简介围绕稀疏码分多址SCMA与DS-MPA检测算法这份MATLAB仿真资源为5G非正交多址技术研究提供了直观的代码实现。包内4个.m脚本分别负责系统仿真主程序、SCMA编码映射、DS-MPA多用户检测及数值稳定辅助计算覆盖从发送端码字生成、瑞利衰落信道传输到接收端迭代检测的完整链路并支持通过调整迭代次数与信道参数分析误码率、误符号率。DS-MPA算法采用分解级联思想将复杂的联合多用户检测拆分为单用户问题的迭代求解兼顾性能与复杂度瑞利信道建模则贴近实际多径传播环境便于评估算法鲁棒性。资源整体仅4KB结构紧凑、易于阅读和修改已有289人学习下载适合通信工程专业学生或无线通信研究人员快速开展SCMA相关仿真实验与课题验证。1. 从 MPA 到 DS-MPA这份 SCMA 仿真资源到底能帮你省多少事如果你正在搭 SCMA 链路仿真大概率会被多用户检测卡住6 个用户共享 4 个资源块每个用户 4 个码字最优联合检测要枚举 4^64096 种码字组合每个资源块上还得全部遍历一遍没跑几步计算量就爆了。工程上没人这么干都用 MPA 这类消息传递算法在因子图上做近似。而 DS-MPA 更进一步把每个资源块的联合检测拆成单用户级联处理复杂度又降了一截迭代 6 次就能收敛到接近最优的误码率。这份资源包里的四个文件——scmaenc.m、DS_MPA.m、log_sum_exp.m、simulation.m——覆盖了从比特编码、稀疏码字叠加、瑞利信道传输到对数域检测的完整链路。适合正在写 SCMA 相关论文、或者搭 5G 非正交多址仿真、需要一个能直接跑通的基线系统的人。2. DS-MPA 检测原理它凭什么把复杂度从指数级拉下来2.1 因子图上的消息传递到底在传什么要理解 DS-MPA先得抓住 MPA 的动机。SCMA 码字是稀疏的J 个用户共享 K 个资源块每个用户的码字只有 N 个非零元素NK所以每个资源块上只叠加了 d_f 个用户的信号。最优 MAP 检测要在每个资源块上枚举这 d_f 个用户的所有码字组合计算量是 M^d_f。如果 d_f3、M4单个资源块只要 64 次乘加看起来不多但乘以资源块数 K 和迭代轮数之后整个系统的计算量会迅速膨胀用户数再多几个就直接不可行了。MPA 的做法是把多用户检测问题画成因子图左侧是用户节点右侧是资源节点用户在某资源块上有非零码字就画一条边。每次迭代分为两步。第一步资源节点根据接收信号和从其他用户节点传来的消息更新自己发给某个用户节点的消息第二步用户节点把从各个资源节点收到的消息乘起来更新自己发出去的码字概率。迭代若干轮后消息逐步收敛到用户码字的近似后验概率。我对这套机制最大的体会是MPA 每一步都在做局部计算单个资源节点只需要考虑和自己相连的那 d_f 个用户这正是稀疏码字带来的红利。如果码字不稀疏、因子图全连接局部计算策略也救不回来。所以 SCMA 码本设计里稀疏模式永远排在第一优先级星座图设计反而在其次。DS-MPA 就是在 MPA 这个骨架上把「局部计算」这一步再拆得更细。2.2 Decomposition SuccessiveDS-MPA 的两个关键动作DS-MPA 的 DS 是 Decomposition 和 Successive 两个词的缩写。Decomposition 指的是把一个资源块上的联合检测任务拆成 d_f 个单用户子任务处理某个用户时把其他用户信号当作干扰用当前已有的估计算出这个用户每个码字的概率处理完这个用户后立刻把它的估计从接收信号里消掉再处理下一个用户。后面的消掉再处理就是 Successive——串行级联。这和并行 MPA 的差异是本质性的。并行 MPA 每轮迭代内所有用户消息同时更新大家看到的都是上一轮的消息DS-MPA 同一轮内后处理的用户能看到前面用户刚算出来的新消息信息更新鲜收敛自然更快。这也是资源包默认迭代次数只设 6 次的原因——实测里 DS-MPA 用一半轮数就能追平并行 MPA 跑 12 轮的效果。代价是串行更新不好直接做并行实现硬件加速时得靠流水线拆。检测器最后要给每个用户输出对数似然比 LLR而 LLR 计算里必然出现 log(sum(exp(…))) 形态的运算这就是 log_sum_exp.m 存在的意义。下面先把它的实现说清楚再讲 DS_MPA 的更新顺序。2.3 log_sum_exp对数域计算的后悔药function y log_sum_exp(x) % 输入 x 是列向量输出 log(sum(exp(x))) % 直接 exp 再求和x 超过 700 左右就溢出成 Inf xmax max(x); if isinf(xmax) y xmax; else y xmax log(sum(exp(x - xmax))); end逻辑说明先把输入向量里的最大值 xmax 提出来所有元素减去它再做 exp这样最大的项映射成 exp(0)1不会触发 Inf最后结果再加上 xmax数学上等价于原始的 log(sum(exp(x)))。如果输入里已经出现 Inf说明上游检测出了 NaN 或溢出这时的安全做法是直接把 xmax 当作结果返回避免 0/0 或 Inf-Inf 这类未定义运算。参数说明x 是某个资源节点传给用户节点的概率对数向量长度等于用户码字数 M在这个资源包里 M4。在实际调用中x 里各元素就是「该用户取第 m 个码字」的对数概率log_sum_exp 算的是归一化因子。少了这一步直接 exp 求和高信噪比下概率对数稍大一点就会爆 Inf这是很多初版 MPA 代码跑出 NaN 的头号原因。2.4 DS_MPA.m 的串行更新核心DS_MPA.m 的循环结构大致是这样的先初始化所有用户码字的对数先验全部设为 -log(M)然后对每个资源块、每个用户做串行消息更新更新完一个用户就把它对相关资源块的贡献刷新一遍。核心代码片段如下% 串行更新按用户顺序逐个处理 for iter 1:max_iter for j 1:J for k find(F(:, j)) % 取出资源块 k 上除了用户 j 之外的其他用户 others find(F(k, :)); others(others j) []; % 遍历用户 j 的 M 个码字计算条件对数概率 for m 1:M % 用当前其他用户的消息估计干扰项累加得到候选概率 msg channel_llr(k, j, m, others, Msg, H, y); Msg{k, j}(m) msg; end % 归一化对数域用 log_sum_exp 而不是直接求 exp Msg{k, j} Msg{k, j} - log_sum_exp(Msg{k, j}); end end end逻辑说明最外层循环控制迭代轮数资源包默认 max_iter6。中间两层分别遍历用户和该用户占用的资源块注意串行的关键就在这——用户 j 的消息一算完立刻写回 Msg 结构后面用户再算自己的消息时拿到的就是用户 j 本轮刚更新的值而不是上一轮的旧值。这就是 Successive 的含义。参数说明Msg{k,j} 存的是资源块 k 传给用户 j 的消息长度是 M4存的是对数概率不是概率本身。find(F(:,j)) 取的是用户 j 的稀疏模式里非零位置对应的资源块索引。归一化那行用了 log_sum_exp 而不是 sum(exp(...))这一步能保证 Msg 里的数值始终是对数量级后面算 LLR 时直接做差即可不会溢出也不会下溢成零。3. scmaenc.m 编码链路稀疏码字是怎么从比特里长出来的3.1 码本结构和稀疏模式先看非零位置怎么排SCMA 编码不是常规的「比特→星座符号→乘扩频序列」而是比特直接映射到一个 K 维复数码字。这个码字的特点是 K 维里只有 N 个位置非零而且同一资源块上叠加的不同用户非零位置是错开的这样多个用户的信号在资源块上叠加后才不会出现完全重叠的干扰。资源包常见的配置是 J6 个用户、K4 个资源块、N2 个非零位置、M4 个码字。6 个用户从 4 个资源块里选 2 个正好是 C(4,2)6 种组合可以实现一对一的稀疏模式映射。实践中用一张 4×6 的 0/1 矩阵 F 来表示每行代表一个资源块每列代表一个用户每列恰好两个 1每行恰好三个 1——三个 1 意味着每个资源块上同时叠加 d_f3 个用户的信号。这张 F 矩阵是编码和检测共用的核心数据结构。scmaenc.m 根据 F 把用户的码字放到对应的资源块上DS_MPA.m 根据 F 决定哪些用户需要参与某个资源块的消息更新。两端引用同一个 F改码本时就不容易两边对不上。我在拆这个包时第一步就是把 F 打出来看确认稀疏模式符合预期再往下读代码。3.2 从比特到码字scmaenc.m 的实现骨架function tx scmaenc(bit, Codebook, F) % bit: J x (log2(M)*frames) 的 0/1 矩阵J 个用户的二进制数据 % Codebook: 1xJ 的元胞数组每个元胞是 K x M 的复矩阵 % F: K x J 稀疏模式矩阵 % tx: K x frames 的叠加发送信号 [J, total_bits] size(bit); K size(F, 1); M size(Codebook{1}, 2); logM log2(M); frames total_bits / logM; tx zeros(K, frames); for j 1:J bits_j bit(j, :); idx bi2de(reshape(bits_j, logM, frames)., left-msb) 1; for f 1:frames tx(:, f) tx(:, f) Codebook{j}(:, idx(f)); end end逻辑说明外层循环按用户处理每个用户每 log2(M) 个比特转换成一个十进制码字索引然后去码本 Codebook{j} 里取第 idx 列。这个列本身就是 K 维复数向量非零位置与 F 的第 j 列一致。把该用户的码字加到发送信号 tx 对应帧上所有用户处理完后tx 就是叠加后的 SCMA 发送信号。参数说明bi2de 是 Communications Toolbox 的函数没有这个工具箱时可以自己实现idx bits_j(1)*2 bits_j(2) 1假设 M4、logM2。帧数 frames 由总比特数除以每符号比特数得到仿真时一般设成几千到几万帧用来累积统计误码率。Codebook{j}(:, idx) 取的是复数码字不是实数用户叠加也是复数域叠加后面瑞利信道衰落的实部虚部都要一起处理。3.3 码本功率归一化第一眼看不出来、跑起来才头疼的坑码本里每个码字的功率必须提前归一化。具体做法是让每个码字列向量的非零元素模平方和等于同一个常数常见做法是归一化到 1。如果不做这一步不同用户的码字幅度参差不齐仿真里的信噪比定义就会全乱套——某个用户统计 BER 时等效 SNR 比别人偏了 1~2 dB最后的平均误码率曲线会被拉偏跟已发表论文对不上。我一般会在读码本时顺手算一下每列的 norm打印出来看是不是一致。公开代码里拿来的码本十个有八个没做这步。如果你发现仿真曲线整体偏移、或者高 SNR 区出现诡异平台优先检查码本功率别急着改迭代次数。4. simulation.m 完整仿真瑞利信道下把 BER 曲线跑出来4.1 主循环骨架simulation.m 做的事情可以概括成一段话设定系统参数初始化码本和稀疏模式然后在一系列 SNR 点上反复执行「生成随机比特→编码→过瑞利信道→加高斯噪声→DS-MPA 检测→统计误码」这个循环。核心结构如下J 6; K 4; M 4; max_iter 6; EbN0dB 0:2:16; num_frames 5000; for snr_idx 1:length(EbN0dB) EbN0 10^(EbN0dB(snr_idx)/10); N0 1 / (log2(M) * EbN0); noise_var N0 / 2; total_bit_errors 0; total_bits 0; for frame 1:num_frames bit randi([0 1], J, log2(M)); tx scmaenc(bit, Codebook, F); h (randn(K, J) 1j*randn(K, J)) / sqrt(2); rx sum(h .* tx, 2) sqrt(noise_var) * (randn(K,1) 1j*randn(K,1)); llr DS_MPA(rx, h, Codebook, F, max_iter); % 硬判决 统计误码 est_bits llr 0; total_bit_errors total_bit_errors sum(bit(:) ~ est_bits(:)); total_bits total_bits numel(bit); end BER(snr_idx) total_bit_errors / total_bits; end逻辑说明外层循环遍历 SNR 点内层循环跑固定帧数。每帧内先随机生成 6 个用户的比特编码成发送信号 tx随后生成瑞利信道矩阵 h尺寸是 K×J表示每个用户在每个资源块上的信道增益接收端把信道作用后的信号叠加再加上复高斯噪声。DS_MPA 检测完输出 LLR硬判决后统计误码。参数说明num_frames 设 5000 是折中——帧太少 BER 抖动大帧太多仿真时间翻倍。高 SNR 区误码率低想看到 1e-4 量级至少要几万帧我一般会先跑 2000 帧验证流程确认无误后再加大到 20000 帧出图。4.2 瑞利信道系数给每个资源块一个复衰落瑞利信道的核心是生成服从复高斯分布的衰落系数h (randn 1j*randn) / sqrt(2)。这样生成的 h模平方的期望是 1也就是信道平均不放大也不衰减信号方便后面按 Eb/N0 换算噪声功率。这里的细节是 h 的维度。SCMA 上行链路里每个用户的信号只落在自己码字的非零资源块上而 F 矩阵记录了这个对应关系。simulation.m 里直接生成 K×J 的满矩阵让 DS_MPA 在更新消息时根据 F 取用对应位置的 h这个做法实现起来简单但要注意F 里为零的位置h 就算生成了也不该参与计算否则会把不存在的信道路径当成有效信号处理。4.3 Eb/N0 与噪声功率换算整个仿真最容易算错的公式噪声功率的换算我单独拿出来说因为这里翻车概率最高。发送端码本每列归一化到 1那么每个用户每符号能量是 1每比特能量 Eb 1/log2(M)。给定 Eb/N0噪声单边功率谱密度 N0 1/(log2(M)*EbN0)。复噪声是二维的实部虚部各占 N0/2 的方差所以加噪时要用sqrt(N0/2)*(randn1j*randn)而不是直接乘sqrt(N0)。常见的错误是把复噪声总方差当成 N0结果等效 SNR 高了 3 dBBER 曲线比正确结果偏优跟论文对不上时第一个怀疑的就是这里。另一个经常被忽略的点是Eb/N0 定义里 Eb 是每用户每比特能量多用户叠加后的总接收功率是 J 倍但噪声功率不变所以用户数变化时 BER 曲线位置会移动拿不同用户数的结果放同一张图对比时必须要确认两边用的 Eb/N0 口径一致。5. 避坑指南跑这套 DS-MPA 代码最容易翻车的五个地方5.1 现象高信噪比下 BER 突然变成 NaN原因LLR 计算里出现了 log(0) 或者 0/0。高 SNR 下某个码字后验概率会极端集中正常码字的概率可能下溢成 0取对数就是 -Inf再参与运算就变成 NaN。解决所有概率运算在取对数之前加一个极小量比如log(p 1e-12)对数域里则用 log_sum_exp 统一做归一化避免直接构造概率再取对数。我检查代码时还会顺手把中间变量里的 NaN 位置打出来定位到具体是哪个资源块哪次迭代出的问题。5.2 现象迭代次数从 6 加到 12BER 纹丝不动原因消息初始化写错了。把先验对数概率初始化为 0等于认为每个码字的概率是 exp(0)1归一化之前概率总和是 4 而不是 1消息更新的归一化因子全错迭代收敛到了错误的不动点。解决初始化改为-log(M)也就是四个码字均匀分布的对数概率。改完这行BER 曲线通常立刻恢复正常下降趋势。这个坑我见过不止一次症状很有迷惑性——低 SNR 时影响不明显高 SNR 时曲线就是压不下去。5.3 现象DS-MPA 跑出来的结果和普通并行 MPA 完全一样原因看起来串行的代码实际还是并行更新。常见写法是先把所有用户的新消息算到临时变量里一轮结束后统一写回 Msg 结构这就把串行退化成了并行。解决检查用户循环内部是否直接对 Msg{k,j} 就地赋值后一个用户读取 Msg 时是否包含前面用户刚更新的值。DS-MPA 的性能优势全靠这个「新消息即时可见」写成临时变量中转就等于丢掉了 Successive 的核心。5.4 现象瑞利信道下 BER 曲线比已发表论文差 2~3 dB原因瑞利信道系数没归一化。直接randn 1j*randn生成的复高斯随机变量功率期望是 2会让信号被平均放大 3 dB但噪声没变等效 SNR 偏低曲线自然右移。解决除以 sqrt(2)让 E(|h|^2)1。我建议在仿真里打印一次mean(abs(h(:)).^2)确认这个值接近 1每次改信道模型都顺手验一下。5.5 现象换一个码本后 BER 性能大变甚至不如随机星座原因码本非零位置和 F 矩阵不匹配或者码本功率没归一化。SCMA 码本设计本身就很敏感非零位置的选取直接决定因子图结构换码本时 F 必须同步更新。解决码本放进 Codebook cell 前先逐列检查非零位置和 F 的第 j 列是否一致、每列能量是否相等、星座各维度是否在合理范围内。我一般会在 scmaenc.m 里加一个断言发现不匹配立即报错免得仿真跑了半小时才发现在用错码本。6. 进阶用迭代扫描验证 DS-MPA 的收敛边界别把 6 次迭代当玄学资源包默认迭代次数是 6但 6 不是从天上掉下来的。不同信道条件、不同用户数下DS-MPA 收敛需要的迭代次数会变。我在跑正式仿真前通常会做一次收敛性扫描EbN0_fixed 10; % 固定在中等信噪比观察收敛趋势 num_frames 10000; for iter_test 1:10 % 固定随机种子保证每个迭代次数跑的是同一批数据 rng(42); % 完整仿真循环detector 内部 max_iter 换成 iter_test BER_iter(iter_test) run_simulation(EbN0_fixed, num_frames, iter_test); end plot(1:10, log10(BER_iter), -o);固定随机种子这一步是很多人忽略的关键帧数有限时 BER 本身有随机抖动不固定种子不同迭代次数的 BER 差异里混入了噪声很难看清真正的收敛趋势。固定 rng(42) 之后BER 随迭代次数的变化就纯粹来自算法本身。脚本跑完看曲线在哪个迭代次数之后不再明显下降那个点就是当前配置的收敛边界。如果 6 次时曲线还在陡降就要把默认迭代次数调上去如果 3 次就平了6 次纯属浪费算力。我在一次改信道模型时遇到过高 SNR 下 BER 平台降不下去的情况直觉以为迭代不够扫了一圈发现是信道系数没归一化。从那以后我每次调迭代次数都强制先做一遍收敛扫描顺手把 h 的功率也打印出来。这套习惯帮我省掉了大量排查时间。希望帮到你。本文还有配套的精品资源点击获取