简介面向无线通信与多入多出系统学习者的MATLAB仿真程序针对双发射双接收天线结构在瑞利衰落信道下采用十六进制正交幅度调制实现迫零、最小均方误差、迫零串行干扰消除和最小均方误差串行干扰消除四种典型检测算法并输出误码率性能对比曲线可直接用于课程实验或算法验证适合通信工程、电子信息类专业本科生与研究生学习参考。压缩包内仅一个点m脚本文件大小约两KB代码紧凑聚焦便于阅读、修改与移植。该资源已有三百三十余人下载学习受到相关领域用户关注。借助这份代码可快速掌握线性检测与串行干扰消除检测的原理差异理解不同信噪比条件下各算法的可靠性表现也可作为毕业设计或科研复现的起点。通过误码率曲线的横向比较能直观看出串行干扰消除在高信噪比下的性能增益与计算开销折中为系统设计提供依据。1. 2×2 MIMO 的四种检测器先搞清楚差异再跑误码率同样是 2 发射 2 接收、16QAM、瑞利信道ZF、MMSE、ZF-SIC、MMSE-SIC 四条路跑出来的误码率曲线可以拉开一到两个数量级。这个 MATLAB 仿真项目把四种检测器放在同一个信道与星座映射下做比较适合刚接触 MIMO 检测又不想去翻推导的工程师。项目主体是一个.m脚本包含信道生成、16QAM 调制、四种检测函数和误码率统计循环改参数即可复用到其他天线配置。对想理解“线性检测为什么在低信噪比吃亏”以及“SIC 排序为什么重要”的人来说这份代码是一个可断点调试、可画图的现成载体。2. 仿真框架从瑞利信道生成到 16QAM 的误码率统计2.1 2 发 2 收系统模型与默认参数MIMO 检测的第一个关键是信道矩阵 H 的形态。2×2 配置里 H 是 2×2 复数矩阵每个元素h_ij表示第 j 根发射天线到第 i 根接收天线之间的复增益。瑞利平坦衰落假设下h_ij的实部和虚部分别服从均值为 0、方差 0.5 的复高斯分布这样|h_ij|^2的期望为 1接收端功率不会出现系统性偏移。发送向量 x 是 2×1 的 16QAM 符号向量接收向量模型写为y H*x n。这个模型可以直接用矩阵操作一次生成一帧数据。下面是脚本里常用的仿真默认值复现时只需改SNR_dB数组和蒙特卡洛帧数。参数值说明Tx2发射天线数Rx2接收天线数M1616QAM每符号 4 bit信道类型瑞利平坦衰落帧内 H 不变帧间独立变化帧长1000 符号每个天线传输 1000 个符号SNR 范围0~20 dB可视检测器收敛情况调整每 SNR 下帧数100~200高 SNR 时需要更多帧如果直接把randn生成的实部虚部相加而不除以sqrt(2)信道方差变成 2最终信噪比会整体偏移误码率曲线看起来会比标准结果差约 3 dB。许多人第一版曲线异常原因往往在这里。2.2 发射链路与瑞利信道生成项目里的脚本把调制、加噪、检测放在同一个文件里。为了讲清楚边界我一般会把发射和信道生成拆出来单独看核心代码如下。tx 2; rx 2; M 16; k log2(M); frameLen 1000; % 每帧每个天线上发送 1000 个符号 % 瑞利平坦衰落信道每个元素实部虚部方差 0.5 H (randn(rx, tx) 1j*randn(rx, tx)) / sqrt(2); % 16QAM 调制平均符号功率归一化为 1 data randi([0 M-1], tx*frameLen, 1); symbols qammod(data, M, UnitAveragePower, true); % 按发射天线重排为 2×frameLen 矩阵 x reshape(symbols, tx, frameLen);这段代码说明三个容易被忽略的点。qammod的UnitAveragePower参数确保 16QAM 所有星座点平均功率为 1这直接决定后面噪声方差的计算方式。H的实部和虚部分别用标准正态分布生成后除以sqrt(2)得到每根接收天线的平均接收功率接近 2对应两根发射天线等功率叠加。x按列组织第 j 行是第 j 根发射天线在一帧内的符号序列后续矩阵乘法才满足y H*x n的维度约定。2.3 误码率统计口径与公平比较误码率不能直接用符号错误数除以总符号数。16QAM 每个符号承载 4 bit正确做法是用比特错误数除以总比特数。项目中的统计口径建议写成ber bitErrors / (frameLen * tx * k)其中bitErrors由解调后的符号索引与原始索引逐位比较得到。比较四种检测器时还要保证公平性。每一帧只重新生成一次 H四路检测共用同一个 H、同一份 16QAM 符号和同一个噪声向量误码率差异才完全来自检测算法本身。如果把 H 放进检测器循环里各自随机生成低信噪比下看不出问题高信噪比下会引入额外抖动。3. ZF 与 MMSE线性均衡的矩阵求逆与噪声增强控制3.1 ZF 的核心是迫零但代价是噪声放大ZF 检测器的思路是对接收向量 y 左乘信道伪逆完全消除天线间干扰。接收天线数与发射天线数相等时可直接写成W_zf pinv(H)估计值为xHat W_zf * y。如果接收天线大于发射天线则应统一使用伪逆形式pinv(H) (H*H)^(-1) * H。MATLAB 中对方阵inv(H)和pinv(H)结果一致但伪逆对病态矩阵更稳定建议统一用pinv。问题也随之而来。当 H 的两列相关性较强时信道矩阵接近奇异pinv(H)的奇异值会放大噪声。高信噪比下 ZF 能正常工作低信噪比下噪声往往占主导。这也是 ZF 在 0~8 dB 区间误码率被 MMSE 明显拉开的原因。3.2 MMSE 在逆矩阵里加入噪声项MMSE 检测矩阵在信道自相关矩阵的对角线上加入噪声方差项W_mmse (H*H σ²I)^(-1) * Hσ² 是接收端每根天线上的复噪声方差。当 σ² 趋近 0 时MMSE 退化为 ZF当噪声较大时对角项相当于给求逆矩阵加了正则化避免小奇异值导致的噪声放大。对于功率归一化的 16QAM给定信噪比snr_dB时噪声方差为noiseVar 10^(-snr_dB/10)。需要注意这里的 σ² 是复符号总方差如果写成noiseVar/2则会低估噪声误码率曲线会异常偏优。3.3 线性检测的 MATLAB 实现与误码率曲线下面的函数实现了两种线性检测器的完整仿真循环返回 ZF 和 MMSE 的误码率向量。function [berZf, berMmse] linear_detector(snr_dB, numFrames, frameLen) tx 2; rx 2; M 16; k log2(M); berZf zeros(size(snr_dB)); berMmse zeros(size(snr_dB)); for idx 1:length(snr_dB) noiseVar 10^(-snr_dB(idx)/10); % 平均符号能量 Es1 totalBits 0; errZf 0; errMmse 0; for f 1:numFrames H (randn(rx, tx) 1j*randn(rx, tx)) / sqrt(2); data randi([0 M-1], tx*frameLen, 1); symbols qammod(data, M, UnitAveragePower, true); x reshape(symbols, tx, frameLen); % 每根接收天线的复高斯噪声实部虚部方差各为 noiseVar/2 noise sqrt(noiseVar/2) * (randn(rx, frameLen) 1j*randn(rx, frameLen)); y H * x noise; % ZF 检测伪逆 Wzf pinv(H); xHatZf Wzf * y; % MMSE 检测对角正则化 Wmmse (H*H noiseVar * eye(tx)) \ H; xHatMmse Wmmse * y; % 判决并按比特统计 demZf qamdemod(xHatZf(:), M, UnitAveragePower, true); demMmse qamdemod(xHatMmse(:), M, UnitAveragePower, true); errZf errZf sum(de2bi(demZf, k) ~ de2bi(data, k), all); errMmse errMmse sum(de2bi(demMmse, k) ~ de2bi(data, k), all); totalBits totalBits numel(data) * k; end berZf(idx) errZf / totalBits; berMmse(idx) errMmse / totalBits; end end代码中noiseVar/2分别给实部和虚部合起来的平均功率正好是noiseVar。qamdemod(..., UnitAveragePower, true)与发射端归一化方式保持一致。de2bi把 0~15 的符号索引展开成 4 bit 矩阵逐位比较才能正确计算比特错误率。如果把Wmmse那行去掉只保留Wzf就是纯 ZF 的基线。这里最值得观察的是低信噪比段berMmse通常会比berZf低数倍。4. 串行干扰消除ZF-SIC 与 MMSE-SIC 的排序策略4.1 SIC 的基本流程检测、重构、相减串行干扰消除的思路是逐层检测先检测出第一根发射天线的符号重构它经过信道后的接收贡献再从 y 中减掉剩余信号只包含第二根天线的符号和噪声。2×2 系统只需要两次迭代但第一次检测的错误会直接污染第二次检测这就是误差传播。实际做法是每一层都用线性检测器做一个软估计再通过最近邻判决恢复 16QAM 符号。判决后的符号乘以对应的信道列向量得到对该天线接收贡献的估计然后从接收向量中减去。这个减法做得好不好取决于第一层符号判决是否准确。如果第一层用 MMSE低信噪比下的误判率比 ZF 更低所以 MMSE-SIC 通常优于 ZF-SIC。4.2 排序的作用先检测更可靠的天线固定顺序检测在信道两列增益差异明显时会吃亏。更好的策略是在每一层都从剩余天线中选出信噪比最高的一根先检测。对 ZF 检测器输出信噪比与pinv(H)的行能量成反比对 MMSE 检测器可以用等效 SINR 近似。排序的意义在 2×2 系统里尤其直观。假设第一根天线经历了强衰落第二根天线信道很好。如果强行先检测第一根误判概率高误差传播会把第二根也带偏。如果先检测第二根第一根在干扰消除后会更容易判决。排序操作在 2×2 矩阵规模下的开销几乎可以忽略因此项目中的 SIC 检测应当谨慎删除排序逻辑。4.3 MATLAB 实现 ZF-SIC 与 MMSE-SIC下面给出一个可直接运行在 2×2 配置下的 SIC 核心函数。method参数传入zf或mmse返回恢复的符号矩阵。function xHat sic_detector(y, H, noiseVar, method) tx size(H, 2); Htmp H; ytmp y; xHat zeros(tx, size(y, 2)); remaining 1:tx; % 记录原始天线位置 for stage 1:tx if strcmpi(method, zf) G pinv(Htmp); snrGuess 1 ./ sum(abs(G).^2, 2); else G (Htmp * Htmp noiseVar * eye(size(Htmp, 2))) \ Htmp; wNorm sum(abs(G).^2, 2); snrGuess 1 ./ wNorm; end % 选择信噪比最高的一层 [~, best] max(snrGuess); z G(best, :) * ytmp; % 16QAM 最近邻判决 estSym qamdemod(z, 16, UnitAveragePower, true); % 按原始天线位置放回结果 pos remaining(best); xHat(pos, :) estSym; % 干扰消除减去该天线对接收信号的贡献 ytmp ytmp - Htmp(:, best) * estSym; % 从待检测集合中删除该天线 Htmp(:, best) []; remaining(best) []; end end代码逻辑上snrGuess表示当前剩余层在检测器输出端的信号质量估计。ZF 分支直接用pinv(Htmp)的行能量近似噪声方差MMSE 分支则通过对角正则化后的等效增益来估计 SINR。remaining向量在每次迭代删除一个下标确保xHat恢复后的行顺序与发射天线顺序一致。Htmp(:, best) []是 MATLAB 中删除矩阵列的标准写法删除后下一轮求逆规模从 2×2 降到 1×1体现了 SIC 逐层解除干扰的本质。如果希望实现严格意义的 MMSE-SIC还需要在每次干扰消除后更新残余噪声方差。上面这份代码做了简化处理2×2 场景下对最终误码率影响不大。换成 4×4 或更高阶时噪声方差更新对 BER 的影响会明显起来。4.4 四种检测器的复杂度与误码率位置下表总结了在 2×2 配置下四种检测器的相对表现。检测器主要运算误码率相对位置适用信噪比段ZF一次伪逆最差16 dB 以上可用MMSE一次带正则化的求逆优于 ZF全 SNR 段ZF-SIC两次伪逆 排序中高段优于 ZF10 dB 以上明显MMSE-SIC两次带正则化求逆 排序最优0~12 dB 差距最大2×2 矩阵求逆的耗时差异几乎感觉不到真正的复杂度在排序和干扰消除的次数。MMSE-SIC 在低信噪比下受益于第一层判决的可靠性所以它和 ZF-SIC 的差距会随着 SNR 升高而缩小。观察误码率曲线时建议把 4~12 dB 区间放大看那里是四种算法排序最容易拉开的地方。5. 验证误码率曲线的三个技巧收敛判决、SNR 换算与单链路调试5.1 设置最小错误计数而不是固定帧数固定蒙特卡洛帧数在低误码率下会造成曲线抖动。高 SNR 区间 ZF 误码率低跑 100 帧可能只有几个比特错误统计结果不可信。更合理的做法是先设定最小错误数比如minErrs 200循环内每跑完一帧就检查累计误码数达到目标后再进入下一个 SNR 点。这样做不会明显增加总耗时但能避免曲线尾部出现锯齿状跳动。5.2 先确认横轴是 Eb/No 还是 Es/No大多数 MATLAB 仿真脚本默认使用符号信噪比 Es/No因为 16QAM 符号平均功率归一化为 1 后噪声方差可以直接用10^(-snr_dB/10)。若要和文献中的误码率曲线对比需要把横轴换算成 Eb/NoEbNo_dB EsNo_dB - 10*log10(k)16QAM 的k4所以差值约是 6.02 dB。很多人在比较 ZF 和 MMSE-SIC 时发现曲线差距比预期小本质上是把两条曲线的横轴单位混用了。5.3 用固定信道矩阵观察 SIC 的误差传播固定一个条件数较大的信道矩阵比如H [1 0.2; 0.3 0.9]固定 SNR单独跑一次 SIC把第一层和第二层的判决结果分别保存下来。这样能直接看到第一层误判后第二层符号被拉偏的现象。和完整 BER 曲线相比这种单链路验证更容易定位排序算法是否失效也是判断 SIC 实现正确性的第一道检查。项目脚本里如果发现 MMSE-SIC 与 MMSE 几乎重合优先检查排序是否生效而不是怀疑噪声方差算错。本文还有配套的精品资源点击获取 2×2 MIMO四种检测器误码率仿真对比：ZF/MMSE/SIC算法解析
简介面向无线通信与多入多出系统学习者的MATLAB仿真程序针对双发射双接收天线结构在瑞利衰落信道下采用十六进制正交幅度调制实现迫零、最小均方误差、迫零串行干扰消除和最小均方误差串行干扰消除四种典型检测算法并输出误码率性能对比曲线可直接用于课程实验或算法验证适合通信工程、电子信息类专业本科生与研究生学习参考。压缩包内仅一个点m脚本文件大小约两KB代码紧凑聚焦便于阅读、修改与移植。该资源已有三百三十余人下载学习受到相关领域用户关注。借助这份代码可快速掌握线性检测与串行干扰消除检测的原理差异理解不同信噪比条件下各算法的可靠性表现也可作为毕业设计或科研复现的起点。通过误码率曲线的横向比较能直观看出串行干扰消除在高信噪比下的性能增益与计算开销折中为系统设计提供依据。1. 2×2 MIMO 的四种检测器先搞清楚差异再跑误码率同样是 2 发射 2 接收、16QAM、瑞利信道ZF、MMSE、ZF-SIC、MMSE-SIC 四条路跑出来的误码率曲线可以拉开一到两个数量级。这个 MATLAB 仿真项目把四种检测器放在同一个信道与星座映射下做比较适合刚接触 MIMO 检测又不想去翻推导的工程师。项目主体是一个.m脚本包含信道生成、16QAM 调制、四种检测函数和误码率统计循环改参数即可复用到其他天线配置。对想理解“线性检测为什么在低信噪比吃亏”以及“SIC 排序为什么重要”的人来说这份代码是一个可断点调试、可画图的现成载体。2. 仿真框架从瑞利信道生成到 16QAM 的误码率统计2.1 2 发 2 收系统模型与默认参数MIMO 检测的第一个关键是信道矩阵 H 的形态。2×2 配置里 H 是 2×2 复数矩阵每个元素h_ij表示第 j 根发射天线到第 i 根接收天线之间的复增益。瑞利平坦衰落假设下h_ij的实部和虚部分别服从均值为 0、方差 0.5 的复高斯分布这样|h_ij|^2的期望为 1接收端功率不会出现系统性偏移。发送向量 x 是 2×1 的 16QAM 符号向量接收向量模型写为y H*x n。这个模型可以直接用矩阵操作一次生成一帧数据。下面是脚本里常用的仿真默认值复现时只需改SNR_dB数组和蒙特卡洛帧数。参数值说明Tx2发射天线数Rx2接收天线数M1616QAM每符号 4 bit信道类型瑞利平坦衰落帧内 H 不变帧间独立变化帧长1000 符号每个天线传输 1000 个符号SNR 范围0~20 dB可视检测器收敛情况调整每 SNR 下帧数100~200高 SNR 时需要更多帧如果直接把randn生成的实部虚部相加而不除以sqrt(2)信道方差变成 2最终信噪比会整体偏移误码率曲线看起来会比标准结果差约 3 dB。许多人第一版曲线异常原因往往在这里。2.2 发射链路与瑞利信道生成项目里的脚本把调制、加噪、检测放在同一个文件里。为了讲清楚边界我一般会把发射和信道生成拆出来单独看核心代码如下。tx 2; rx 2; M 16; k log2(M); frameLen 1000; % 每帧每个天线上发送 1000 个符号 % 瑞利平坦衰落信道每个元素实部虚部方差 0.5 H (randn(rx, tx) 1j*randn(rx, tx)) / sqrt(2); % 16QAM 调制平均符号功率归一化为 1 data randi([0 M-1], tx*frameLen, 1); symbols qammod(data, M, UnitAveragePower, true); % 按发射天线重排为 2×frameLen 矩阵 x reshape(symbols, tx, frameLen);这段代码说明三个容易被忽略的点。qammod的UnitAveragePower参数确保 16QAM 所有星座点平均功率为 1这直接决定后面噪声方差的计算方式。H的实部和虚部分别用标准正态分布生成后除以sqrt(2)得到每根接收天线的平均接收功率接近 2对应两根发射天线等功率叠加。x按列组织第 j 行是第 j 根发射天线在一帧内的符号序列后续矩阵乘法才满足y H*x n的维度约定。2.3 误码率统计口径与公平比较误码率不能直接用符号错误数除以总符号数。16QAM 每个符号承载 4 bit正确做法是用比特错误数除以总比特数。项目中的统计口径建议写成ber bitErrors / (frameLen * tx * k)其中bitErrors由解调后的符号索引与原始索引逐位比较得到。比较四种检测器时还要保证公平性。每一帧只重新生成一次 H四路检测共用同一个 H、同一份 16QAM 符号和同一个噪声向量误码率差异才完全来自检测算法本身。如果把 H 放进检测器循环里各自随机生成低信噪比下看不出问题高信噪比下会引入额外抖动。3. ZF 与 MMSE线性均衡的矩阵求逆与噪声增强控制3.1 ZF 的核心是迫零但代价是噪声放大ZF 检测器的思路是对接收向量 y 左乘信道伪逆完全消除天线间干扰。接收天线数与发射天线数相等时可直接写成W_zf pinv(H)估计值为xHat W_zf * y。如果接收天线大于发射天线则应统一使用伪逆形式pinv(H) (H*H)^(-1) * H。MATLAB 中对方阵inv(H)和pinv(H)结果一致但伪逆对病态矩阵更稳定建议统一用pinv。问题也随之而来。当 H 的两列相关性较强时信道矩阵接近奇异pinv(H)的奇异值会放大噪声。高信噪比下 ZF 能正常工作低信噪比下噪声往往占主导。这也是 ZF 在 0~8 dB 区间误码率被 MMSE 明显拉开的原因。3.2 MMSE 在逆矩阵里加入噪声项MMSE 检测矩阵在信道自相关矩阵的对角线上加入噪声方差项W_mmse (H*H σ²I)^(-1) * Hσ² 是接收端每根天线上的复噪声方差。当 σ² 趋近 0 时MMSE 退化为 ZF当噪声较大时对角项相当于给求逆矩阵加了正则化避免小奇异值导致的噪声放大。对于功率归一化的 16QAM给定信噪比snr_dB时噪声方差为noiseVar 10^(-snr_dB/10)。需要注意这里的 σ² 是复符号总方差如果写成noiseVar/2则会低估噪声误码率曲线会异常偏优。3.3 线性检测的 MATLAB 实现与误码率曲线下面的函数实现了两种线性检测器的完整仿真循环返回 ZF 和 MMSE 的误码率向量。function [berZf, berMmse] linear_detector(snr_dB, numFrames, frameLen) tx 2; rx 2; M 16; k log2(M); berZf zeros(size(snr_dB)); berMmse zeros(size(snr_dB)); for idx 1:length(snr_dB) noiseVar 10^(-snr_dB(idx)/10); % 平均符号能量 Es1 totalBits 0; errZf 0; errMmse 0; for f 1:numFrames H (randn(rx, tx) 1j*randn(rx, tx)) / sqrt(2); data randi([0 M-1], tx*frameLen, 1); symbols qammod(data, M, UnitAveragePower, true); x reshape(symbols, tx, frameLen); % 每根接收天线的复高斯噪声实部虚部方差各为 noiseVar/2 noise sqrt(noiseVar/2) * (randn(rx, frameLen) 1j*randn(rx, frameLen)); y H * x noise; % ZF 检测伪逆 Wzf pinv(H); xHatZf Wzf * y; % MMSE 检测对角正则化 Wmmse (H*H noiseVar * eye(tx)) \ H; xHatMmse Wmmse * y; % 判决并按比特统计 demZf qamdemod(xHatZf(:), M, UnitAveragePower, true); demMmse qamdemod(xHatMmse(:), M, UnitAveragePower, true); errZf errZf sum(de2bi(demZf, k) ~ de2bi(data, k), all); errMmse errMmse sum(de2bi(demMmse, k) ~ de2bi(data, k), all); totalBits totalBits numel(data) * k; end berZf(idx) errZf / totalBits; berMmse(idx) errMmse / totalBits; end end代码中noiseVar/2分别给实部和虚部合起来的平均功率正好是noiseVar。qamdemod(..., UnitAveragePower, true)与发射端归一化方式保持一致。de2bi把 0~15 的符号索引展开成 4 bit 矩阵逐位比较才能正确计算比特错误率。如果把Wmmse那行去掉只保留Wzf就是纯 ZF 的基线。这里最值得观察的是低信噪比段berMmse通常会比berZf低数倍。4. 串行干扰消除ZF-SIC 与 MMSE-SIC 的排序策略4.1 SIC 的基本流程检测、重构、相减串行干扰消除的思路是逐层检测先检测出第一根发射天线的符号重构它经过信道后的接收贡献再从 y 中减掉剩余信号只包含第二根天线的符号和噪声。2×2 系统只需要两次迭代但第一次检测的错误会直接污染第二次检测这就是误差传播。实际做法是每一层都用线性检测器做一个软估计再通过最近邻判决恢复 16QAM 符号。判决后的符号乘以对应的信道列向量得到对该天线接收贡献的估计然后从接收向量中减去。这个减法做得好不好取决于第一层符号判决是否准确。如果第一层用 MMSE低信噪比下的误判率比 ZF 更低所以 MMSE-SIC 通常优于 ZF-SIC。4.2 排序的作用先检测更可靠的天线固定顺序检测在信道两列增益差异明显时会吃亏。更好的策略是在每一层都从剩余天线中选出信噪比最高的一根先检测。对 ZF 检测器输出信噪比与pinv(H)的行能量成反比对 MMSE 检测器可以用等效 SINR 近似。排序的意义在 2×2 系统里尤其直观。假设第一根天线经历了强衰落第二根天线信道很好。如果强行先检测第一根误判概率高误差传播会把第二根也带偏。如果先检测第二根第一根在干扰消除后会更容易判决。排序操作在 2×2 矩阵规模下的开销几乎可以忽略因此项目中的 SIC 检测应当谨慎删除排序逻辑。4.3 MATLAB 实现 ZF-SIC 与 MMSE-SIC下面给出一个可直接运行在 2×2 配置下的 SIC 核心函数。method参数传入zf或mmse返回恢复的符号矩阵。function xHat sic_detector(y, H, noiseVar, method) tx size(H, 2); Htmp H; ytmp y; xHat zeros(tx, size(y, 2)); remaining 1:tx; % 记录原始天线位置 for stage 1:tx if strcmpi(method, zf) G pinv(Htmp); snrGuess 1 ./ sum(abs(G).^2, 2); else G (Htmp * Htmp noiseVar * eye(size(Htmp, 2))) \ Htmp; wNorm sum(abs(G).^2, 2); snrGuess 1 ./ wNorm; end % 选择信噪比最高的一层 [~, best] max(snrGuess); z G(best, :) * ytmp; % 16QAM 最近邻判决 estSym qamdemod(z, 16, UnitAveragePower, true); % 按原始天线位置放回结果 pos remaining(best); xHat(pos, :) estSym; % 干扰消除减去该天线对接收信号的贡献 ytmp ytmp - Htmp(:, best) * estSym; % 从待检测集合中删除该天线 Htmp(:, best) []; remaining(best) []; end end代码逻辑上snrGuess表示当前剩余层在检测器输出端的信号质量估计。ZF 分支直接用pinv(Htmp)的行能量近似噪声方差MMSE 分支则通过对角正则化后的等效增益来估计 SINR。remaining向量在每次迭代删除一个下标确保xHat恢复后的行顺序与发射天线顺序一致。Htmp(:, best) []是 MATLAB 中删除矩阵列的标准写法删除后下一轮求逆规模从 2×2 降到 1×1体现了 SIC 逐层解除干扰的本质。如果希望实现严格意义的 MMSE-SIC还需要在每次干扰消除后更新残余噪声方差。上面这份代码做了简化处理2×2 场景下对最终误码率影响不大。换成 4×4 或更高阶时噪声方差更新对 BER 的影响会明显起来。4.4 四种检测器的复杂度与误码率位置下表总结了在 2×2 配置下四种检测器的相对表现。检测器主要运算误码率相对位置适用信噪比段ZF一次伪逆最差16 dB 以上可用MMSE一次带正则化的求逆优于 ZF全 SNR 段ZF-SIC两次伪逆 排序中高段优于 ZF10 dB 以上明显MMSE-SIC两次带正则化求逆 排序最优0~12 dB 差距最大2×2 矩阵求逆的耗时差异几乎感觉不到真正的复杂度在排序和干扰消除的次数。MMSE-SIC 在低信噪比下受益于第一层判决的可靠性所以它和 ZF-SIC 的差距会随着 SNR 升高而缩小。观察误码率曲线时建议把 4~12 dB 区间放大看那里是四种算法排序最容易拉开的地方。5. 验证误码率曲线的三个技巧收敛判决、SNR 换算与单链路调试5.1 设置最小错误计数而不是固定帧数固定蒙特卡洛帧数在低误码率下会造成曲线抖动。高 SNR 区间 ZF 误码率低跑 100 帧可能只有几个比特错误统计结果不可信。更合理的做法是先设定最小错误数比如minErrs 200循环内每跑完一帧就检查累计误码数达到目标后再进入下一个 SNR 点。这样做不会明显增加总耗时但能避免曲线尾部出现锯齿状跳动。5.2 先确认横轴是 Eb/No 还是 Es/No大多数 MATLAB 仿真脚本默认使用符号信噪比 Es/No因为 16QAM 符号平均功率归一化为 1 后噪声方差可以直接用10^(-snr_dB/10)。若要和文献中的误码率曲线对比需要把横轴换算成 Eb/NoEbNo_dB EsNo_dB - 10*log10(k)16QAM 的k4所以差值约是 6.02 dB。很多人在比较 ZF 和 MMSE-SIC 时发现曲线差距比预期小本质上是把两条曲线的横轴单位混用了。5.3 用固定信道矩阵观察 SIC 的误差传播固定一个条件数较大的信道矩阵比如H [1 0.2; 0.3 0.9]固定 SNR单独跑一次 SIC把第一层和第二层的判决结果分别保存下来。这样能直接看到第一层误判后第二层符号被拉偏的现象。和完整 BER 曲线相比这种单链路验证更容易定位排序算法是否失效也是判断 SIC 实现正确性的第一道检查。项目脚本里如果发现 MMSE-SIC 与 MMSE 几乎重合优先检查排序是否生效而不是怀疑噪声方差算错。本文还有配套的精品资源点击获取