简介面向5G通信学习和科研的MATLAB非正交多址接入NOMA误码率仿真源码包聚焦功率域多址与SIC干扰消除机制帮助通信专业学生、算法工程师快速理解NOMA相比传统OFDMA在频谱效率和连接密度上的优势。压缩包含2个m文件代码规模约2KB结构精简到可直接运行的主程序与信道函数便于二次修改参数或扩展为多用户场景。目前已有302人学习下载常被用作课程设计或5G关键技术的对照实验。仿真覆盖信道建模、QPSK/16QAM调制、用户功率分配、SIC逐层解码及误码统计等关键环节通过调整信噪比、用户数、功率比例可直观绘制BER曲线并对比不同策略下的性能差异。源码注释清晰、流程完整既适合入门者逐行研读NOMA收发链路也为研究者评估非理想信道条件下的系统表现提供了可复用的基准。1. 5G-NOMA误码率仿真在MATLAB里复现叠加信号与SIC解调“同一个资源块上叠多个用户的信号接收端再靠功率差一个个拆出来”——这是5G非正交多址NOMA最核心的画面。做链路仿真的工程师拿到这个标题时第一步通常是在MATLAB里把功率域NOMA的最小闭环跑通发送端做功率叠加信道加AWGN或瑞利衰落接收端用串行干扰消除SIC逐级拆信号最后统计误码率BER曲线。这个闭环能回答两个实际问题不同功率分配因子下BER曲线差多少以及NOMA相对正交接入的可靠性代价有多大。它适合刚接触NOMA物理层仿真的研究生也适合需要在5G课题里快速产出BER对比数据的工程人员。本文给出一条不依赖额外工具箱、在MATLAB R2021b以上版本可直接运行的完整仿真链路并附参数扫描和验证技巧。2. 功率域NOMA与SIC接收先搞懂叠加信号怎么拆2.1 从正交到非正交一个子载波上叠两个人传统OFDMA把子载波和时隙分配给不同用户彼此保持正交接收机用匹配滤波即可分离信号。代价是频谱效率在多用户调度边缘时明显受限。功率域NOMA打破这个正交约束允许两个用户共享完全相同的时频资源发射端把两者的调制符号按不同功率加权后直接相加。发射信号写成x sqrt(P) · (sqrt(α₁)·s₁ sqrt(α₂)·s₂)其中P是基站总发射功率s₁和s₂分别为用户1和用户2的调制符号QPSK或16QAM功率分配因子满足α₁α₂1。惯例上取α₂ α₁即把更多功率分给信道条件较差的用户——通常是小区边缘用户。这样分配的原因很直接边缘用户本身信噪比低若功率再小则完全无法解调而近端用户信道质量好即使功率占比小借助SIC干扰消除后仍能恢复出自己的数据。对比来看OMA方案里每个用户只占一半时频资源等效信噪比损失约3dBNOMA虽然引入了用户间干扰但每个用户都能使用完整资源块频谱利用率更高。需要说明的是NOMA并没有作为5G NR早期版本的必选特性大规模落地但它在上下行叠加传输、多用户配对、非正交资源复用等场景中的建模思路一直是链路级仿真和学术研究中的常客也是6G候选波形研究的参考基线之一。仿真报告里把NOMA和OMA两条BER曲线放到同一张图上用信噪比差值和频谱利用率差值来解释各自取舍是标准做法。2.2 SIC剥离顺序与差错传播强信号先解弱信号后解接收端收到的是叠加信号两个用户需要采用不同的解调策略。用户2是强功率用户其信号在叠加中占主导SINR足够高因此可以直接对叠加符号做硬判决而用户1必须先估计出用户2的符号重构其信号分量并从接收信号中减去再在残差上解调自己的符号。用户2的SINR近似为SINR₂ α₂P|h|² / (α₁P|h|² σ²)其中h是信道增益σ²是噪声方差。用户1经过SIC减除后的等效SINR为SINR₁ α₁P|h|² / σ²两个式子对比能看出NOMA的核心矛盾用户2的SINR被α₁部分的用户间干扰压低用户1的SINR则取决于残差消除是否干净。SIC最怕的是差错传播——第一步判决s₂若出错减掉的信号就是错误的残差里会残留两倍于s₂功率的干扰后续s₁的判决基本失败。仿真中这种现象表现为用户1的BER曲线随SNR增加出现“地板效应”即曲线下降到某个量级后不再下降。避免差错传播的工程手段有三个方向一是提高α₂/α₁的比值从源头上保证第一步判决的低误码率二是给用户2的信号加信道编码让SIC反馈的是译码后的比特而非硬判决符号三是在SIC减法之前先做一次符号可靠性判断对置信度低的符号不执行减除。最小链路仿真用未编码符号即可先把前两点对BER的影响跑出来再考虑编码反馈的增量收益。2.3 为什么用MATLAB搭这条链路链路级仿真选MATLAB核心理由是矩阵语义天然贴合多用户叠加模型。每个用户的比特流和符号序列都是列向量按功率因子加权后再做矩阵加法即可完成叠加通信工具箱提供qammod、qamdemod、awgn等现成函数省去手写基带调制和噪声注入的工作BER曲线的批量Monte-Carlo循环可以直接写在同一个脚本里不需要额外的工程封装。相比C或Python的scipy实现MATLAB的调试链路更短修改一个参数、重跑一段循环、立即看到semilogy绘图结果非常适合快速迭代参数假设。本文后续代码块在MATLAB R2021b及以上版本可直接运行不需要安装额外的5G Toolbox基础通信工具箱足够覆盖本链路全部功能点。如果读者用的是旧版本需确认qammod支持InputType,bit语法该语法在R2018a之后才稳定可用。3. 在MATLAB中搭建NOMA误码率仿真主链路3.1 初始化参数与调制信号生成仿真采用Monte-Carlo方法对每个SNR点生成大量随机比特经过调制、功率叠加、加噪、判决后统计错误比特比例。先看参数区% noma_ber_sim.m 主仿真脚本参数区 clear; clc; M 4; % 调制阶数4QPSK1616QAM numBits 2e5; % 每个SNR点的仿真比特数 snrRange 0:2:20; % SNR扫描范围dB alpha1 0.2; % 用户1功率分配因子近端功率较小 alpha2 1 - alpha1; % 用户2功率分配因子远端功率较大 totalPower 1; % 归一化总发射功率alpha1取0.2、alpha2取0.8是最常见的配置对应两个用户的功率差约6dB。如果alpha1取0.5两个叠加分量功率相等SIC第一步解调s₂时会被s₁的干扰严重恶化误码率曲线会整体抬高这也是初学者最容易踩的坑。numBits决定统计精度2e5个比特在BER1e-4附近仍有足够的错误样本数若需要更低的BER下界建议把numBits提高到1e6但仿真时间会线性增长。接着生成两个用户的随机比特流和QPSK符号并按功率因子完成叠加% 生成用户1、用户2的随机比特 bits1 randi([0 1], numBits, 1); bits2 randi([0 1], numBits, 1); % QPSK调制bit输入符号平均功率归一化为1 sym1 qammod(bits1, M, InputType, bit, UnitAveragePower, true); sym2 qammod(bits2, M, InputType, bit, UnitAveragePower, true); % 功率域叠加发射信号 txSig sqrt(totalPower * alpha1) * sym1 ... sqrt(totalPower * alpha2) * sym2;qammod的InputType,bit参数内部会按格雷映射将比特流转为符号相邻星座点之间只差1个比特判决出错时只引入单个比特错误。UnitAveragePower,true让星座点平均能量归一化为1功率因子直接乘以符号即可精确控制每个用户的实际发射功率。叠加后的txSig平均功率仍为1因为α₁α₂1且两个符号相互独立这正是后面awgn函数用measured方式注入噪声的前提。3.2 主循环信道加噪与SIC接收完整的主仿真循环如下把发送、信道、SIC接收和BER统计串成一条链路% 预分配BER存储向量 ber1 zeros(length(snrRange), 1); ber2 zeros(length(snrRange), 1); for idx 1:length(snrRange) % 每个SNR点重新生成独立随机比特避免重复序列 bits1 randi([0 1], numBits, 1); bits2 randi([0 1], numBits, 1); sym1 qammod(bits1, M, InputType, bit, UnitAveragePower, true); sym2 qammod(bits2, M, InputType, bit, UnitAveragePower, true); % 功率域叠加发射 txSig sqrt(alpha1) * sym1 sqrt(alpha2) * sym2; % 过AWGN信道measured表示按信号实际功率计算噪声 rxSig awgn(txSig, snrRange(idx), measured); % 用户2直接解调叠加信号 bits2Rx qamdemod(rxSig, M, OutputType, bit, UnitAveragePower, true); % 用户1SIC两步接收 sym2Hat qamdemod(rxSig, M, UnitAveragePower, true); % 第一步硬判决s2 residual rxSig - sqrt(alpha2) * sym2Hat; % 第二步重构并相减 bits1Rx qamdemod(residual, M, OutputType, bit, UnitAveragePower, true); % BER统计 ber1(idx) mean(bits1Rx ~ bits1); ber2(idx) mean(bits2Rx ~ bits2); % 避免误码为0导致semilogy无法显示 if ber1(idx) 0, ber1(idx) 1e-6; end if ber2(idx) 0, ber2(idx) 1e-6; end end三个关键点需要说明。第一qamdemod不带OutputType,bit时返回符号索引sym2Hat是符号域的硬判决结果可以直接乘上功率因子进行重构如果误用了bit输出重构信号的长度和幅度都会不匹配减法后残差中依然残留完整s₂功率用户1的BER将停留在0.5附近无法下降。第二每轮循环都重新生成bits1和bits2避免不同SNR点使用相同比特序列导致错误样本不独立。若想完全复现某次仿真结果可以在脚本开头用rng(固定种子)锁定随机数生成器但参数扫描时一般不锁定保留统计随机性。第三用户2的BER统计用的也是同一份叠加信号没有额外的干扰消除步骤。它的性能上限受限于α₁带来的多址干扰因此曲线会位于单用户AWGN理论曲线之下这个间距可以直接用于评估NOMA相比OMA的覆盖损失。3.3 瑞利衰落信道下的SIC顺序修正AWGN信道跑通后换成瑞利衰落更贴近小区边缘场景。此时每个用户有独立的信道增益h₁和h₂接收信号变为% 瑞利信道每个用户独立复高斯衰落 h1 (randn(numBits,1) 1j*randn(numBits,1)) / sqrt(2); h2 (randn(numBits,1) 1j*randn(numBits,1)) / sqrt(2); % 接收信号两路独立幅度叠加后加噪 rxSig h1 .* sqrt(alpha1) .* sym1 ... h2 .* sqrt(alpha2) .* sym2 ... sqrt(0.5 * 10^(-snrRange(idx)/10)) * ... (randn(numBits,1) 1j*randn(numBits,1));此时SIC不能直接对叠加信号做判决需要先做信道均衡。常见做法是先对用户2的信号做最小二乘均衡% 用户2先按自身信道均衡再解调 rxEq2 rxSig ./ h2; sym2Hat qamdemod(rxEq2, M, UnitAveragePower, true); % 重构用户2的接收幅度并相减 s2Recon sqrt(alpha2) * sym2Hat .* h2; residual rxSig - s2Recon; % 用户1对残差按自身信道均衡后解调 rxEq1 residual ./ h1; bits1Rx qamdemod(rxEq1, M, OutputType, bit, UnitAveragePower, true);需要特别注意的是瑞利信道下SIC的剥离顺序不能只看发射功率还要看等效接收功率|h|²·α。例如某次信道实现中h₁恰好远好于h₂用户2的等效接收功率可能反而弱于用户1固定顺序的SIC就会失效。实际工程中应当先计算每个用户的等效接收功率并排序功率最大的用户先解调、先剥离然后再解调剩余的较弱用户。这种动态排序策略在仿真代码里实现起来不过十几行但性能增益在深衰落信道下非常明显属于SIC仿真中优先级很高的优化项。4. 功率分配因子与调制阶数参数扫描决定曲线走势4.1 功率分配因子α的物理边界功率分配因子是NOMA仿真里最敏感的参数。α₂越接近1用户2的BER曲线越好但残差信号中用户1的有效功率越小用户1的BER恶化越快。这是一个不可回避的折中α₁0.1时用户1在低信噪比下几乎不可用α₁0.4时用户2的多址干扰增强其曲线向用户1靠拢两个用户同时丧失NOMA的增益。经验上的合理区间是α₁取0.15到0.3之间对应功率差约5dB到8dB。把α₁做成扫描变量画一张二维BER曲面图是论文里最常见的参数敏感性分析方式。4.2 扫描脚本的结构设计在上一章主循环外再包一层α扫描循环即可对功率分配做批量评估alphaList [0.1 0.2 0.3 0.4]; % 用户1功率占比扫描序列 berMatrix1 zeros(length(alphaList), length(snrRange)); berMatrix2 zeros(length(alphaList), length(snrRange)); for ai 1:length(alphaList) alpha1 alphaList(ai); alpha2 1 - alpha1; for idx 1:length(snrRange) % 复用第3章中的发送-信道-SIC接收完整流程 % 结果写入 berMatrix1(ai, idx) 和 berMatrix2(ai, idx) end end这个双重循环是标准的参数扫描骨架。numBits较大时整体耗时明显建议把内层SNR循环替换为parfor并行前提是每个迭代内部独立生成随机数且不共享内存变量。注意在parfor场景下要让随机数生成器按迭代索引推进避免并行池各worker因相同初始种子产生完全相同的一组仿真序列导致统计结果失去独立性。4.3 典型配置预期对比表不同配置组合下BER曲线的预期趋势可以直接用于校验仿真结果配置α₁取值调制方式预期BER表现配置A0.2QPSK两用户曲线间距稳定约4~6dB无地板配置B0.3QPSK用户1曲线变好用户2曲线略差间距收窄配置C0.216QAM两条曲线整体右移6~8dB斜率变缓高SNR段接近地板配置D0.1QPSK用户2接近单用户AWGN曲线用户1低SNR段严重劣化表格中的间距指在相同BER下两个用户所需SNR的差值。α₁0.2时两用户的SINR理论差为10log10(0.8/0.2)≈6dB加上SIC残差干扰实际间距落在5~8dB。若仿真结果间距明显超出这个范围优先怀疑符号重构是否错误——比如sym2Hat没有乘以sqrt(alpha2)或减法前没有对齐信号长度。配置C中16QAM的相邻星座点欧氏距离变小叠加后星座状态数从QPSK的16种增长到256种SIC第一步误判率上升是正常现象曲线变平是预期行为不必怀疑代码错误。4.4 非对称调制一种常用的性能缓解手段当两个用户都使用16QAM时SIC第一步的误符号率会成为用户1的瓶颈。一个工程上很自然的解法是采用非对称调制用户2用QPSK用户1用16QAM。这样SIC第一步只需要分辨4个星座点正确率大幅提高用户1的残差更干净整体BER优于对称16QAM配置。实现时不需要改链路结构只需要在qammod和qamdemod里分别传入不同的M值sym1 qammod(bits1, 16, InputType, bit, UnitAveragePower, true); sym2 qammod(bits2, 4, InputType, bit, UnitAveragePower, true);接收端用户1的SIC第一步用M4解调s₂第二步用M16解调s₁。这种非对称结构的代价是用户2的频谱效率降低——它只传了QPSK的比特率。实际系统设计需要在用户1的吞吐增益和用户2的吞吐损失之间做平衡仿真曲线提供的就是这个量化的取舍依据。5. 扩展到多用户组与仿真验证技巧5.1 从2用户到K用户SIC逐层剥离将发射端推广到K个用户叠加信号变为x sqrt(P) · Σᵢ sqrt(αᵢ)·sᵢ功率分配满足Σαᵢ1按信道质量从差到好分配递减功率。接收端从功率最大的用户开始逐级剥离每层用符号判决重构后从残余信号中减去直到最后一个用户直接从最终残差中解调。MATLAB实现只需把SIC的两步写进for循环rxK rxSig; % 初始残余为完整接收信号 for k 1:K-1 % 从当前残余解调第k个用户的符号 symHat qamdemod(rxK, M, UnitAveragePower, true); % 重构该用户信号并从残余中减去 rxK rxK - sqrt(alpha(k)) * symHat; end % 最后一个用户从最终残差中解调 bitsK qamdemod(rxK, M, OutputType, bit, UnitAveragePower, true);K增大时差错传播逐层累积用户1的曲线会显著上移因此实际仿真中K取3或4即可超过4层后最弱用户往往已经无法从残差中解出有效信息。若论文中需要展示K4以上的结果建议在中间用户上加入信道编码和软判决反馈否则仿真结论会明显偏悲观。5.2 用理论下界校验仿真曲线验证仿真结果最直接的办法是把无干扰单用户QPSK的理论BER曲线作为黑虚线叠到仿真图上。AWGN下QPSK的理论误码率可以用erfc函数计算snrLin 10.^(snrRange/10); theoryBer 0.5 * erfc(sqrt(snrLin)); semilogy(snrRange, theoryBer, k--, LineWidth, 1.2);用户2的仿真曲线应当位于这条理论黑虚线下方且接近用户1由于SIC残差干扰会偏离理论值。如果用户2的仿真BER反而优于理论下界说明awgn注入的噪声功率偏小或measured计算方式出了问题。另一种快速验证手段是使用通信工具箱的bertool图形界面它可以免写代码绘制相同信噪比范围的理论BER曲线适合在做参数扫描前确认参考基准。5.3 调试技巧优先看SIC残差功率SIC减法是否成功用一句代码就能诊断residualPower mean(abs(residual).^2);在SNR较高时残差功率应当趋近于α₁·totalPower即0.2左右。若残差功率仍接近1说明第一步符号重构失败减法没有起到消除干扰的作用此时不必浪费时间去看BER曲线直接检查sym2Hat的调制阶数、均衡方式和符号功率归一化是否正确。这个指标比BER更早暴露问题是我做NOMA仿真时最先查看的诊断量。本文还有配套的精品资源点击获取