简介面向5G通信与NOMA技术研究者这份资源围绕非正交多址接入中的功率分配问题提供从理论模型到仿真实现的完整参考内容涵盖NOMA基本原理、基于用户SINR差异的功率约束策略、恒定与动态功率分配方法对比并涉及干扰管理、多用户调度等现实挑战适合通信工程专业学生及初涉NOMA的算法工程师快速建立知识框架。资源包共9个文件以Matlab脚本和Simulink模型为主另有PDF文献、PNG原理图、Markdown说明及Word笔记分别对应仿真代码、系统框图、算法规程与理论解析整体仅2.08MB结构紧凑便于按需学习。目前已有436人学习下载包内包含SIC接收机框图、Power仿真模型、调制与多址接入文献以及绿色多级波束成形论文读者可据此复现功率分配实验理解串行干扰消除与用户公平性之间的权衡并借鉴论文中的优化方法改进自身设计是快速入门5G-NOMA仿真与实践的高性价比参考资料。1. 5G NOMA功率分配同一个资源格上挤两个人的仿真内幕先说一个容易被忽略的事实5G NOMA功率分配不是把发射功率按信道好坏随便乘个系数它是一套和SIC解码顺序强绑定的前向策略。做物理层仿真的朋友应该都有体会——OFDMA时代每个用户拿独立资源块功控简单可换成NOMA后基站端要把两个用户的信号在同一时频资源上叠加发射谁给大功率、谁先解谁直接决定这条链路能不能收敛。本文这套资源就是围绕这个点展开的一份带SIC框图的工作流、一份Power.slx仿真模型、几段MATLAB脚本和设计说明文档。适合正被“NOMA功率分配怎么落成代码”卡住的研究生和做物理层预研的工程师照着跑一遍比你对着论文公式空想一周更有效。2. 系统模型与SIC解码顺序先搞清楚谁先解谁再谈功率分配很多资料一上来就写功率分配公式却不解释公式成立的前提。NOMA的核心约束是多用户共享同一时频资源接收端靠串行干扰消除SIC把叠加信号一层层剥开。功率分配的最优方向首先取决于SIC的解码顺序两者是耦合的。本章先把系统模型立住再讨论解码顺序这两件事理顺了后面调参才有依据。2.1 下行链路两用户模型与信道排序考虑一个最简单的下行两用户NOMA场景基站以一个总功率P发送信号x sqrt(p1)·s1 sqrt(p2)·s2其中p1p2Ps1、s2分别是用户1和用户2的调制符号。用户k收到的信号为y_k h_k·x n_k其中h_k是基站到用户的等效信道增益n_k是高斯白噪声。为方便讨论按信道增益降序排列用户即|h_1|² ≥ |h_2|²。这个排序非常关键因为SIC的所有决策都从这里出发。排序之后NOMA的功率分配呈现一个与直觉相反的规律信道好的用户强用户分配较小的功率信道差的用户弱用户分配较大的功率。原因是收端解码时强用户会先解出弱用户的信号并把它减去再解自己的信号弱用户没有SIC能力或不做SIC时干脆把强用户信号当作噪声处理。如果强用户功率给得太大弱用户受到的干扰就会非常强误码率直接顶到天花板。在代码里这一步常见做法是先把信道增益算出并排序再根据排序结果分配功率。下面是一段简化的MATLAB示意% 两用户NOMA下行信道模型 % h_sq: 各用户信道增益向量假设 h_sq(1) h_sq(2) P_total 1; % 归一化总功率 alpha_strong 0.2; % 强用户功率占比 p_strong alpha_strong * P_total; p_weak (1 - alpha_strong) * P_total; % 发送叠加信号 x sqrt(p_strong) * s_strong sqrt(p_weak) * s_weak; % 用户1强用户接收 y1 h1 * x n1; % 用户2弱用户接收 y2 h2 * x n2;这段代码的含义是强用户只拿20%的总功率弱用户拿80%。这种设置看似“不公平”但这是NOMA赖以工作的物理基础。alpha_strong取值不能拍脑袋需要和调制阶数、目标误码率、信道差配对。如果使用QPSKalpha_strong取0.2到0.35是比较常见的范围如果换成16QAM强用户的解调门限更高alpha_strong要适当上调否则强用户解出自身符号的准确率也会下降。2.2 SIC解码顺序与功率因子的耦合关系SIC的解码顺序和前面信道排序是同一个方向具体来说是强用户先解码弱用户的信号利用该信号重建干扰并减去然后在自己残留信号上解出自己的符号。为什么强用户先解弱用户因为弱用户被赋予了大功率其信号在强用户接收端成为主要干扰必须先剥掉这一层。SIC重建过程有一个要命的地方重建时必须用本地估计的信道和功率因子对解调符号做缩放。简单写一下核心步骤% 强用户执行SIC先解弱用户信号 y_weak_at_strong h1 * sqrt(p_weak) * s_weak n1; % 视作单用户检测 s_weak_hat qamdemod(y_weak_at_strong / (h1 * sqrt(p_weak)), M, UnitAveragePower, true); % 重建弱用户信号并从总接收信号中减去 interference_rebuild h1 * sqrt(p_weak) * s_weak_hat; if s_weak_hat s_weak y_strong_clean y1 - interference_rebuild; s_strong_hat qamdemod(y_strong_clean / (h1 * sqrt(p_strong)), M, UnitAveragePower, true); else % 解码失败错误传播强用户误码率会瞬间拉高 end上面这段揭示了功率分配和SIC之间的耦合关系弱用户功率大则强用户第一次解调的信噪比高SIC成功概率也高这是NOMA希望看到的但弱用户功率又不能无限大因为总功率固定强用户功率被压缩后强用户即使SIC成功也面临更低的自身信噪比。这个矛盾需要靠功率分配因子来平衡。另一个容易被忽略的细节是SIC错误传播。我见过不少仿真里用“理想SIC”直接假设强用户总能正确解出弱用户信号这时功率分配看似随便给个大于0的系数都能跑出不错的结果。但工程实现不能这么干。实际系统里弱用户解错一次强用户的残余干扰就会成倍放大。所以功率分配因子不仅要保证平均性能还要给SIC留足裕量。仿真时建议同时跑“理想SIC”和“实际SIC”两条曲线两者差距就是错误传播的代价。把这两条曲线放在一起你会直观看到alpha_strong取值的边界在哪里。3. 静态 vs 动态功率分配从固定因子到FTPA的仿真对比模型捋顺之后进入功率分配算法本身。5G NOMA功率分配在实现上主要分两类一类是静态固定功率分配所有用户按固定比例分功率实现简单、复杂度低另一类是动态功率分配根据瞬时信道状态实时调整性能更好但需要频繁反馈。本章分别讨论两者的实现方式和仿真取舍重点是动态分配里常见的分数阶功率分配方法。3.1 静态功率分配固定因子的解析设置静态功控最朴素的做法是给每个用户一个固定的功率份额。以前面的两用户模型为例定义alpha_strong为强用户功率占比那么弱用户就是1-alpha_strong。这个做法在信道变化不剧烈的场景里够用比如室内低速移动、固定中继覆盖。但alpha_strong怎么定不能靠手感。一个常见做法是用误码率仿真扫参固定总功率和信道差把alpha_strong从0.1到0.5线性扫描画出两用户的平均误码率曲线找到两条曲线收益的平衡点。下面这段代码演示了扫描流程alpha_list 0.1:0.05:0.5; ber_strong zeros(size(alpha_list)); ber_weak zeros(size(alpha_list)); for idx 1:length(alpha_list) p_s alpha_list(idx) * P_total; p_w (1 - alpha_list(idx)) * P_total; [ber_strong(idx), ber_weak(idx)] run_noma_simulation(p_s, p_w, M, numIter); end % 画强用户与弱用户BER曲线 plot(alpha_list, ber_strong, o-); hold on; plot(alpha_list, ber_weak, s-); grid on; xlabel(alpha_strong); ylabel(BER); legend(强用户, 弱用户);run_noma_simulation是你自己封装的一次蒙特卡洛函数返回两个用户的平均误码率。这个扫参步骤值得每个调参的人做一次做完之后你对alpha_strong的敏感区间会有非常具体的感知。常见情况是alpha_strong在0.2到0.3之间时弱用户误码率下降明显强用户误码率上升有限这区间就是可用工作点。不过静态分配的局限性也很明显两个用户的信道差不是固定的。当信道差的排序反转或者两用户增益差异变得很小时固定比例就不再合适。信道差很小时NOMA的优势本来就不明显这时强用户甚至可以考虑退化为OMA模式各自用一半资源避免SIC开销。3.2 动态功率分配注水启发与分数阶信道反转动态分配的基本思路是让功率随信道状态变化。经典做法是借鉴注水算法在总功率约束下最大化两用户可达速率和。由于NOMA功率分配的非凸性完全最优解在工程里很少直接用常见做法是用分数阶发射功率分配也叫FTPA。FTPA的思想很直白给信道增益高的用户乘一个较小的权重给信道增益低的用户乘一个较大的权重用指数alpha控制反转强度。权重表达式可以写成weight_k (|h_k|²)^(-alpha_f)其中alpha_f在0到1之间取值。alpha_f0时所有用户权重相同等于平均分配alpha_f越接近1功率越向弱用户倾斜。归一化之后第k个用户分到的功率为p_k P_total * weight_k / sum(weight)这种方法的工程价值在于它只有一个参数alpha_f不依赖瞬时信噪比的多维信息反馈开销极小。下面给出一段可运行的MATLAB实现function p_alloc ftpa_power_allocation(h_sq, P_total, alpha_f) % h_sq: 降序排列的信道增益向量长度等于用户数 % alpha_f: 分数阶指数常见范围 0 ~ 1 % p_alloc: 归一化后各用户分配的功率 weight h_sq .^ (-alpha_f); % 信道差用户获得更大权重 weight weight / sum(weight); % 归一化 p_alloc P_total * weight; end这段函数逻辑很短但用起来有几个坑。第一h_sq必须和用户索引严格对应排序一旦错位SIC顺序跟着错功率就分配反了。第二alpha_f过大时弱用户拿到绝大部分功率强用户SNR被压低SIC第一步虽然稳了但第二步自身解码会失败。第三h_sq里如果出现极小的值weight会很大数值上容易溢出。我一般在代码开头加一个下限保护比如把h_sq截断到1e-6以上避免翻车。在仿真对比时建议把静态分配和FTPA放在同一套信道样本下跑这样两条曲线的差异才是算法本身的差异。否则你用不同的信道种子结果根本没法比。另一个值得提的动态方案是比例公平调度算法它在多用户场景里把功率分配和用户调度联合优化每个时隙选出信道较弱的用户参与配对再按照公平性权重分配功率。这个方案的收敛性和小区边缘吞吐量表现更好但状态维护复杂通常只在系统级仿真中使用。链路级仿真跑FTPA就足够了。4. 从理论到源码把功率分配搬进MATLAB和Simulink前面各章把模型和算法讲清楚了这一章落到实际工程文件上。这套资源里真正值钱的是Matlabcode.m和Power.slx这两件事物一个承载了算法闭环另一个把仿真可视化。我把复现思路拆成两步先用脚本跑通完整流程再把它映射到Simulink的块图模型里去方便做参数扫描和演示。4.1 MATLAB脚本闭环信道生成、配对、分配、SIC、误码统计把整个NOMA链路串起来的MATLAB脚本常见结构是先初始化系统参数然后对每个信噪比点做蒙特卡洛循环循环里执行信道生成、功率分配、叠加发送、SIC接收和误码统计。下面是一段主干代码% 系统参数 numUsers 2; M 4; % QPSK调制 numBits 1e5; % 每个SNR点的仿真比特数 SNR_dB 0:2:20; P_total 1; % 统计容器 ber_strong zeros(size(SNR_dB)); ber_weak zeros(size(SNR_dB)); for snrIdx 1:length(SNR_dB) snr 10^(SNR_dB(snrIdx)/10); noiseVar P_total / snr; err_s 0; err_w 0; for iter 1:10 % 生成两用户独立瑞利信道并排序 h (randn(numUsers,1) 1j*randn(numUsers,1)) / sqrt(2); h_sq abs(h).^2; [h_sq_sorted, order] sort(h_sq, descend); % 基于排序结果做FTPA功率分配 p_alloc ftpa_power_allocation(h_sq_sorted, P_total, 0.6); p_strong p_alloc(1); % 强用户拿小功率 p_weak p_alloc(2); % 弱用户拿大功率 % 生成QPSK符号 bits_s randi([0 1], numBits, 1); bits_w randi([0 1], numBits, 1); s_s qammod(bits_s, M, InputType, bit, UnitAveragePower, true); s_w qammod(bits_w, M, InputType, bit, UnitAveragePower, true); % 叠加发送 x sqrt(p_strong) * s_s sqrt(p_weak) * s_w; % 弱用户直接解调强用户执行SIC for k 1:numUsers hk sqrt(h_sq_sorted(k)) * exp(1j*angle(h(k))); % 等效信道 noise sqrt(noiseVar/2) * (randn(numBits,1) 1j*randn(numBits,1)); y hk * x noise; if k 1 % 强用户先解弱后解己 y_weak hk * sqrt(p_weak) * s_w noise; s_w_hat qamdemod(y_weak/(hk*sqrt(p_weak)), M, UnitAveragePower, true); reconstruct hk * sqrt(p_weak) * s_w_hat; y_clean y - reconstruct; s_hat qamdemod(y_clean/(hk*sqrt(p_strong)), M, UnitAveragePower, true); err_s err_s sum(s_hat ~ s_s); else % 弱用户直接解调, 强用户信号视为干扰 s_hat qamdemod(y/(hk*sqrt(p_weak)), M, UnitAveragePower, true); err_w err_w sum(s_hat ~ s_w); end end end ber_strong(snrIdx) err_s / (numBits * 10); ber_weak(snrIdx) err_w / (numBits * 10); end参数含义如下numBits是每个信道实现下传输的比特数不能太小否则误码率曲线在10⁻³以下就全是毛刺noiseVar由总功率和SNR换算而来内层循环重复10次是为了在固定SNR下换多组信道实现减小衰落随机性带来的方差。这里没有做信道均衡是因为NOMA仿真默认收端已知信道状态信息直接对接收信号做相位校正。实现时也可以把信道估计误差建模进去但那是另一个层面的事建议先跑理想信道版本。需要注意真实信道排序和信号映射之间必须一一对应。代码里先用sort返回的order对信道做了降序排列强用户是order中第一个索引对应的用户。如果你的仿真里加入用户配对调度配对原则一般选择信道增益差异大的两个用户否则NOMA相对OMA的增益会很小甚至变成负数。4.2 把脚本变成Simulink模型Power.slx和SIC框图落位很多人拿到Power.slx之后第一反应是直接打开跑但这其实不是最优路径。正确做法是先看我上面那段脚本理解每个模块的输入输出再打开模型对照结构。Simulink版本和MATLAB版本如果不匹配模型可能打不开或报库不存在。常见做法是先将脚本里的核心函数整理成独立的MATLAB Function块再把信道模块和BER统计模块做成子系统。Power.slx这类模型一般会包含三个层级的模块发射端子模块负责QPSK映射、功率加权和叠加信道模块负责加噪声和衰落接收端子模块里SIC部分会用Delay、Complex to Real-Imag、Subtract等基础块搭出减法结构。对照SIC Block Diagram.PNG这张图去看有很大帮助图上会标出强用户接收机内部的信号流向先经过弱用户解调器产生估计符号再通过功率缩放和信道重建回到减法节点。如果你想把脚本里的FTPA函数与Simulink对接我建议不要在模型里重写算法而是用MATLAB Function块直接调用外部函数参数通过模型工作区的变量传入。这样调alpha_f只需要改一行变量值不用动模型结构。5. NOMA功率分配仿真四连坑现象、根因与处理这套资源里给的README和说明文档覆盖了基本流程但真正跑起来问题都藏在实际仿真细节里。下面四条是我认为最容易踩的坑每一条都按现象、原因、解决三步拆开方便你直接对照排查。5.1 SIC解码顺序踩反性能曲线直接垮掉现象强用户误码率在高信噪比下不下降或者比弱用户还差曲线呈一条平线。原因把解码顺序搞反了强用户先去解自己的信号然后才解弱用户。由于叠加信号里强用户功率小第一层解调的信噪比很低误码率根本下不去SIC建立在错误决策上错误传播一路传递下去。解决先确认信道排序方向强用户信道增益大但功率小它必须先用SIC剥掉弱用户信号。建议在代码里对用户身份做显式标记不要靠数组下标隐含顺序。我一般会把channel_gain_sorted和user_id绑定成一个结构体每次排序后打印检查一遍。5.2 功率未做总功率归一化发射功率漂移现象更换用户数或调制方式后仿真结果和理论曲线对不上且不同参数下的BER之间不可比较。原因FTPA里权重向量计算完直接逐项发送没有除以权重之和。用户数从2变成4后总发射功率等于P_total乘以权重之和实际发射功率是设计值的若干倍SNR换算全部失效。解决在分配函数返回前强制加一行归一化确保sum(p_alloc)与P_total严格相等。另外接收端的信噪比计算必须使用实际发射功率不要把发射功率凭空当成1。如果发现BER曲线整体左移或右移优先检查这一步。5.3 瑞利信道下误码率虚高蒙特卡洛次数不足现象同一套参数跑两次曲线形状对不上抖动大尤其在BER等于10⁻³附近。原因NOMA的性能对信道排序非常敏感。某些信道实现下两用户的增益差很小SIC成功率波动剧烈。如果每个SNR点只做几十次信道实现方差会大得离谱。解决把蒙特卡洛循环次数提高到至少1000次信道实现每个实现内传输1000到10000个符号高SNR区间可以增加次数换取平滑曲线。仿真耗时如果太长可以先扫粗网格定位趋势再在关键SNR点加密。5.4 QPSK符号重建时忘记乘信道和功率因子减法节点形同虚设现象强用户在高信噪比下BER反而恶化弱用户在低信噪比下BER突然变好现象看起来没有规律。原因SIC减法节点里重建的干扰信号没有乘上h_strong和sqrt(p_weak)。减法减去的是纯符号而不是经过信道和功率缩放后的信号导致干扰根本没被消除反而引入新的残留。解决按4.1节代码那样把重建干扰写成interference_rebuild hk * sqrt(p_weak) * s_w_hat。调试时可以临时加一个判断重建后信号与原干扰信号的差应当接近接收端的信道估计误差水平。若这个差大到你肉眼可见基本就是缩放因子漏了。6. 验证技巧用Jain公平性指标驱动功率分配调参功率分配调参最大的困惑是alpha_f取多少合适。只看两用户各自的BER你可能会陷入“强用户好了弱用户就坏”的摇摆。我的习惯是每次扫描alpha_f时额外计算一个全局指标——Jain公平性指数把多目标权衡压缩成一个数字方便直接比较。Jain指标的定义为J (Σ R_k)² / (K · Σ R_k²)其中R_k是第k个用户的速率或归一化吞吐量。J越接近1各用户资源分配越平均J越低说明资源集中在少数用户。对NOMA系统J指标也可以配合误码率门槛一起看只统计成功解码的传输块。下面这段代码演示了怎么把吞吐量和Jain指数算出来% 计算两用户可达速率单位bps/Hz rate_strong log2(1 SINR_strong); rate_weak log2(1 SINR_weak); rates [rate_strong, rate_weak]; jain_index sum(rates)^2 / (length(rates) * sum(rates.^2)); % 以Jain指数为辅助指标输出当前参数组合 fprintf(alpha_f %.2f, Jain %.3f\n, alpha_f, jain_index);我一般会固定SNR点为10dB扫描alpha_f从0.1到0.9把每组的Jain指数和强用户BER画在一张图里。这样你能直观看到一个规律alpha_f很小的时候Jain接近0.5强用户性能好alpha_f接近0.9时Jain上升弱用户翻身但强用户BER恶化明显。真正可用的工作区间往往在Jain指数变化平缓、两用户误码率都低于纠错门限的那一段。那次我用这套方法给某个物理层演示项目调参一开始按论文里的推荐值设alpha_f等于0.5结果弱用户性能不错但强用户BER居高不下SIC错误传播明显。后来按Jain指数辅助扫描把alpha_f压到0.35两用户BER同时满足目标整条链路才真正跑通。从那以后我每次拿到这类NOMA功率分配工程都会先跑一遍alpha_f扫描把Jain指数和BER画在同一张图上再去动模型里的参数。这套流程看着笨但比凭感觉调参数靠谱得多。希望帮到你。本文还有配套的精品资源点击获取
简介面向5G通信与NOMA技术研究者这份资源围绕非正交多址接入中的功率分配问题提供从理论模型到仿真实现的完整参考内容涵盖NOMA基本原理、基于用户SINR差异的功率约束策略、恒定与动态功率分配方法对比并涉及干扰管理、多用户调度等现实挑战适合通信工程专业学生及初涉NOMA的算法工程师快速建立知识框架。资源包共9个文件以Matlab脚本和Simulink模型为主另有PDF文献、PNG原理图、Markdown说明及Word笔记分别对应仿真代码、系统框图、算法规程与理论解析整体仅2.08MB结构紧凑便于按需学习。目前已有436人学习下载包内包含SIC接收机框图、Power仿真模型、调制与多址接入文献以及绿色多级波束成形论文读者可据此复现功率分配实验理解串行干扰消除与用户公平性之间的权衡并借鉴论文中的优化方法改进自身设计是快速入门5G-NOMA仿真与实践的高性价比参考资料。1. 5G NOMA功率分配同一个资源格上挤两个人的仿真内幕先说一个容易被忽略的事实5G NOMA功率分配不是把发射功率按信道好坏随便乘个系数它是一套和SIC解码顺序强绑定的前向策略。做物理层仿真的朋友应该都有体会——OFDMA时代每个用户拿独立资源块功控简单可换成NOMA后基站端要把两个用户的信号在同一时频资源上叠加发射谁给大功率、谁先解谁直接决定这条链路能不能收敛。本文这套资源就是围绕这个点展开的一份带SIC框图的工作流、一份Power.slx仿真模型、几段MATLAB脚本和设计说明文档。适合正被“NOMA功率分配怎么落成代码”卡住的研究生和做物理层预研的工程师照着跑一遍比你对着论文公式空想一周更有效。2. 系统模型与SIC解码顺序先搞清楚谁先解谁再谈功率分配很多资料一上来就写功率分配公式却不解释公式成立的前提。NOMA的核心约束是多用户共享同一时频资源接收端靠串行干扰消除SIC把叠加信号一层层剥开。功率分配的最优方向首先取决于SIC的解码顺序两者是耦合的。本章先把系统模型立住再讨论解码顺序这两件事理顺了后面调参才有依据。2.1 下行链路两用户模型与信道排序考虑一个最简单的下行两用户NOMA场景基站以一个总功率P发送信号x sqrt(p1)·s1 sqrt(p2)·s2其中p1p2Ps1、s2分别是用户1和用户2的调制符号。用户k收到的信号为y_k h_k·x n_k其中h_k是基站到用户的等效信道增益n_k是高斯白噪声。为方便讨论按信道增益降序排列用户即|h_1|² ≥ |h_2|²。这个排序非常关键因为SIC的所有决策都从这里出发。排序之后NOMA的功率分配呈现一个与直觉相反的规律信道好的用户强用户分配较小的功率信道差的用户弱用户分配较大的功率。原因是收端解码时强用户会先解出弱用户的信号并把它减去再解自己的信号弱用户没有SIC能力或不做SIC时干脆把强用户信号当作噪声处理。如果强用户功率给得太大弱用户受到的干扰就会非常强误码率直接顶到天花板。在代码里这一步常见做法是先把信道增益算出并排序再根据排序结果分配功率。下面是一段简化的MATLAB示意% 两用户NOMA下行信道模型 % h_sq: 各用户信道增益向量假设 h_sq(1) h_sq(2) P_total 1; % 归一化总功率 alpha_strong 0.2; % 强用户功率占比 p_strong alpha_strong * P_total; p_weak (1 - alpha_strong) * P_total; % 发送叠加信号 x sqrt(p_strong) * s_strong sqrt(p_weak) * s_weak; % 用户1强用户接收 y1 h1 * x n1; % 用户2弱用户接收 y2 h2 * x n2;这段代码的含义是强用户只拿20%的总功率弱用户拿80%。这种设置看似“不公平”但这是NOMA赖以工作的物理基础。alpha_strong取值不能拍脑袋需要和调制阶数、目标误码率、信道差配对。如果使用QPSKalpha_strong取0.2到0.35是比较常见的范围如果换成16QAM强用户的解调门限更高alpha_strong要适当上调否则强用户解出自身符号的准确率也会下降。2.2 SIC解码顺序与功率因子的耦合关系SIC的解码顺序和前面信道排序是同一个方向具体来说是强用户先解码弱用户的信号利用该信号重建干扰并减去然后在自己残留信号上解出自己的符号。为什么强用户先解弱用户因为弱用户被赋予了大功率其信号在强用户接收端成为主要干扰必须先剥掉这一层。SIC重建过程有一个要命的地方重建时必须用本地估计的信道和功率因子对解调符号做缩放。简单写一下核心步骤% 强用户执行SIC先解弱用户信号 y_weak_at_strong h1 * sqrt(p_weak) * s_weak n1; % 视作单用户检测 s_weak_hat qamdemod(y_weak_at_strong / (h1 * sqrt(p_weak)), M, UnitAveragePower, true); % 重建弱用户信号并从总接收信号中减去 interference_rebuild h1 * sqrt(p_weak) * s_weak_hat; if s_weak_hat s_weak y_strong_clean y1 - interference_rebuild; s_strong_hat qamdemod(y_strong_clean / (h1 * sqrt(p_strong)), M, UnitAveragePower, true); else % 解码失败错误传播强用户误码率会瞬间拉高 end上面这段揭示了功率分配和SIC之间的耦合关系弱用户功率大则强用户第一次解调的信噪比高SIC成功概率也高这是NOMA希望看到的但弱用户功率又不能无限大因为总功率固定强用户功率被压缩后强用户即使SIC成功也面临更低的自身信噪比。这个矛盾需要靠功率分配因子来平衡。另一个容易被忽略的细节是SIC错误传播。我见过不少仿真里用“理想SIC”直接假设强用户总能正确解出弱用户信号这时功率分配看似随便给个大于0的系数都能跑出不错的结果。但工程实现不能这么干。实际系统里弱用户解错一次强用户的残余干扰就会成倍放大。所以功率分配因子不仅要保证平均性能还要给SIC留足裕量。仿真时建议同时跑“理想SIC”和“实际SIC”两条曲线两者差距就是错误传播的代价。把这两条曲线放在一起你会直观看到alpha_strong取值的边界在哪里。3. 静态 vs 动态功率分配从固定因子到FTPA的仿真对比模型捋顺之后进入功率分配算法本身。5G NOMA功率分配在实现上主要分两类一类是静态固定功率分配所有用户按固定比例分功率实现简单、复杂度低另一类是动态功率分配根据瞬时信道状态实时调整性能更好但需要频繁反馈。本章分别讨论两者的实现方式和仿真取舍重点是动态分配里常见的分数阶功率分配方法。3.1 静态功率分配固定因子的解析设置静态功控最朴素的做法是给每个用户一个固定的功率份额。以前面的两用户模型为例定义alpha_strong为强用户功率占比那么弱用户就是1-alpha_strong。这个做法在信道变化不剧烈的场景里够用比如室内低速移动、固定中继覆盖。但alpha_strong怎么定不能靠手感。一个常见做法是用误码率仿真扫参固定总功率和信道差把alpha_strong从0.1到0.5线性扫描画出两用户的平均误码率曲线找到两条曲线收益的平衡点。下面这段代码演示了扫描流程alpha_list 0.1:0.05:0.5; ber_strong zeros(size(alpha_list)); ber_weak zeros(size(alpha_list)); for idx 1:length(alpha_list) p_s alpha_list(idx) * P_total; p_w (1 - alpha_list(idx)) * P_total; [ber_strong(idx), ber_weak(idx)] run_noma_simulation(p_s, p_w, M, numIter); end % 画强用户与弱用户BER曲线 plot(alpha_list, ber_strong, o-); hold on; plot(alpha_list, ber_weak, s-); grid on; xlabel(alpha_strong); ylabel(BER); legend(强用户, 弱用户);run_noma_simulation是你自己封装的一次蒙特卡洛函数返回两个用户的平均误码率。这个扫参步骤值得每个调参的人做一次做完之后你对alpha_strong的敏感区间会有非常具体的感知。常见情况是alpha_strong在0.2到0.3之间时弱用户误码率下降明显强用户误码率上升有限这区间就是可用工作点。不过静态分配的局限性也很明显两个用户的信道差不是固定的。当信道差的排序反转或者两用户增益差异变得很小时固定比例就不再合适。信道差很小时NOMA的优势本来就不明显这时强用户甚至可以考虑退化为OMA模式各自用一半资源避免SIC开销。3.2 动态功率分配注水启发与分数阶信道反转动态分配的基本思路是让功率随信道状态变化。经典做法是借鉴注水算法在总功率约束下最大化两用户可达速率和。由于NOMA功率分配的非凸性完全最优解在工程里很少直接用常见做法是用分数阶发射功率分配也叫FTPA。FTPA的思想很直白给信道增益高的用户乘一个较小的权重给信道增益低的用户乘一个较大的权重用指数alpha控制反转强度。权重表达式可以写成weight_k (|h_k|²)^(-alpha_f)其中alpha_f在0到1之间取值。alpha_f0时所有用户权重相同等于平均分配alpha_f越接近1功率越向弱用户倾斜。归一化之后第k个用户分到的功率为p_k P_total * weight_k / sum(weight)这种方法的工程价值在于它只有一个参数alpha_f不依赖瞬时信噪比的多维信息反馈开销极小。下面给出一段可运行的MATLAB实现function p_alloc ftpa_power_allocation(h_sq, P_total, alpha_f) % h_sq: 降序排列的信道增益向量长度等于用户数 % alpha_f: 分数阶指数常见范围 0 ~ 1 % p_alloc: 归一化后各用户分配的功率 weight h_sq .^ (-alpha_f); % 信道差用户获得更大权重 weight weight / sum(weight); % 归一化 p_alloc P_total * weight; end这段函数逻辑很短但用起来有几个坑。第一h_sq必须和用户索引严格对应排序一旦错位SIC顺序跟着错功率就分配反了。第二alpha_f过大时弱用户拿到绝大部分功率强用户SNR被压低SIC第一步虽然稳了但第二步自身解码会失败。第三h_sq里如果出现极小的值weight会很大数值上容易溢出。我一般在代码开头加一个下限保护比如把h_sq截断到1e-6以上避免翻车。在仿真对比时建议把静态分配和FTPA放在同一套信道样本下跑这样两条曲线的差异才是算法本身的差异。否则你用不同的信道种子结果根本没法比。另一个值得提的动态方案是比例公平调度算法它在多用户场景里把功率分配和用户调度联合优化每个时隙选出信道较弱的用户参与配对再按照公平性权重分配功率。这个方案的收敛性和小区边缘吞吐量表现更好但状态维护复杂通常只在系统级仿真中使用。链路级仿真跑FTPA就足够了。4. 从理论到源码把功率分配搬进MATLAB和Simulink前面各章把模型和算法讲清楚了这一章落到实际工程文件上。这套资源里真正值钱的是Matlabcode.m和Power.slx这两件事物一个承载了算法闭环另一个把仿真可视化。我把复现思路拆成两步先用脚本跑通完整流程再把它映射到Simulink的块图模型里去方便做参数扫描和演示。4.1 MATLAB脚本闭环信道生成、配对、分配、SIC、误码统计把整个NOMA链路串起来的MATLAB脚本常见结构是先初始化系统参数然后对每个信噪比点做蒙特卡洛循环循环里执行信道生成、功率分配、叠加发送、SIC接收和误码统计。下面是一段主干代码% 系统参数 numUsers 2; M 4; % QPSK调制 numBits 1e5; % 每个SNR点的仿真比特数 SNR_dB 0:2:20; P_total 1; % 统计容器 ber_strong zeros(size(SNR_dB)); ber_weak zeros(size(SNR_dB)); for snrIdx 1:length(SNR_dB) snr 10^(SNR_dB(snrIdx)/10); noiseVar P_total / snr; err_s 0; err_w 0; for iter 1:10 % 生成两用户独立瑞利信道并排序 h (randn(numUsers,1) 1j*randn(numUsers,1)) / sqrt(2); h_sq abs(h).^2; [h_sq_sorted, order] sort(h_sq, descend); % 基于排序结果做FTPA功率分配 p_alloc ftpa_power_allocation(h_sq_sorted, P_total, 0.6); p_strong p_alloc(1); % 强用户拿小功率 p_weak p_alloc(2); % 弱用户拿大功率 % 生成QPSK符号 bits_s randi([0 1], numBits, 1); bits_w randi([0 1], numBits, 1); s_s qammod(bits_s, M, InputType, bit, UnitAveragePower, true); s_w qammod(bits_w, M, InputType, bit, UnitAveragePower, true); % 叠加发送 x sqrt(p_strong) * s_s sqrt(p_weak) * s_w; % 弱用户直接解调强用户执行SIC for k 1:numUsers hk sqrt(h_sq_sorted(k)) * exp(1j*angle(h(k))); % 等效信道 noise sqrt(noiseVar/2) * (randn(numBits,1) 1j*randn(numBits,1)); y hk * x noise; if k 1 % 强用户先解弱后解己 y_weak hk * sqrt(p_weak) * s_w noise; s_w_hat qamdemod(y_weak/(hk*sqrt(p_weak)), M, UnitAveragePower, true); reconstruct hk * sqrt(p_weak) * s_w_hat; y_clean y - reconstruct; s_hat qamdemod(y_clean/(hk*sqrt(p_strong)), M, UnitAveragePower, true); err_s err_s sum(s_hat ~ s_s); else % 弱用户直接解调, 强用户信号视为干扰 s_hat qamdemod(y/(hk*sqrt(p_weak)), M, UnitAveragePower, true); err_w err_w sum(s_hat ~ s_w); end end end ber_strong(snrIdx) err_s / (numBits * 10); ber_weak(snrIdx) err_w / (numBits * 10); end参数含义如下numBits是每个信道实现下传输的比特数不能太小否则误码率曲线在10⁻³以下就全是毛刺noiseVar由总功率和SNR换算而来内层循环重复10次是为了在固定SNR下换多组信道实现减小衰落随机性带来的方差。这里没有做信道均衡是因为NOMA仿真默认收端已知信道状态信息直接对接收信号做相位校正。实现时也可以把信道估计误差建模进去但那是另一个层面的事建议先跑理想信道版本。需要注意真实信道排序和信号映射之间必须一一对应。代码里先用sort返回的order对信道做了降序排列强用户是order中第一个索引对应的用户。如果你的仿真里加入用户配对调度配对原则一般选择信道增益差异大的两个用户否则NOMA相对OMA的增益会很小甚至变成负数。4.2 把脚本变成Simulink模型Power.slx和SIC框图落位很多人拿到Power.slx之后第一反应是直接打开跑但这其实不是最优路径。正确做法是先看我上面那段脚本理解每个模块的输入输出再打开模型对照结构。Simulink版本和MATLAB版本如果不匹配模型可能打不开或报库不存在。常见做法是先将脚本里的核心函数整理成独立的MATLAB Function块再把信道模块和BER统计模块做成子系统。Power.slx这类模型一般会包含三个层级的模块发射端子模块负责QPSK映射、功率加权和叠加信道模块负责加噪声和衰落接收端子模块里SIC部分会用Delay、Complex to Real-Imag、Subtract等基础块搭出减法结构。对照SIC Block Diagram.PNG这张图去看有很大帮助图上会标出强用户接收机内部的信号流向先经过弱用户解调器产生估计符号再通过功率缩放和信道重建回到减法节点。如果你想把脚本里的FTPA函数与Simulink对接我建议不要在模型里重写算法而是用MATLAB Function块直接调用外部函数参数通过模型工作区的变量传入。这样调alpha_f只需要改一行变量值不用动模型结构。5. NOMA功率分配仿真四连坑现象、根因与处理这套资源里给的README和说明文档覆盖了基本流程但真正跑起来问题都藏在实际仿真细节里。下面四条是我认为最容易踩的坑每一条都按现象、原因、解决三步拆开方便你直接对照排查。5.1 SIC解码顺序踩反性能曲线直接垮掉现象强用户误码率在高信噪比下不下降或者比弱用户还差曲线呈一条平线。原因把解码顺序搞反了强用户先去解自己的信号然后才解弱用户。由于叠加信号里强用户功率小第一层解调的信噪比很低误码率根本下不去SIC建立在错误决策上错误传播一路传递下去。解决先确认信道排序方向强用户信道增益大但功率小它必须先用SIC剥掉弱用户信号。建议在代码里对用户身份做显式标记不要靠数组下标隐含顺序。我一般会把channel_gain_sorted和user_id绑定成一个结构体每次排序后打印检查一遍。5.2 功率未做总功率归一化发射功率漂移现象更换用户数或调制方式后仿真结果和理论曲线对不上且不同参数下的BER之间不可比较。原因FTPA里权重向量计算完直接逐项发送没有除以权重之和。用户数从2变成4后总发射功率等于P_total乘以权重之和实际发射功率是设计值的若干倍SNR换算全部失效。解决在分配函数返回前强制加一行归一化确保sum(p_alloc)与P_total严格相等。另外接收端的信噪比计算必须使用实际发射功率不要把发射功率凭空当成1。如果发现BER曲线整体左移或右移优先检查这一步。5.3 瑞利信道下误码率虚高蒙特卡洛次数不足现象同一套参数跑两次曲线形状对不上抖动大尤其在BER等于10⁻³附近。原因NOMA的性能对信道排序非常敏感。某些信道实现下两用户的增益差很小SIC成功率波动剧烈。如果每个SNR点只做几十次信道实现方差会大得离谱。解决把蒙特卡洛循环次数提高到至少1000次信道实现每个实现内传输1000到10000个符号高SNR区间可以增加次数换取平滑曲线。仿真耗时如果太长可以先扫粗网格定位趋势再在关键SNR点加密。5.4 QPSK符号重建时忘记乘信道和功率因子减法节点形同虚设现象强用户在高信噪比下BER反而恶化弱用户在低信噪比下BER突然变好现象看起来没有规律。原因SIC减法节点里重建的干扰信号没有乘上h_strong和sqrt(p_weak)。减法减去的是纯符号而不是经过信道和功率缩放后的信号导致干扰根本没被消除反而引入新的残留。解决按4.1节代码那样把重建干扰写成interference_rebuild hk * sqrt(p_weak) * s_w_hat。调试时可以临时加一个判断重建后信号与原干扰信号的差应当接近接收端的信道估计误差水平。若这个差大到你肉眼可见基本就是缩放因子漏了。6. 验证技巧用Jain公平性指标驱动功率分配调参功率分配调参最大的困惑是alpha_f取多少合适。只看两用户各自的BER你可能会陷入“强用户好了弱用户就坏”的摇摆。我的习惯是每次扫描alpha_f时额外计算一个全局指标——Jain公平性指数把多目标权衡压缩成一个数字方便直接比较。Jain指标的定义为J (Σ R_k)² / (K · Σ R_k²)其中R_k是第k个用户的速率或归一化吞吐量。J越接近1各用户资源分配越平均J越低说明资源集中在少数用户。对NOMA系统J指标也可以配合误码率门槛一起看只统计成功解码的传输块。下面这段代码演示了怎么把吞吐量和Jain指数算出来% 计算两用户可达速率单位bps/Hz rate_strong log2(1 SINR_strong); rate_weak log2(1 SINR_weak); rates [rate_strong, rate_weak]; jain_index sum(rates)^2 / (length(rates) * sum(rates.^2)); % 以Jain指数为辅助指标输出当前参数组合 fprintf(alpha_f %.2f, Jain %.3f\n, alpha_f, jain_index);我一般会固定SNR点为10dB扫描alpha_f从0.1到0.9把每组的Jain指数和强用户BER画在一张图里。这样你能直观看到一个规律alpha_f很小的时候Jain接近0.5强用户性能好alpha_f接近0.9时Jain上升弱用户翻身但强用户BER恶化明显。真正可用的工作区间往往在Jain指数变化平缓、两用户误码率都低于纠错门限的那一段。那次我用这套方法给某个物理层演示项目调参一开始按论文里的推荐值设alpha_f等于0.5结果弱用户性能不错但强用户BER居高不下SIC错误传播明显。后来按Jain指数辅助扫描把alpha_f压到0.35两用户BER同时满足目标整条链路才真正跑通。从那以后我每次拿到这类NOMA功率分配工程都会先跑一遍alpha_f扫描把Jain指数和BER画在同一张图上再去动模型里的参数。这套流程看着笨但比凭感觉调参数靠谱得多。希望帮到你。本文还有配套的精品资源点击获取
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
