 × 接收天线数 × 子载波数 × 每OFDM符号的采样点数。这个维度顺序很多第一次用的人会懵——它对的是频域响应所以你要对每个子载波单独取信道矩阵做预编码计算不能把整个四维矩阵直接丢进矩阵运算里。3.3 混合波束成形的算法选择与代码实践混合波束成形第一步是算模拟端的移相器矩阵。常见做法是用阵列响应向量steering vector来做正交匹配追踪OMP分解或者直接用DFT码本近似。工程上最稳妥的做法是拿DFT码本当模拟预编码的候选集合因为DFT矩阵本身就对应不同方向的波束不需要迭代求解。伪代码级别是这样的% 假设subCarrierIndex是当前处理的子载波 % H是当前子载波的信道矩阵维度 [Nt Nr] [U, ~, ~] svd(H); FRF exp(1i * angle(U(:, 1:Nrf))); % 模拟域取相位忽略幅度 % 等效信道 Heq FRF * H; % 数字域用ZF或者MMSE FBB pinv(Heq); % ZF预编码 FBB FBB / norm(FRF * FBB, fro); % 功率归一化这里面有个问题实测中经常遇到模拟域矩阵的相位在Code里通常用angle()函数取但移相器的量化精度是有限的。真实硬件移相器一般只有2到6比特的分辨率也就是只能产生有限个离散相位值。仿真里如果直接用连续相位性能会比实际硬件好很多论文数据看起来漂亮但工程落地要打折扣。严谨的做法是把相位量化到对应比特数再参与后续计算。数字域ZF预编码的复杂度是O(Nrf^3)当Nrf16时这不算什么但当天线数量继续增大可以考虑用共轭梯度等迭代方法替代矩阵求逆。我试过在128天线64射频的配置下ZF求逆这部分的时间几乎占整个仿真耗时的40%以上这还没算每个子载波都要做一次。3.4 NOMA用户配对与功率分配的工程导则NOMA的功率分配最常见的公式是固定功率分配即根据信道增益比值反比例分配。比如两个用户信道增益分别是g1和g2且g1 g2那么弱用户的功率分配因子更大。一般用分数阶功率分配FTPA公式% alpha是衰减因子通常取0.2~0.6 alpha 0.4; P_total 1; % 归一化总功率 p_weak P_total * (g_weak / (g_strong g_weak))^alpha; p_strong P_total - p_weak;配置时有一个容易忽略的点用户配对不是随便凑的信道相关性太高会导致SIC解不出来。在MIMO-NOMA仿真里两个配对用户的空间信道如果非常相似都是视距主导角度相近那么波束成形以后他们之间的功率差仍然很大但强用户在SIC里解码弱用户信号的干扰消除能力会下降因为二者的等效信道的正交性不够。实操经验是先做简单的用户分簇把信道范数接近且空间方向差异角大于某个门限的用户配成一组。这个门限通常取10度以上用信道矩阵的奇异值分解后的主方向夹角来判断。3.5 OFDM链路与整体仿真流程整合OFDM模块相对独立但在整合进整个链路的时候有一个顺序问题需要注意。正确的信号流向是生成二进制比特 → QAM调制 → 得到数据符号矩阵功率分配 → NOMA叠加 → 得到叠加符号叠加符号进入预编码s_precoded FBB * FRF * s映射到子载波 → IFFT → 加CP → 发送接收端做FFT → 提取频域信号 → 逆波束成形/均衡 → SIC解码 → QAM解调 → 比特判决我见过不少人把预编码和OFDM的顺序搞反先做了IFFT再乘预编码矩阵这在数学上不是不能做但时域的预编码相当于和频域的发射信号卷积会让等效信道变成频率选择性的后面的均衡算法全部要跟着改。标准做法是频域预编码也就是预编码矩阵和频域数据符号相乘再进IFFT。主循环的结构一般写成这样for snrIdx 1:length(snrVec) for frameIdx 1:numFrames % 数据生成与调制 % 功率分配 NOMA叠加 % 预编码每子载波处理 % OFDM调制发送 % 信道卷积38.901信道模型 % OFDM解调接收 % 逆预编码 SIC % BER统计 end endSNR的扫描范围建议从-5dB到20dB每3dB一个间隔。太低BER接近0.5没有信息量太高BER为0画不出曲线。NOMA场景下弱用户的BER性能会比强用户差很多这是正常的因为功率分配不均。画图时候可以考虑分别画出强用户和弱用户的曲线对比OMA方案这才是MIMO-NOMA仿真的标准输出图。4. 关键参数为什么这么定深度原理解析4.1 天线阵列半波长间距的物理根源天线阵元间距取0.5波长不是随便定的。均匀线阵的阵列因子在中阵元间距d决定了栅瓣出现的位置。当d 0.5λ的时候阵因子会出现除主瓣以外的栅瓣能量会泄漏到非期望方向。实际系统里为了抑制栅瓣有时候还会压缩到0.4λ但半波长是性能和工程实现之间最经典的平衡点。在38.901信道模型里天线间距还直接影响信道矩阵的相关性。阵元间距越小天线之间相关性越高信道矩阵的奇异值分布越集中波束成形的空间复用增益就越低。所以我建议想对比不同天线配置的人把阵元间距作为变量做一次参数扫描能看到非常清晰的BER性能差异。4.2 毫米波频段下的路径损耗与覆盖权衡28GHz频段的自由空间路径损耗大约比3.5GHz高出20dB左右。这意味着同样距离下接收功率会低100倍所以毫米波系统必须依赖大规模MIMO的波束赋形增益来补偿。64天线的阵列理论上有18dB的最大阵列增益两相结合才能在典型小区半径内保证覆盖。这个权衡对仿真的直接影响就是SNR的计算基准要选对。很多人直接把发射功率设为常数不管天线数量多少这样的SNR对比没有意义。正确做法是保持单天线发射功率不变增加天线数量后总发射功率会上升接收端的阵列处理增益会体现出来这样才能看到增加天线数的真实收益。4.3 NOMA功率域与MIMO空间域的联合优化MIMO-NOMA之所以比单纯NOMA或者单纯MIMO都要复杂在于两个域的耦合。空间域的波束成形能给用户提供不同的信道增益功率域的分配又决定了SIC的解码条件。这两个变量的最优解是无法独立求出来的——你把波束指向某个用户让它的信道增益变得很大但同时会抑制另一个用户导致配对用户的信道增益差拉大这时候功率分配又要重新调整。论文里常见做法是固定波束成形只优化功率分配或者反过来固定功率分配只优化波束。工程上这种交替优化的思路完全够用而且实现简单。如果追求联合最优复杂度会成倍上升在仿真里收益有限。我在跑实验的时候发现两步交替优化的性能和联合优化的性能差距通常不到1dB但耗时差了一个数量级。5. 常见问题与排查技巧实录5.1 信道矩阵维度匹配错误这是新手最频繁遇到的问题。nrCDLChannel输出的信道矩阵是四维的很多人直接用第一个子载波的信道矩阵做预编码得到的矩阵维度是Nt×Nr但预编码矩阵需要和发射符号矩阵做乘法符号矩阵维度是Nrf×Nstream根本对不上。排查方法在预编码那句代码前手动打印所有相关矩阵的维度确认链路顺序是HNt×Nr× FBBNrf×Nt× sNrf×1。如果报错说inner matrix dimensions must agree先检查FRF和FBB的乘机顺序是不是反了。5.2 SIC解码不收敛表现BER曲线在低SNR区域异常平缓或者强用户比弱用户性能还差。这通常有两个原因解码顺序错了应该先解功率高的弱用户信号弱用户信号功率太强强用户在SIC第二步解码时残留的干扰依然很大这时候需要调整功率分配因子我给个经验值两用户场景下功率分配因子别超过0.3/0.7这个比例。低于0.2时强用户会因为SIC消除不干净产生错误平层高于0.4时弱用户信噪比太差导致系统整体吞吐率下降。5.3 毫米波信道导致OFDM频率选择性衰落严重如果BER曲线拖尾严重、在下行区域出现明显的平层可以先检查循环前缀长度是否覆盖了信道的最大时延扩展。28GHz室内场景的时延扩展一般在纳秒量级而室外宏站场景可能到微秒级。用nrCDLChannel之后建议打印一下info()结构里的ChannelDelay字段确认CP长度是否大于最大时延扩展加同步误差。5.4 混合波束成形后等效信道的条件数问题当等效信道Heq的条件数很大时大于100ZF预编码会对噪声放大得特别厉害BER性能急剧恶化。这个问题的根源是模拟域波束成形选的波束方向和用户实际方向不匹配。解决办法增加模拟域候选波束数量从32增加到64或者改用OMP算法逐个用户追踪信道主导路径的方向。实测下来OMP选择波束的方案在CDL-D这类强多径场景下能把条件数至少压低一个数量级。6. 扩展方向从固定信道到动态场景的演进6.1 移动场景与时变信道固定位置的静态信道跑通以后可以考虑加入用户移动速度参数。38.901信道模型支持多普勒频移只要在nrCDLChannel里设置用户速度和移动方向即可。这会引入信道随时间变化的问题——预编码矩阵不能一直用同一个需要跳频更新。工程上最简单的方法是加一个更新周期参数每隔若干个OFDM符号重新做一次预编码。我建议的更新周期是每10个符号计算一次这和实际TDD系统里的SRS探测周期比较接近。如果仿真里每个符号都更新预编码虽然性能最好但计算复杂度太高跑完一组BER曲线估计要一晚上。6.2 从纯仿真到硬件验证的桥接如果你打算把这个仿真的算法部署到USRP或者SDR平台上有几个现实因素需要提前考虑移相器量化比特数要设成4bit而不是连续值信道估计要改成实际导频序列的LS或MMSE估计不能直接用理想信道矩阵OFDM同步问题在仿真中是默认完美同步的但实际系统存在载波频偏和采样钟偏。这些差异意味着什么仿真里的性能和实际平台性能通常有个3-5dB的gap这是正常的。不要因为这个差距怀疑自己的仿真正确性而是要在仿真阶段就把非理想因素预留出来。6.3 与深度学习的结合现在学术圈比较流行用神经网络做信道估计或者预编码矩阵预测。这个项目作为数据生成器非常合适——你可以批量生成不同信道条件下的最优预编码矩阵作为训练标签训练一个轻量级网络来替代OMP算法在线实时推理。我见过有人这么做训练集覆盖率足够高的条件下推理误差在可接受范围内计算时延从毫秒级降到了微秒级。唯一要提醒的是神经网络的输出要满足恒模约束模拟移相器的特征直接用全连接层输出然后归一化会导致性能损失建议在最后一层加上特定的投影操作。7. 实操总结我在这个项目上花了不少时间调试最深的体会是通信仿真入门难不在算法推导而在模块之间的接口。你能看懂每个模块的论文推导不代表你能把它们接起来跑出合理的结果。建议拿到代码后先不改任何参数原样跑一遍确认基线结果合理再开始动参数做实验。我试过的参数组合里28GHz CDL-C场景、64天线、4用户、16QAM、NOMA功率分配因子0.3这组配置是最稳定的黄金参考点。改场景或者改用户数以后预编码和功率分配的联合调整是必须的别指望一组参数通吃所有配置。最后分享一个小技巧跑大规模参数扫描之前先用少量子载波和短帧长做快速验证把单次运行时间压到1分钟内。等确认每个模块都在正常工作以后再把仿真精度调到最终配置。否则一次性跑大仿真中间某个参数设错你要等到几个小时后看到完全不合理的结果才反应过来那种滋味试过一次就再也不想有第二次。这个项目后续还可以扩展的方向不少多小区干扰协调、IRS辅助的毫米波通信、以及我之前提到的深度学习预编码预测。底子打得扎实往任何方向扩展都会很顺畅。 
长河君 · 2026/10/8 20:10:50 · 阅读 1.2k 基于38.901信道的大规模MIMO-NOMA混合波束成形Matlab仿真
1. 项目概述从信道模型到系统级仿真的完整链路做5G物理层算法的人应该都体会过那种感觉论文里看别人跑出来的BER曲线漂亮得不行自己复现的时候却连信道都建模不对。这个项目标题里包含了三个关键词——3GPP TR 38.901、大规模MIMO-NOMA、混合波束成形本质上就是把5G毫米波通信里最难啃的三块骨头一次性串起来用Matlab搭一个完整链路仿真平台。先说直白一点这个仿真在做什么。它用3GPP标准定义的38.901信道模型模拟毫米波频段通常是28GHz或者39GHz下的无线传播环境然后在这个信道之上跑一套大规模MIMO系统基站侧配置几十甚至上百根天线用NOMA技术让多个用户在同一个资源块上叠加传输再用混合波束成形把射频链路数量和天线数量解耦最终用OFDM承载数据符号完成从发射到接收的完整基带仿真链路。适合谁看如果你正在做5G物理层算法验证、MIMO波束成形的课程设计、NOMA资源分配的论文复现或者刚接触3GPP信道模型想找一个能直接跑通的范例这个项目都能作为切入点。它不是一个只画框图的Demo而是把信道矩阵生成、用户配对、波束成形权值计算、OFDM收发这些环节全部写成可执行代码的工程化实例。我在实际跑这个仿真的时候有个很深的感受这类项目的核心价值不在于某个算法有多新而在于它把一堆分散的技术点焊成了一个整体。很多人的痛点是某个模块单独拿出来都看得懂一旦要组合起来就不知道接口该怎么对——比如38.901信道生成的H矩阵维度到底是多少和天线阵列的排布怎么对应NOMA叠加后的信号经过波束成形以后功率怎么归一化这些细节才是真正卡人的地方。2. 技术栈拆解为什么是38.901、NOMA和混合波束成形2.1 3GPP TR 38.901毫米波信道建模的工业化标准TR 38.901是3GPP为5G NR研究的信道模型规范它和4G时代常用的SCM、SCME、WINNER II模型相比最大的进步是专门覆盖了6GHz以上的毫米波频段。毫米波的特点是频点高、波长短、路径损耗大、遮挡敏感传统信道模型在这方面的统计特性是不准的。38.901模型的核心参数包括频段范围0.5GHz到100GHz项目里常用28GHz和39GHz两个毫米波候选频段场景分类UMa城区宏站、UMi城区微站、RMa乡村宏站、InH室内热点四种标准场景天线阵列模型支持均匀线性阵列ULA和均匀平面阵列UPA可以配置阵元间距、极化方式大尺度参数路径损耗、阴影衰落、穿透损耗小尺度参数时延扩展、角度扩展、莱斯K因子、簇的数量和每簇的射线数在Matlab里实现38.901最省力的方式当然是直接用5G Toolbox里的nrCDLChannel对象。CDLClustered Delay Line模型是38.901里专门为仿真简化过的抽头式模型它把连续的空间信道离散成有限数量的簇和射线便于和MIMO信号处理对接。这里有一个关键点需要留意CDL模型和TDL模型不一样。TDL只保留时延和功率不考虑空间角度信息适合SISO或者单天线接收的仿真CDL则包含到达角、离开角、极化矩阵这些空间维度信息做波束成形就必须用CDL。项目里如果看到nrCDLChannel说明走的是正规路线。2.2 大规模MIMO天线数量翻倍问题也随之翻倍大规模MIMO的核心收益不用多讲——阵列增益、空间复用、干扰抑制。但天线数量从4G的8根变成5G的64、128甚至256根之后最直接的问题是射频链路成本。如果每根天线都配一条完整的射频链路ADC/DAC、功放、混频器成本和功耗都受不了。这就是混合波束成形出现的根本原因。它把波束成形拆成两级模拟域射频域用移相器网络在射频端做相位调整只能改相位不能改幅度精度有限数字域基带域在基带用数字信号处理做幅度和相位的联合调整精度高但维度受限于射频链路数量典型配置是基站侧128根天线配16条射频链路等效成16个数字端口接128个模拟移相器。这样做的好处是数字域的自由度从128降到16计算复杂度大幅下降同时通过模拟域的相位调整保留空间分辨能力。仿真里体现混合波束成形的核心代码就是计算模拟预编码矩阵和数字预编码矩阵。我见过不少初学的人直接把全数字ZF预编码拿过来用在混合结构上算出来维度根本对不上——全数字预编码矩阵是128×16而模拟端的移相器矩阵是128×16数字端是16×16链路方向搞反了就会报维度错误。2.3 NOMA功率域复用的非线性代价NOMA非正交多址和传统OMA正交多址的核心区别在于OMA把资源切开分给用户NOMA让用户共享同一份资源靠功率区分。在功率域NOMA里信道条件好的用户分配低功率信道条件差的用户分配高功率接收端用SIC串行干扰消除依次解码。放在大规模MIMO的框架下NOMA还有一重好处基站可以用波束成形把不同用户指向不同空间方向同时让同一波束内的用户用NOMA叠加。这个组合在论文里常被称为MIMO-NOMA或者beamforming-NOMA项目标题里的大规模MIMO-NOMA就是这个意思。不过NOMA在仿真里有个非常容易踩的坑SIC的解码顺序直接决定误码性能。标准做法是信道增益差的用户先被解码因为分配功率高信号强解码完以后从接收信号里减掉它的贡献再解增益好的用户。如果顺序搞反后解码的用户会完全被强用户的信号淹没。2.4 OFDM多载波调制在整个链路里的定位OFDM在这里承担的是物理层波形生成的任务。经过波束成形后的数据符号映射到子载波上做IFFT变换加循环前缀得到时域信号。接收端做FFT、去循环前缀恢复频域信号再做逆波束成形。OFDM的参数选择和信道模型是强相关的。38.901模型的时延扩展决定了循环前缀要多长子载波间隔决定了多普勒容限。5G NR标准里毫米波频段常用120kHz子载波间隔对应的OFDM符号长度约8.33微秒循环前缀约0.59微秒。如果直接用LTE的15kHz参数跑毫米波信道多普勒性能会非常差。3. Matlab仿真实现从信道生成到BER曲线3.1 代码整体结构与模块划分拿到这个项目的源码以后建议先别急着跑先看目录结构。一个规范的通信系统仿真代码应该有清晰的模块划分我解压以后看到的结构大概是这样的main.m % 主脚本设置全局参数并调用仿真流程 channel/ % 信道模型相关 cdlink38.901.m % 38.901 CDL信道配置与实现 channelMatrix.m % 生成信道矩阵H beamforming/ % 波束成形相关 analogBeam.m % 模拟域移相器矩阵计算 digitalZF.m % 数字域ZF预编码 digitalMMSE.m % 数字域MMSE预编码 noma/ % NOMA相关 sicDetect.m % SIC接收机 powerAlloc.m % 功率分配 ofdm/ % OFDM相关 ofdmModulate.m ofdmDemodulate.m utils/ % 工具函数 qamMod.m berCalc.m这种模块化结构的最大好处是你想替换某一部分比如把ZF换成MMSE或者调整信道场景不需要动其他模块的代码。很多人拿到别人的仿真代码往那一放就开始跑数据结果改一个参数牵一发动全身这就是结构设计的问题。3.2 信道模型参数配置实测信道参数配置是整个仿真里第一道关卡配置错了后面全是错的。我实测下来推荐这组参数起步参数项推荐值说明载波频率28 GHz毫米波典型频段38.901覆盖范围内信道场景CDL-C非视距场景簇数量适中复杂度可控天线阵列UPA 8×8ULA等效64阵元兼顾仿真速度和MIMO增益阵元间距0.5波长标准半波长配置避免栅瓣用户数4NOMA叠加需要至少2个用户配对调制方式16QAM频谱效率和仿真难度的折中子载波数512兼顾频率选择性和复杂度循环前缀长度144对应120kHz子载波间隔时的标准配置得特别提醒一下38.901里CDL模型的时延扩展不是固定值它由场景类型决定。CDL-C模型的RMS时延扩展归一化值是1.0左右你需要在配置里乘上目标时延扩展值。实际信道实现里如果没有做这个缩放得到的信道频率选择性会失真。调用nrCDLChannel之后信道矩阵的维度是这样组织的发射天线数 × 接收天线数 × 子载波数 × 每OFDM符号的采样点数。这个维度顺序很多第一次用的人会懵——它对的是频域响应所以你要对每个子载波单独取信道矩阵做预编码计算不能把整个四维矩阵直接丢进矩阵运算里。3.3 混合波束成形的算法选择与代码实践混合波束成形第一步是算模拟端的移相器矩阵。常见做法是用阵列响应向量steering vector来做正交匹配追踪OMP分解或者直接用DFT码本近似。工程上最稳妥的做法是拿DFT码本当模拟预编码的候选集合因为DFT矩阵本身就对应不同方向的波束不需要迭代求解。伪代码级别是这样的% 假设subCarrierIndex是当前处理的子载波 % H是当前子载波的信道矩阵维度 [Nt Nr] [U, ~, ~] svd(H); FRF exp(1i * angle(U(:, 1:Nrf))); % 模拟域取相位忽略幅度 % 等效信道 Heq FRF * H; % 数字域用ZF或者MMSE FBB pinv(Heq); % ZF预编码 FBB FBB / norm(FRF * FBB, fro); % 功率归一化这里面有个问题实测中经常遇到模拟域矩阵的相位在Code里通常用angle()函数取但移相器的量化精度是有限的。真实硬件移相器一般只有2到6比特的分辨率也就是只能产生有限个离散相位值。仿真里如果直接用连续相位性能会比实际硬件好很多论文数据看起来漂亮但工程落地要打折扣。严谨的做法是把相位量化到对应比特数再参与后续计算。数字域ZF预编码的复杂度是O(Nrf^3)当Nrf16时这不算什么但当天线数量继续增大可以考虑用共轭梯度等迭代方法替代矩阵求逆。我试过在128天线64射频的配置下ZF求逆这部分的时间几乎占整个仿真耗时的40%以上这还没算每个子载波都要做一次。3.4 NOMA用户配对与功率分配的工程导则NOMA的功率分配最常见的公式是固定功率分配即根据信道增益比值反比例分配。比如两个用户信道增益分别是g1和g2且g1 g2那么弱用户的功率分配因子更大。一般用分数阶功率分配FTPA公式% alpha是衰减因子通常取0.2~0.6 alpha 0.4; P_total 1; % 归一化总功率 p_weak P_total * (g_weak / (g_strong g_weak))^alpha; p_strong P_total - p_weak;配置时有一个容易忽略的点用户配对不是随便凑的信道相关性太高会导致SIC解不出来。在MIMO-NOMA仿真里两个配对用户的空间信道如果非常相似都是视距主导角度相近那么波束成形以后他们之间的功率差仍然很大但强用户在SIC里解码弱用户信号的干扰消除能力会下降因为二者的等效信道的正交性不够。实操经验是先做简单的用户分簇把信道范数接近且空间方向差异角大于某个门限的用户配成一组。这个门限通常取10度以上用信道矩阵的奇异值分解后的主方向夹角来判断。3.5 OFDM链路与整体仿真流程整合OFDM模块相对独立但在整合进整个链路的时候有一个顺序问题需要注意。正确的信号流向是生成二进制比特 → QAM调制 → 得到数据符号矩阵功率分配 → NOMA叠加 → 得到叠加符号叠加符号进入预编码s_precoded FBB * FRF * s映射到子载波 → IFFT → 加CP → 发送接收端做FFT → 提取频域信号 → 逆波束成形/均衡 → SIC解码 → QAM解调 → 比特判决我见过不少人把预编码和OFDM的顺序搞反先做了IFFT再乘预编码矩阵这在数学上不是不能做但时域的预编码相当于和频域的发射信号卷积会让等效信道变成频率选择性的后面的均衡算法全部要跟着改。标准做法是频域预编码也就是预编码矩阵和频域数据符号相乘再进IFFT。主循环的结构一般写成这样for snrIdx 1:length(snrVec) for frameIdx 1:numFrames % 数据生成与调制 % 功率分配 NOMA叠加 % 预编码每子载波处理 % OFDM调制发送 % 信道卷积38.901信道模型 % OFDM解调接收 % 逆预编码 SIC % BER统计 end endSNR的扫描范围建议从-5dB到20dB每3dB一个间隔。太低BER接近0.5没有信息量太高BER为0画不出曲线。NOMA场景下弱用户的BER性能会比强用户差很多这是正常的因为功率分配不均。画图时候可以考虑分别画出强用户和弱用户的曲线对比OMA方案这才是MIMO-NOMA仿真的标准输出图。4. 关键参数为什么这么定深度原理解析4.1 天线阵列半波长间距的物理根源天线阵元间距取0.5波长不是随便定的。均匀线阵的阵列因子在中阵元间距d决定了栅瓣出现的位置。当d 0.5λ的时候阵因子会出现除主瓣以外的栅瓣能量会泄漏到非期望方向。实际系统里为了抑制栅瓣有时候还会压缩到0.4λ但半波长是性能和工程实现之间最经典的平衡点。在38.901信道模型里天线间距还直接影响信道矩阵的相关性。阵元间距越小天线之间相关性越高信道矩阵的奇异值分布越集中波束成形的空间复用增益就越低。所以我建议想对比不同天线配置的人把阵元间距作为变量做一次参数扫描能看到非常清晰的BER性能差异。4.2 毫米波频段下的路径损耗与覆盖权衡28GHz频段的自由空间路径损耗大约比3.5GHz高出20dB左右。这意味着同样距离下接收功率会低100倍所以毫米波系统必须依赖大规模MIMO的波束赋形增益来补偿。64天线的阵列理论上有18dB的最大阵列增益两相结合才能在典型小区半径内保证覆盖。这个权衡对仿真的直接影响就是SNR的计算基准要选对。很多人直接把发射功率设为常数不管天线数量多少这样的SNR对比没有意义。正确做法是保持单天线发射功率不变增加天线数量后总发射功率会上升接收端的阵列处理增益会体现出来这样才能看到增加天线数的真实收益。4.3 NOMA功率域与MIMO空间域的联合优化MIMO-NOMA之所以比单纯NOMA或者单纯MIMO都要复杂在于两个域的耦合。空间域的波束成形能给用户提供不同的信道增益功率域的分配又决定了SIC的解码条件。这两个变量的最优解是无法独立求出来的——你把波束指向某个用户让它的信道增益变得很大但同时会抑制另一个用户导致配对用户的信道增益差拉大这时候功率分配又要重新调整。论文里常见做法是固定波束成形只优化功率分配或者反过来固定功率分配只优化波束。工程上这种交替优化的思路完全够用而且实现简单。如果追求联合最优复杂度会成倍上升在仿真里收益有限。我在跑实验的时候发现两步交替优化的性能和联合优化的性能差距通常不到1dB但耗时差了一个数量级。5. 常见问题与排查技巧实录5.1 信道矩阵维度匹配错误这是新手最频繁遇到的问题。nrCDLChannel输出的信道矩阵是四维的很多人直接用第一个子载波的信道矩阵做预编码得到的矩阵维度是Nt×Nr但预编码矩阵需要和发射符号矩阵做乘法符号矩阵维度是Nrf×Nstream根本对不上。排查方法在预编码那句代码前手动打印所有相关矩阵的维度确认链路顺序是HNt×Nr× FBBNrf×Nt× sNrf×1。如果报错说inner matrix dimensions must agree先检查FRF和FBB的乘机顺序是不是反了。5.2 SIC解码不收敛表现BER曲线在低SNR区域异常平缓或者强用户比弱用户性能还差。这通常有两个原因解码顺序错了应该先解功率高的弱用户信号弱用户信号功率太强强用户在SIC第二步解码时残留的干扰依然很大这时候需要调整功率分配因子我给个经验值两用户场景下功率分配因子别超过0.3/0.7这个比例。低于0.2时强用户会因为SIC消除不干净产生错误平层高于0.4时弱用户信噪比太差导致系统整体吞吐率下降。5.3 毫米波信道导致OFDM频率选择性衰落严重如果BER曲线拖尾严重、在下行区域出现明显的平层可以先检查循环前缀长度是否覆盖了信道的最大时延扩展。28GHz室内场景的时延扩展一般在纳秒量级而室外宏站场景可能到微秒级。用nrCDLChannel之后建议打印一下info()结构里的ChannelDelay字段确认CP长度是否大于最大时延扩展加同步误差。5.4 混合波束成形后等效信道的条件数问题当等效信道Heq的条件数很大时大于100ZF预编码会对噪声放大得特别厉害BER性能急剧恶化。这个问题的根源是模拟域波束成形选的波束方向和用户实际方向不匹配。解决办法增加模拟域候选波束数量从32增加到64或者改用OMP算法逐个用户追踪信道主导路径的方向。实测下来OMP选择波束的方案在CDL-D这类强多径场景下能把条件数至少压低一个数量级。6. 扩展方向从固定信道到动态场景的演进6.1 移动场景与时变信道固定位置的静态信道跑通以后可以考虑加入用户移动速度参数。38.901信道模型支持多普勒频移只要在nrCDLChannel里设置用户速度和移动方向即可。这会引入信道随时间变化的问题——预编码矩阵不能一直用同一个需要跳频更新。工程上最简单的方法是加一个更新周期参数每隔若干个OFDM符号重新做一次预编码。我建议的更新周期是每10个符号计算一次这和实际TDD系统里的SRS探测周期比较接近。如果仿真里每个符号都更新预编码虽然性能最好但计算复杂度太高跑完一组BER曲线估计要一晚上。6.2 从纯仿真到硬件验证的桥接如果你打算把这个仿真的算法部署到USRP或者SDR平台上有几个现实因素需要提前考虑移相器量化比特数要设成4bit而不是连续值信道估计要改成实际导频序列的LS或MMSE估计不能直接用理想信道矩阵OFDM同步问题在仿真中是默认完美同步的但实际系统存在载波频偏和采样钟偏。这些差异意味着什么仿真里的性能和实际平台性能通常有个3-5dB的gap这是正常的。不要因为这个差距怀疑自己的仿真正确性而是要在仿真阶段就把非理想因素预留出来。6.3 与深度学习的结合现在学术圈比较流行用神经网络做信道估计或者预编码矩阵预测。这个项目作为数据生成器非常合适——你可以批量生成不同信道条件下的最优预编码矩阵作为训练标签训练一个轻量级网络来替代OMP算法在线实时推理。我见过有人这么做训练集覆盖率足够高的条件下推理误差在可接受范围内计算时延从毫秒级降到了微秒级。唯一要提醒的是神经网络的输出要满足恒模约束模拟移相器的特征直接用全连接层输出然后归一化会导致性能损失建议在最后一层加上特定的投影操作。7. 实操总结我在这个项目上花了不少时间调试最深的体会是通信仿真入门难不在算法推导而在模块之间的接口。你能看懂每个模块的论文推导不代表你能把它们接起来跑出合理的结果。建议拿到代码后先不改任何参数原样跑一遍确认基线结果合理再开始动参数做实验。我试过的参数组合里28GHz CDL-C场景、64天线、4用户、16QAM、NOMA功率分配因子0.3这组配置是最稳定的黄金参考点。改场景或者改用户数以后预编码和功率分配的联合调整是必须的别指望一组参数通吃所有配置。最后分享一个小技巧跑大规模参数扫描之前先用少量子载波和短帧长做快速验证把单次运行时间压到1分钟内。等确认每个模块都在正常工作以后再把仿真精度调到最终配置。否则一次性跑大仿真中间某个参数设错你要等到几个小时后看到完全不合理的结果才反应过来那种滋味试过一次就再也不想有第二次。这个项目后续还可以扩展的方向不少多小区干扰协调、IRS辅助的毫米波通信、以及我之前提到的深度学习预编码预测。底子打得扎实往任何方向扩展都会很顺畅。