简介面向5G通信与SCMA技术研究者的MATLAB仿真资源围绕稀疏码分多址系统的DS-MPA分解级联最大后验概率多用户检测展开覆盖瑞利衰落信道建模、SCMA编码映射与迭代检测流程适合通信专业学生及算法工程师快速上手验证。压缩包共4个文件均为.m脚本包括主仿真、检测算法、编码实现及数值稳定计算函数整体仅4KB轻量易用。已有289人学习下载。通过阅读与运行脚本可理解DS-MPA如何将联合多用户检测分解为单用户问题并迭代6次抑制干扰掌握瑞利信道下BER/SER性能评估方法也可修改用户数、星座图与迭代次数等参数开展扩展实验。配套的log_sum_exp函数对计算对数似然比及防范数值溢出具有实际参考价值整体适合作为SCMA物理层算法学习与仿真的入门范本。1. 把 scma-DS-MPA 按名字拆开SCMA 链路里的那颗检测引擎值不值得调scma-DS-MPA 这个命名看起来像一串乱码但做物理层仿真的人一眼就能拆出两层SCMA 是稀疏码多址接入Sparse Code Multiple AccessDS-MPA 是作用在因子图上的动态稀疏消息传递检测器。SCMA 的发送端码本决定性能上限DS-MPA 的迭代质量决定误码率曲线能不能逼近这个上限。这个方向适合正在做 5G/6G 非正交多址候选方案评估、或者毕业论文需要接收机侧有创新点的从业者。一个反直觉的结论先说在前面SCMA 链路的误码率表现超过一半取决于检测器怎么写而不是码本长什么样。2. 先把 SCMA 发送端搭起来码本、因子图与 4 资源 6 用户映射2.1 SCMA 的稀疏性到底稀疏在哪资源块上的 3 用户重叠SCMA 和传统 CDMA 的本质区别不是扩频码是否稀疏而是多个用户的码字直接在同一批资源块上叠加。这里说的资源块可以是 OFDM 的子载波也可以是时频资源格里的一个 RE。SCMA 系统通常有 K 个共享资源、J 个用户J 大于 K 就是过载过载因子 J/K 是它相比正交多址的核心卖点。每个用户的码字是一个 K 维复向量但只有 d_v 个维度非零。对应的每个资源块上会有 d_f 个用户的非零符号叠在一起。为了保证能解出来码本设计里必须满足 Kd_f Jd_v 这个平衡关系。我后面给的例子参数是 K4、J6、d_v2、d_f3过载 150%这是做 SCMA 仿真时最常被拿出来评估的一组配置。因子图也很好画左边 J 个变量节点用户右边 K 个功能节点资源块用户 j 占用的资源块与功能节点 k 之间连一条边边数由 pattern 矩阵决定。这组参数下每个资源块上有 3 个用户接收到的符号是 3 个用户码字的叠加再加复高斯噪声。检测器的任务就是从这个叠加信号里把每个用户的码字判出来。这里有个新手容易误会的点SCMA 的稀疏性不是用户少所以稀疏而是每个用户的码字只占少量资源但资源块上依然有多个用户重叠。稀疏的是码字支撑集不是用户占用关系。2.2 最小可复现的码本构造给每个用户一个旋转过的 QPSK我一般不建议新手一上来就去复现论文里那些用互信息最大化迭代出来的码本收敛慢、坑多、出了问题根本分不清是码本的问题还是检测器的问题。先把一个能跑通全链路的码本用确定性方式生成出来跑通后再换高性能码本。用户占用资源每资源活跃用户数U1R1, R2U2R2, R3U3R3, R4U4R1, R3U5R2, R4U6R1, R4统计每资源恰好 3 用户d_f 3这个 pattern 矩阵是 SCMA 仿真里最常出现的一种规则结构每行 2 个 1每列 3 个 1行列数量平衡。下面用 Python 把码本构建出来numpy 版本就够了不需要额外依赖。import numpy as np J, K, M 6, 4, 4 # 6个用户4个资源块码本大小M4 pattern np.array([ [1, 1, 0, 0], # U1 - R1, R2 [0, 1, 1, 0], # U2 - R2, R3 [0, 0, 1, 1], # U3 - R3, R4 [1, 0, 1, 0], # U4 - R1, R3 [0, 1, 0, 1], # U5 - R2, R4 [1, 0, 0, 1], # U6 - R1, R4 ], dtypeint) def make_codebook(pattern, J, M, K): # 基星座用 QPSK按用户索引旋转避免同一资源上的3个用户信号完全重叠 base np.array([11j, -11j, -1-1j, 1-1j]) / np.sqrt(2) codebook np.zeros((J, M, K), dtypecomplex) # 索引顺序: [用户, 码字, 资源] for j in range(J): rot np.exp(1j * j * np.pi / 6) # 每用户旋转30度 sym base * rot for m in range(M): codebook[j, m, pattern[j] 1] sym[m] # 稀疏映射 return codebook codebook make_codebook(pattern, J, M, K) print(codebook[0, :, :]) # U1的4个码字可见只在R1/R2上有非零值这里最容易被忽略的参数是每行最后的pattern[j] 1布尔索引。它把 QPSK 符号填到用户占用的资源位置其余位置保持 0这正好对应 SCMA 码字的稀疏支撑集。旋转角 30 度是我随手给的不是最优值。它起的作用是让同一资源块上的 3 个用户星座点互相错开如果所有旋转角都设 0U1 和 U4 在 R1 上的星座完全重合MPA 基本解不开。等链路跑通后再去优化旋转角目标函数一般是多用户星座点之间的最小欧氏距离最大化。2.3 为什么发送端会影响 DS-MPA 的收敛码本距离的连锁反应很多做检测器的人把码本当黑匣子但 DS-MPA 这种带剪枝的检测器恰恰对码本质量非常敏感。码本的最小欧氏距离小MPA 在低信噪比下本来就不容易收敛剪枝又可能把真实码字提前淘汰两个问题叠加在一起误码率曲线会很难看。我自己的习惯是先跑标准 MPA确认码本在目标信噪比下的错误基底再开剪枝。如果标准 MPA 下 BER 在 1e-3 就出现了平台先回去调码本而不是继续加迭代次数。评估码本质量时不要只看单个用户星座图要看叠加后的多用户星座图。4 资源 6 用户下某个资源块上 3 个 QPSK 星座旋转后组合出的叠加星座点越多、间距越均匀MPA 的初始置信度就越可靠。这一步属于链路前期投入收益率比后续调检测器阈值高很多。3. 从标准 MPA 到 DS-MPA因子图消息更新到底在迭代什么3.1 标准 MPA 消息传递骨架FN→VN 与 VN→FN 的 log 域更新标准 MPA 的思路是在因子图上做置信传播。对每个资源块 k功能节点 FN 收到接收符号 y_k然后对连接在它上面的 d_f 个用户的所有码字组合计算联合似然再把结果作为外信息发回给每个用户。用户变量节点 VN 收到来自它占用的 d_v 个资源块的消息累乘log 域累加后把结果发回资源块但要扣掉来自目标资源块自己的那条消息这就是外信息三个字的含义目的是避免信息在环里绕圈放大。计算公式在 log 域写成一句话对某个用户 u 的码字 cFN 侧消息等于固定 u 取码字 c对其余用户的所有码字组合计算-|y_k - sum(h * x)|^2 / N0 各用户先验消息之和再做 logsumexp。下面是 FN 更新循环的核心片段变量含义都以注释标出。from itertools import product from scipy.special import logsumexp # users_on_res[k] 是占用资源k的用户索引数组例如资源0对应 [0, 3, 5] # v2f[j, k, m] 是用户j发给资源k的log域消息初始化为0表示均匀先验 # f2v[j, k, m] 是资源k发给用户j的消息初始化为 -inf # h[k, j] 是资源k上用户j的信道增益 # y[k] 是资源k的接收符号 def fn_update(k, y, h, codebook, users_on_res, v2f, f2v, N0): users users_on_res[k] for comb in product(range(M), repeatlen(users)): idx list(comb) symbols codebook[users, idx, k] # 该组合下的log似然第二项是信道噪声方差 llr_comb -np.abs(y[k] - np.dot(h[k, users], symbols))**2 / N0 # 把各用户此前发给该资源的先验消息加进来 llr_comb sum(v2f[u, k, c] for u, c in zip(users, comb)) for pos, u in enumerate(users): # 外信息排除用户u自己那条先验消息 llr_u llr_comb - v2f[u, k, idx[pos]] f2v[u, k, idx[pos]] logsumexp([f2v[u, k, idx[pos]], llr_u])代码里最容易写错的一行是llr_u llr_comb - v2f[u, k, idx[pos]]。如果漏掉这一步消息里就包含了目标用户自己的信息相当于在后验上又乘了一次自己的先验迭代会自我强化结果是误码率曲线在多次迭代后反而变差。另外注意f2v的初始值必须用-np.inf不能用 0。用 0 意味着这条消息代表概率 1会污染第一轮所有 logsumexp 结果。VN 侧更新就简单了用户 j 把它所有相邻资源块返回的消息累加再回传给每个资源块时减去对应那条。for j in range(J): ks np.where(pattern[j, :] 1)[0] # 用户j占用的资源块 total f2v[j, ks, :].sum(axis0) # log域累加 for k in ks: v2f[j, k, :] total - f2v[j, k, :] # 外信息回传标准 MPA 每次 FN 更新要枚举的组合数是 M^d_f。在我这组参数下是 4^3 64 种组合每个资源块每次迭代算 64 个候选K4 个资源块迭代 6 次总共 1536 次距离计算。这个量级在 MATLAB 和 Python 里都随便跑真正撑不住的是 d_f 变大或者 M 变大之后的指数爆炸那就是 DS-MPA 要解决的问题。3.2 DS-MPA 的动态稀疏剪枝把 64 组候选压到 8 组DS-MPA 的 DS 我习惯拆成两层理解Sparse 对应候选码字集合稀疏化Dynamic 对应这个稀疏集合每轮迭代都在变。标准 MPA 里每个用户始终保留全部 M 个码字候选但迭代到第三轮以后大部分码字的后验概率已经低到 1e-4 以下它们贡献的 logsumexp 项对结果的影响微乎其微。DS-MPA 做的事就是每轮按照上一轮的后验置信度排序只保留每个用户置信度最高的 M_keep 个码字FN 更新时只在这些保留码字的笛卡尔积里枚举。M_keep2 时每个用户保留 2 个候选每个资源块上的组合数从 4^364 降到 2^38FN 侧复杂度直接省到八分之一。下面是完整可用的带剪枝 MPA 检测函数可以直接作为后续仿真的检测核心。def mpa_detector(y, h, codebook, pattern, N0, iters6, M_keep4, tail2): J, M, K codebook.shape users_on_res [np.where(pattern[:, k] 1)[0] for k in range(K)] v2f np.zeros((J, K, M)) f2v np.full((J, K, M), -np.inf) bel np.zeros((J, M)) # 上一轮后验初始为均匀分布 for it in range(iters): f2v[:] -np.inf # 剪枝阶段最后tail轮不剪枝恢复全码字搜索 if it iters - tail: keep_sets [ np.sort(np.argsort(bel[j])[-M_keep:]) for j in range(J) ] else: keep_sets [np.arange(M) for _ in range(J)] # FN 更新 for k in range(K): users users_on_res[k] for comb in product(*[keep_sets[u] for u in users]): comb tuple(comb) idx np.array(comb) symbols codebook[users, idx, k] llr_comb -np.abs(y[k] - np.dot(h[k, users], symbols))**2 / N0 llr_comb sum(v2f[u, k, c] for u, c in zip(users, comb)) for pos, u in enumerate(users): llr_u llr_comb - v2f[u, k, idx[pos]] f2v[u, k, idx[pos]] logsumexp([f2v[u, k, idx[pos]], llr_u]) # VN 更新 for j in range(J): ks np.where(pattern[j, :] 1)[0] total f2v[j, ks, :].sum(axis0) for k in ks: v2f[j, k, :] total - f2v[j, k, :] # 更新下一轮剪枝用的后验置信度 for j in range(J): ks np.where(pattern[j, :] 1)[0] bel[j] f2v[j, ks, :].sum(axis0) # 收敛后的码字后验 post np.zeros((J, M)) for j in range(J): ks np.where(pattern[j, :] 1)[0] logp f2v[j, ks, :].sum(axis0) post[j] np.exp(logp - logsumexp(logp)) return post这里有两个参数对性能影响最大M_keep控制剪枝强度tail控制最后几轮是否恢复全搜索。剪枝用bel[j]而不是这一轮刚算出来的f2v因为剪枝决定必须在更新之前做出只能用上一轮的信息。第一次迭代bel全 0此时剪枝退化成随机保留前 M_keep 个码字所以第一轮剪枝策略的正确做法是把第一轮当作全搜索或者容忍它带来的初始随机性。工程上我通常让iters6, tail2意味着前 4 轮剪枝、后 2 轮全搜索。3.3 复杂度与收敛的账面DS-MPA 在 150% 过载下到底省了什么检测器配置每资源 FN 枚举组合数主要开销来源适用信噪比段标准 MPA (M_keep4)64全码字组合枚举全信噪比最稳DS-MPA (M_keep3)27保留 3 候选中高信噪比DS-MPA (M_keep2)8保留 2 候选高信噪比、迭代受限DS-MPA 省复杂度的代价是它把枚举搜索变成了贪心搜索。置信度排序在高信噪比下非常可信剪掉的确实都是低概率码字但在低信噪比下后验分布扁平真实码字可能只排到第三、第四M_keep2 就会把正确答案剪掉造成不可逆的误码。这是我坚持保留 tail 全搜索轮次的核心理由剪枝负责前期快速收敛最后两轮全搜索负责把剪错的码字找回来一部分。从实现复杂度看DS-MPA 比标准 MPA 多出来的只有 keep_sets 的生成和 product 参数的替换大约 10 行代码。换来的收益是每个资源块的距离计算从 64 次降到 8 次在 d_f4 或 M8 的更大码本配置下收益更明显。这也是为什么我建议把这个方案当成标准 MPA 的降复杂度开关来用而不是当独立算法。参数表里 M_keep4 时 DS-MPA 实际上就是标准 MPA所以调参可以从 M_keep4 往下试不用重写函数。4. 用 scma-DS-MPA 跑通一次完整链路从高斯噪声到误码率曲线4.1 完整仿真脚本骨架发端映射、加噪、DS-MPA 检测、硬判决上一章的mpa_detector是接收端核心这一章把它接到完整链路里。发端按每个用户的比特选择码字叠加后过 AWGN 信道接收端用 DS-MPA 得到码字后验概率再把后验折算成每比特的 log-likelihood ratio 做硬判决。import numpy as np from scipy.special import logsumexp Es 1.0 # 每个码字平均能量归一化到1 # 沿用上一章的 codebook、pattern、mpa_detector def run_sim(ebn0_db, frames5000, M_keep2, tail2, seed0): rng np.random.default_rng(seed) ebn0 10 ** (ebn0_db / 10) N0 Es / (np.log2(M) * ebn0) # 由每个码字2bit推出噪声方差 h pattern.astype(float) # AWGN信道占用资源增益为1未占用为0 err_cnt, bit_cnt 0, 0 for _ in range(frames): m_tx rng.integers(0, M, sizeJ) # 每用户随机选一个码字索引 # 发端符号叠加每个资源上是占用它的用户码字之和 x np.array([np.dot(h[k], codebook[:, m_tx, k]) for k in range(K)]) noise np.sqrt(N0 / 2) * (rng.standard_normal(K) 1j * rng.standard_normal(K)) y x noise post mpa_detector(y, h, codebook, pattern, N0, iters6, M_keepM_keep, tailtail) # 码字后验转比特LLRm的bit0是最高位 bit_llr np.zeros((J, 2)) for j in range(J): logp np.log(post[j] 1e-12) bit_llr[j, 0] logsumexp(logp[2:]) - logsumexp(logp[:2]) bit_llr[j, 1] logsumexp(logp[1::2]) - logsumexp(logp[0::2]) bits_tx np.stack([(m_tx 1) 1, m_tx 1], axis1) bits_rx (bit_llr 0).astype(int) err_cnt np.sum(bits_tx ! bits_rx) bit_cnt 2 * J return err_cnt / bit_cnt if __name__ __main__: for eb in [4, 6, 8, 10]: ber run_sim(eb, frames2000) print(fEbN0 {eb} dB, BER {ber:.4f})脚本里最容易算错的是N0。SCMA 每个用户在一个码字周期里传 log2(M)2 bit码字能量归一化为 1所以符号能量 Es 与比特能量 Eb 的关系是 Es Eb * log2(M)。复高斯噪声每个维度方差是 N0/2所以生成噪声时乘np.sqrt(N0 / 2)。如果这里把 N0 直接当成了每维方差检测器的输入信噪比会比真实值小 3dB低信噪比段曲线会整体右偏。先打印N0和y的平均功率对一对再开始统计误码。4.2 四条必调的迭代参数迭代上限、剪枝阈值、保留码字数和噪声方差初值参数默认值调节方向踩坑提示iters6低信噪比加到 10高信噪比减到 4超过 10 轮收益很小只增加耗时M_keep2低信噪比调到 3高信噪比可以保持 2固定 M_keep2 在 4dB 以下容易剪错tail2追求省复杂度设 1追求稳设 3tail0 时高信噪比 BER 会恶化N0由 EbN0 计算接收机通常只能用估计值高估 N0 会让曲线右偏 0.5dB 左右迭代上限和剪枝阈值是我每次调仿真必动的四个旋钮里最核心的两个。iters控制收敛深度但 MPA 在 log 域迭代时会逐渐收敛到固定点超过 10 轮后 BER 变化通常小于噪声波动再加迭代只是白费算力。tail和M_keep必须一起调M_keep 越小tail 越大因为前面剪得越激进后面越需要全搜索兜底。噪声方差初值这块多说一句。仿真里接收机直接用真实 N0 是理想情况实际系统里 N0 靠估计偏差正负 0.5dB 很常见。如果你把 N0 设得比真实值小检测器会过度相信接收符号低信噪比下产生一种过于自信的判决BER 反而比真实 N0 时差。所以调参时不要只盯着 M_keep先把 N0 偏差的影响单独量化一遍。4.3 怎样从误码率曲线反推实现有没有写对曲线跑出来后先别急着调参用三条经验判断实现是否正确。第一条低信噪比段 DS-MPA 应该和标准 MPA 曲线基本重合差距超过 0.3dB 说明剪枝太激进或者 N0 设错了。第二条中高信噪比段曲线应该平滑下降如果出现突然掉下去再弹起来的抖动多半是剪枝把真实码字淘汰了。第三条把过载系统退化成单用户 QPSK 边界对比SCMA 多用户检测的 BER 永远不会优于单用户 QPSK 在相同能量下的极限这条在任何信噪比下都成立。这三条全过再谈调优。之前有人把 MPA 实现里的 logsumexp 写成了 max-log 形式结果低信噪比下 BER 比标准 MPA 好那个差别不是算法优势而是 max-log 的近似误差恰好掩盖了 N0 估计偏差。我的习惯是保留两套实现logsumexp 精确版用于对比max-log 版用于评估工程落地时的定点化收益。5. DS-MPA 实现避坑指南5 个让误码率曲线翻车的细节5.1 低信噪比段误码率比标准 MPA 还好先检查噪声方差是不是设错了现象DS-MPA 在 2dB 到 4dB 的 BER 比标准 MPA 还低 0.5dB曲线看起来优化效果显著。原因这基本不是算法优势而是 N0 设小了。接收机把噪声方差估计得更小MPA 的似然项-|y-hx|^2/N0的绝对值偏大后验分布过于尖锐剪枝正好把低置信度码字砍掉误码在数字上反而好看。解决打印每帧接收信号功率mean(abs(y)**2)理论上应该是用户信号功率加噪声功率信号部分归一化为 1所以mean(abs(y)**2)应近似等于1 N0。如果对不上回去检查 EbN0 到 N0 的换算公式重点看有没有除以 log2(M)。5.2 增加迭代次数误码率纹丝不动消息更新里混入了自信息现象iters 从 4 调到 12BER 曲线完全重合一幅已经收敛的样子但绝对位置比标准 MPA 差很多。原因FN 更新时把目标用户自己的 v2f 消息也加进了 llr_comb没有做外信息扣除。这样每个资源块发给用户的新消息里包含用户自己上一轮发出的先验消息传递陷入自我确认循环迭代等于在反复乘同一个分布。解决在 FN 更新循环里对每个目标用户 pos 单独计算llr_u llr_comb - v2f[u, k, idx[pos]]再进入 logsumexp。这个排查点建议写成注释甚至断言因为它是我见过发生率最高的 MPA 实现错误。5.3 剪枝后高信噪比段掉了 0.8dB真实码字被提前淘汰现象M_keep2 时8dB 以上 BER 反而比标准 MPA 差而且差值随信噪比增大而增大。原因高信噪比下后验分布虽然集中但剪枝用的是上一轮置信度排序偶尔会出现真实码字排在第三名、被剪掉的情况。一旦被剪后续所有迭代都不会再考虑它错误不可逆。M_keep2 的剪枝强度在高信噪比下把冗余变成了风险。解决把tail从 1 提到 2 或 3让最后几轮恢复全码字搜索。再不行把 M_keep 升到 3。这里不要试图用更精妙的排序准则去补救剪枝本质上是一个复杂度-性能权衡旋钮不是越激进越好。5.4 换了随机种子同一曲线的同一信噪比点差 2dB统计帧数不够现象每次运行结果差异很大但单次运行内部 BER 曲线很平滑让人误以为仿真没问题。原因固定帧数 5000 时高信噪比下错误比特可能只有几十个BER 估计的置信区间非常大。2dB 的抖动正是小样本统计噪声。解决改成错误计数停止准则。维护一个max_ber_frames上限当累计错误比特数达到 200 或 500 时再停止当前信噪比点的统计保证每个点的估计误差压到可控范围。简单做法是把默认frames提到 20000高信噪比点用 100000代价只是仿真时间但值得。5.5 跑了几百帧后 log 域冒出 NaNexp 里塞进了 -inf现象刚开始几帧正常跑到某个信噪比点整条曲线变成 NaN或者后验概率出现 0 和 1 的极端值。原因log 域里-inf 正数仍是-inf如果某个码字从未出现在任何保留组合里f2v 对应位置始终是 -inf。后续v2f total - f2v时-inf - (-inf)产生 NaN。标准 MPA 因为永远枚举全码字不会遇到这个问题DS-MPA 剪枝后很容易触发。解决给 f2v 的初值一个有限下界例如 -1e10 而不是 -inf或者在剪枝时保证每个用户至少保留一个码字有有限消息。更稳妥的做法是在 VN 更新前把所有-inf替换成一个大负数比如f2v[np.isneginf(f2v)] -1e10。这样 logsumexp 结果基本不受影响但避免了 NaN 污染。6. 用外信息统计量验证 DS-MPA 实现一个不靠误码率曲线的检查方法6.1 抽一个检查点把后验与暴力枚举的 4096 个组合对齐误码率曲线只能告诉你结果对不对不能告诉你实现里哪一步错了。我在调通链路后一定会做一个独立验证固定一个信道实现和噪声实现把所有 6 个用户的码字组合全部枚举一遍数量是 M^J 4^6 4096算出每个用户每个码字的精确后验然后和mpa_detector返回的 post 对比。# 暴力精确后验combs 是 4096 x J 的码字索引网格 # llr_all 是每组组合的 log 似然然后按每个用户做边缘化 for j in range(J): exact_logp logsumexp(llr_all.reshape([M]*J), axistuple( i for i in range(J) if i ! j))对比标准不是要求每个数值都相同而是看 argmax 的一致率以及归一化后验的 KL 散度。当迭代次数足够且 tail 全搜索存在时argmax 一致率应在 99% 以上KL 散度小于 0.05。如果 argmax 一致但 KL 偏大说明消息循环里还有轻微的自信息残留优先查 3.1 里的外信息扣除。6.2 一个能抄的进阶让剪枝阈值随迭代衰减固定 M_keep 的 DS-MPA 相当于全程同一剪枝强度但实际收益更好的做法是先粗后细前几轮用 M_keep2 快速缩小候选集倒数两轮恢复全搜索。这个策略在 5.2 里已经用tail参数实现了一部分更细的版本可以让 M_keep 随迭代序号从 2 涨到 3 再到 4每次迭代后都重新排序。实现上只需要把 keep_sets 的生成改成查一个长度为 iters 的调度表改动很小但我见过它在 8dB 以上带来 0.2dB 的额外收益。6.3 验证清单表检查项通过标准失败时优先排查码字后验与暴力枚举对齐argmax 一致率 99%KL 0.05外信息扣除、剪枝过早消息矩阵维度v2f/f2v 形状均为 (J,K,M)pattern 维度、布尔索引写法剪枝关闭时退化为标准 MPAM_keep4 与标准 MPA 数值完全一致keep_sets 生成、tail 设置这套检查方法帮我省掉了至少两周的排错时间。我现在的习惯是任何检测器实现都要在跑完整链路之前先过一遍 6.1 的暴力枚举对齐而不是直接画 BER 曲线。误码率是这个方向最常用的验收指标但它是个黑匣子只能告诉你结果不告诉你哪里错。先证明检测器后验没写错再谈剪枝和复杂度优化顺序反了会一路翻车翻到怀疑人生。希望帮到你。本文还有配套的精品资源点击获取 SCMA链路中DS-MPA检测器实现与优化：从码本到动态剪枝的误码率调参指南
简介面向5G通信与SCMA技术研究者的MATLAB仿真资源围绕稀疏码分多址系统的DS-MPA分解级联最大后验概率多用户检测展开覆盖瑞利衰落信道建模、SCMA编码映射与迭代检测流程适合通信专业学生及算法工程师快速上手验证。压缩包共4个文件均为.m脚本包括主仿真、检测算法、编码实现及数值稳定计算函数整体仅4KB轻量易用。已有289人学习下载。通过阅读与运行脚本可理解DS-MPA如何将联合多用户检测分解为单用户问题并迭代6次抑制干扰掌握瑞利信道下BER/SER性能评估方法也可修改用户数、星座图与迭代次数等参数开展扩展实验。配套的log_sum_exp函数对计算对数似然比及防范数值溢出具有实际参考价值整体适合作为SCMA物理层算法学习与仿真的入门范本。1. 把 scma-DS-MPA 按名字拆开SCMA 链路里的那颗检测引擎值不值得调scma-DS-MPA 这个命名看起来像一串乱码但做物理层仿真的人一眼就能拆出两层SCMA 是稀疏码多址接入Sparse Code Multiple AccessDS-MPA 是作用在因子图上的动态稀疏消息传递检测器。SCMA 的发送端码本决定性能上限DS-MPA 的迭代质量决定误码率曲线能不能逼近这个上限。这个方向适合正在做 5G/6G 非正交多址候选方案评估、或者毕业论文需要接收机侧有创新点的从业者。一个反直觉的结论先说在前面SCMA 链路的误码率表现超过一半取决于检测器怎么写而不是码本长什么样。2. 先把 SCMA 发送端搭起来码本、因子图与 4 资源 6 用户映射2.1 SCMA 的稀疏性到底稀疏在哪资源块上的 3 用户重叠SCMA 和传统 CDMA 的本质区别不是扩频码是否稀疏而是多个用户的码字直接在同一批资源块上叠加。这里说的资源块可以是 OFDM 的子载波也可以是时频资源格里的一个 RE。SCMA 系统通常有 K 个共享资源、J 个用户J 大于 K 就是过载过载因子 J/K 是它相比正交多址的核心卖点。每个用户的码字是一个 K 维复向量但只有 d_v 个维度非零。对应的每个资源块上会有 d_f 个用户的非零符号叠在一起。为了保证能解出来码本设计里必须满足 Kd_f Jd_v 这个平衡关系。我后面给的例子参数是 K4、J6、d_v2、d_f3过载 150%这是做 SCMA 仿真时最常被拿出来评估的一组配置。因子图也很好画左边 J 个变量节点用户右边 K 个功能节点资源块用户 j 占用的资源块与功能节点 k 之间连一条边边数由 pattern 矩阵决定。这组参数下每个资源块上有 3 个用户接收到的符号是 3 个用户码字的叠加再加复高斯噪声。检测器的任务就是从这个叠加信号里把每个用户的码字判出来。这里有个新手容易误会的点SCMA 的稀疏性不是用户少所以稀疏而是每个用户的码字只占少量资源但资源块上依然有多个用户重叠。稀疏的是码字支撑集不是用户占用关系。2.2 最小可复现的码本构造给每个用户一个旋转过的 QPSK我一般不建议新手一上来就去复现论文里那些用互信息最大化迭代出来的码本收敛慢、坑多、出了问题根本分不清是码本的问题还是检测器的问题。先把一个能跑通全链路的码本用确定性方式生成出来跑通后再换高性能码本。用户占用资源每资源活跃用户数U1R1, R2U2R2, R3U3R3, R4U4R1, R3U5R2, R4U6R1, R4统计每资源恰好 3 用户d_f 3这个 pattern 矩阵是 SCMA 仿真里最常出现的一种规则结构每行 2 个 1每列 3 个 1行列数量平衡。下面用 Python 把码本构建出来numpy 版本就够了不需要额外依赖。import numpy as np J, K, M 6, 4, 4 # 6个用户4个资源块码本大小M4 pattern np.array([ [1, 1, 0, 0], # U1 - R1, R2 [0, 1, 1, 0], # U2 - R2, R3 [0, 0, 1, 1], # U3 - R3, R4 [1, 0, 1, 0], # U4 - R1, R3 [0, 1, 0, 1], # U5 - R2, R4 [1, 0, 0, 1], # U6 - R1, R4 ], dtypeint) def make_codebook(pattern, J, M, K): # 基星座用 QPSK按用户索引旋转避免同一资源上的3个用户信号完全重叠 base np.array([11j, -11j, -1-1j, 1-1j]) / np.sqrt(2) codebook np.zeros((J, M, K), dtypecomplex) # 索引顺序: [用户, 码字, 资源] for j in range(J): rot np.exp(1j * j * np.pi / 6) # 每用户旋转30度 sym base * rot for m in range(M): codebook[j, m, pattern[j] 1] sym[m] # 稀疏映射 return codebook codebook make_codebook(pattern, J, M, K) print(codebook[0, :, :]) # U1的4个码字可见只在R1/R2上有非零值这里最容易被忽略的参数是每行最后的pattern[j] 1布尔索引。它把 QPSK 符号填到用户占用的资源位置其余位置保持 0这正好对应 SCMA 码字的稀疏支撑集。旋转角 30 度是我随手给的不是最优值。它起的作用是让同一资源块上的 3 个用户星座点互相错开如果所有旋转角都设 0U1 和 U4 在 R1 上的星座完全重合MPA 基本解不开。等链路跑通后再去优化旋转角目标函数一般是多用户星座点之间的最小欧氏距离最大化。2.3 为什么发送端会影响 DS-MPA 的收敛码本距离的连锁反应很多做检测器的人把码本当黑匣子但 DS-MPA 这种带剪枝的检测器恰恰对码本质量非常敏感。码本的最小欧氏距离小MPA 在低信噪比下本来就不容易收敛剪枝又可能把真实码字提前淘汰两个问题叠加在一起误码率曲线会很难看。我自己的习惯是先跑标准 MPA确认码本在目标信噪比下的错误基底再开剪枝。如果标准 MPA 下 BER 在 1e-3 就出现了平台先回去调码本而不是继续加迭代次数。评估码本质量时不要只看单个用户星座图要看叠加后的多用户星座图。4 资源 6 用户下某个资源块上 3 个 QPSK 星座旋转后组合出的叠加星座点越多、间距越均匀MPA 的初始置信度就越可靠。这一步属于链路前期投入收益率比后续调检测器阈值高很多。3. 从标准 MPA 到 DS-MPA因子图消息更新到底在迭代什么3.1 标准 MPA 消息传递骨架FN→VN 与 VN→FN 的 log 域更新标准 MPA 的思路是在因子图上做置信传播。对每个资源块 k功能节点 FN 收到接收符号 y_k然后对连接在它上面的 d_f 个用户的所有码字组合计算联合似然再把结果作为外信息发回给每个用户。用户变量节点 VN 收到来自它占用的 d_v 个资源块的消息累乘log 域累加后把结果发回资源块但要扣掉来自目标资源块自己的那条消息这就是外信息三个字的含义目的是避免信息在环里绕圈放大。计算公式在 log 域写成一句话对某个用户 u 的码字 cFN 侧消息等于固定 u 取码字 c对其余用户的所有码字组合计算-|y_k - sum(h * x)|^2 / N0 各用户先验消息之和再做 logsumexp。下面是 FN 更新循环的核心片段变量含义都以注释标出。from itertools import product from scipy.special import logsumexp # users_on_res[k] 是占用资源k的用户索引数组例如资源0对应 [0, 3, 5] # v2f[j, k, m] 是用户j发给资源k的log域消息初始化为0表示均匀先验 # f2v[j, k, m] 是资源k发给用户j的消息初始化为 -inf # h[k, j] 是资源k上用户j的信道增益 # y[k] 是资源k的接收符号 def fn_update(k, y, h, codebook, users_on_res, v2f, f2v, N0): users users_on_res[k] for comb in product(range(M), repeatlen(users)): idx list(comb) symbols codebook[users, idx, k] # 该组合下的log似然第二项是信道噪声方差 llr_comb -np.abs(y[k] - np.dot(h[k, users], symbols))**2 / N0 # 把各用户此前发给该资源的先验消息加进来 llr_comb sum(v2f[u, k, c] for u, c in zip(users, comb)) for pos, u in enumerate(users): # 外信息排除用户u自己那条先验消息 llr_u llr_comb - v2f[u, k, idx[pos]] f2v[u, k, idx[pos]] logsumexp([f2v[u, k, idx[pos]], llr_u])代码里最容易写错的一行是llr_u llr_comb - v2f[u, k, idx[pos]]。如果漏掉这一步消息里就包含了目标用户自己的信息相当于在后验上又乘了一次自己的先验迭代会自我强化结果是误码率曲线在多次迭代后反而变差。另外注意f2v的初始值必须用-np.inf不能用 0。用 0 意味着这条消息代表概率 1会污染第一轮所有 logsumexp 结果。VN 侧更新就简单了用户 j 把它所有相邻资源块返回的消息累加再回传给每个资源块时减去对应那条。for j in range(J): ks np.where(pattern[j, :] 1)[0] # 用户j占用的资源块 total f2v[j, ks, :].sum(axis0) # log域累加 for k in ks: v2f[j, k, :] total - f2v[j, k, :] # 外信息回传标准 MPA 每次 FN 更新要枚举的组合数是 M^d_f。在我这组参数下是 4^3 64 种组合每个资源块每次迭代算 64 个候选K4 个资源块迭代 6 次总共 1536 次距离计算。这个量级在 MATLAB 和 Python 里都随便跑真正撑不住的是 d_f 变大或者 M 变大之后的指数爆炸那就是 DS-MPA 要解决的问题。3.2 DS-MPA 的动态稀疏剪枝把 64 组候选压到 8 组DS-MPA 的 DS 我习惯拆成两层理解Sparse 对应候选码字集合稀疏化Dynamic 对应这个稀疏集合每轮迭代都在变。标准 MPA 里每个用户始终保留全部 M 个码字候选但迭代到第三轮以后大部分码字的后验概率已经低到 1e-4 以下它们贡献的 logsumexp 项对结果的影响微乎其微。DS-MPA 做的事就是每轮按照上一轮的后验置信度排序只保留每个用户置信度最高的 M_keep 个码字FN 更新时只在这些保留码字的笛卡尔积里枚举。M_keep2 时每个用户保留 2 个候选每个资源块上的组合数从 4^364 降到 2^38FN 侧复杂度直接省到八分之一。下面是完整可用的带剪枝 MPA 检测函数可以直接作为后续仿真的检测核心。def mpa_detector(y, h, codebook, pattern, N0, iters6, M_keep4, tail2): J, M, K codebook.shape users_on_res [np.where(pattern[:, k] 1)[0] for k in range(K)] v2f np.zeros((J, K, M)) f2v np.full((J, K, M), -np.inf) bel np.zeros((J, M)) # 上一轮后验初始为均匀分布 for it in range(iters): f2v[:] -np.inf # 剪枝阶段最后tail轮不剪枝恢复全码字搜索 if it iters - tail: keep_sets [ np.sort(np.argsort(bel[j])[-M_keep:]) for j in range(J) ] else: keep_sets [np.arange(M) for _ in range(J)] # FN 更新 for k in range(K): users users_on_res[k] for comb in product(*[keep_sets[u] for u in users]): comb tuple(comb) idx np.array(comb) symbols codebook[users, idx, k] llr_comb -np.abs(y[k] - np.dot(h[k, users], symbols))**2 / N0 llr_comb sum(v2f[u, k, c] for u, c in zip(users, comb)) for pos, u in enumerate(users): llr_u llr_comb - v2f[u, k, idx[pos]] f2v[u, k, idx[pos]] logsumexp([f2v[u, k, idx[pos]], llr_u]) # VN 更新 for j in range(J): ks np.where(pattern[j, :] 1)[0] total f2v[j, ks, :].sum(axis0) for k in ks: v2f[j, k, :] total - f2v[j, k, :] # 更新下一轮剪枝用的后验置信度 for j in range(J): ks np.where(pattern[j, :] 1)[0] bel[j] f2v[j, ks, :].sum(axis0) # 收敛后的码字后验 post np.zeros((J, M)) for j in range(J): ks np.where(pattern[j, :] 1)[0] logp f2v[j, ks, :].sum(axis0) post[j] np.exp(logp - logsumexp(logp)) return post这里有两个参数对性能影响最大M_keep控制剪枝强度tail控制最后几轮是否恢复全搜索。剪枝用bel[j]而不是这一轮刚算出来的f2v因为剪枝决定必须在更新之前做出只能用上一轮的信息。第一次迭代bel全 0此时剪枝退化成随机保留前 M_keep 个码字所以第一轮剪枝策略的正确做法是把第一轮当作全搜索或者容忍它带来的初始随机性。工程上我通常让iters6, tail2意味着前 4 轮剪枝、后 2 轮全搜索。3.3 复杂度与收敛的账面DS-MPA 在 150% 过载下到底省了什么检测器配置每资源 FN 枚举组合数主要开销来源适用信噪比段标准 MPA (M_keep4)64全码字组合枚举全信噪比最稳DS-MPA (M_keep3)27保留 3 候选中高信噪比DS-MPA (M_keep2)8保留 2 候选高信噪比、迭代受限DS-MPA 省复杂度的代价是它把枚举搜索变成了贪心搜索。置信度排序在高信噪比下非常可信剪掉的确实都是低概率码字但在低信噪比下后验分布扁平真实码字可能只排到第三、第四M_keep2 就会把正确答案剪掉造成不可逆的误码。这是我坚持保留 tail 全搜索轮次的核心理由剪枝负责前期快速收敛最后两轮全搜索负责把剪错的码字找回来一部分。从实现复杂度看DS-MPA 比标准 MPA 多出来的只有 keep_sets 的生成和 product 参数的替换大约 10 行代码。换来的收益是每个资源块的距离计算从 64 次降到 8 次在 d_f4 或 M8 的更大码本配置下收益更明显。这也是为什么我建议把这个方案当成标准 MPA 的降复杂度开关来用而不是当独立算法。参数表里 M_keep4 时 DS-MPA 实际上就是标准 MPA所以调参可以从 M_keep4 往下试不用重写函数。4. 用 scma-DS-MPA 跑通一次完整链路从高斯噪声到误码率曲线4.1 完整仿真脚本骨架发端映射、加噪、DS-MPA 检测、硬判决上一章的mpa_detector是接收端核心这一章把它接到完整链路里。发端按每个用户的比特选择码字叠加后过 AWGN 信道接收端用 DS-MPA 得到码字后验概率再把后验折算成每比特的 log-likelihood ratio 做硬判决。import numpy as np from scipy.special import logsumexp Es 1.0 # 每个码字平均能量归一化到1 # 沿用上一章的 codebook、pattern、mpa_detector def run_sim(ebn0_db, frames5000, M_keep2, tail2, seed0): rng np.random.default_rng(seed) ebn0 10 ** (ebn0_db / 10) N0 Es / (np.log2(M) * ebn0) # 由每个码字2bit推出噪声方差 h pattern.astype(float) # AWGN信道占用资源增益为1未占用为0 err_cnt, bit_cnt 0, 0 for _ in range(frames): m_tx rng.integers(0, M, sizeJ) # 每用户随机选一个码字索引 # 发端符号叠加每个资源上是占用它的用户码字之和 x np.array([np.dot(h[k], codebook[:, m_tx, k]) for k in range(K)]) noise np.sqrt(N0 / 2) * (rng.standard_normal(K) 1j * rng.standard_normal(K)) y x noise post mpa_detector(y, h, codebook, pattern, N0, iters6, M_keepM_keep, tailtail) # 码字后验转比特LLRm的bit0是最高位 bit_llr np.zeros((J, 2)) for j in range(J): logp np.log(post[j] 1e-12) bit_llr[j, 0] logsumexp(logp[2:]) - logsumexp(logp[:2]) bit_llr[j, 1] logsumexp(logp[1::2]) - logsumexp(logp[0::2]) bits_tx np.stack([(m_tx 1) 1, m_tx 1], axis1) bits_rx (bit_llr 0).astype(int) err_cnt np.sum(bits_tx ! bits_rx) bit_cnt 2 * J return err_cnt / bit_cnt if __name__ __main__: for eb in [4, 6, 8, 10]: ber run_sim(eb, frames2000) print(fEbN0 {eb} dB, BER {ber:.4f})脚本里最容易算错的是N0。SCMA 每个用户在一个码字周期里传 log2(M)2 bit码字能量归一化为 1所以符号能量 Es 与比特能量 Eb 的关系是 Es Eb * log2(M)。复高斯噪声每个维度方差是 N0/2所以生成噪声时乘np.sqrt(N0 / 2)。如果这里把 N0 直接当成了每维方差检测器的输入信噪比会比真实值小 3dB低信噪比段曲线会整体右偏。先打印N0和y的平均功率对一对再开始统计误码。4.2 四条必调的迭代参数迭代上限、剪枝阈值、保留码字数和噪声方差初值参数默认值调节方向踩坑提示iters6低信噪比加到 10高信噪比减到 4超过 10 轮收益很小只增加耗时M_keep2低信噪比调到 3高信噪比可以保持 2固定 M_keep2 在 4dB 以下容易剪错tail2追求省复杂度设 1追求稳设 3tail0 时高信噪比 BER 会恶化N0由 EbN0 计算接收机通常只能用估计值高估 N0 会让曲线右偏 0.5dB 左右迭代上限和剪枝阈值是我每次调仿真必动的四个旋钮里最核心的两个。iters控制收敛深度但 MPA 在 log 域迭代时会逐渐收敛到固定点超过 10 轮后 BER 变化通常小于噪声波动再加迭代只是白费算力。tail和M_keep必须一起调M_keep 越小tail 越大因为前面剪得越激进后面越需要全搜索兜底。噪声方差初值这块多说一句。仿真里接收机直接用真实 N0 是理想情况实际系统里 N0 靠估计偏差正负 0.5dB 很常见。如果你把 N0 设得比真实值小检测器会过度相信接收符号低信噪比下产生一种过于自信的判决BER 反而比真实 N0 时差。所以调参时不要只盯着 M_keep先把 N0 偏差的影响单独量化一遍。4.3 怎样从误码率曲线反推实现有没有写对曲线跑出来后先别急着调参用三条经验判断实现是否正确。第一条低信噪比段 DS-MPA 应该和标准 MPA 曲线基本重合差距超过 0.3dB 说明剪枝太激进或者 N0 设错了。第二条中高信噪比段曲线应该平滑下降如果出现突然掉下去再弹起来的抖动多半是剪枝把真实码字淘汰了。第三条把过载系统退化成单用户 QPSK 边界对比SCMA 多用户检测的 BER 永远不会优于单用户 QPSK 在相同能量下的极限这条在任何信噪比下都成立。这三条全过再谈调优。之前有人把 MPA 实现里的 logsumexp 写成了 max-log 形式结果低信噪比下 BER 比标准 MPA 好那个差别不是算法优势而是 max-log 的近似误差恰好掩盖了 N0 估计偏差。我的习惯是保留两套实现logsumexp 精确版用于对比max-log 版用于评估工程落地时的定点化收益。5. DS-MPA 实现避坑指南5 个让误码率曲线翻车的细节5.1 低信噪比段误码率比标准 MPA 还好先检查噪声方差是不是设错了现象DS-MPA 在 2dB 到 4dB 的 BER 比标准 MPA 还低 0.5dB曲线看起来优化效果显著。原因这基本不是算法优势而是 N0 设小了。接收机把噪声方差估计得更小MPA 的似然项-|y-hx|^2/N0的绝对值偏大后验分布过于尖锐剪枝正好把低置信度码字砍掉误码在数字上反而好看。解决打印每帧接收信号功率mean(abs(y)**2)理论上应该是用户信号功率加噪声功率信号部分归一化为 1所以mean(abs(y)**2)应近似等于1 N0。如果对不上回去检查 EbN0 到 N0 的换算公式重点看有没有除以 log2(M)。5.2 增加迭代次数误码率纹丝不动消息更新里混入了自信息现象iters 从 4 调到 12BER 曲线完全重合一幅已经收敛的样子但绝对位置比标准 MPA 差很多。原因FN 更新时把目标用户自己的 v2f 消息也加进了 llr_comb没有做外信息扣除。这样每个资源块发给用户的新消息里包含用户自己上一轮发出的先验消息传递陷入自我确认循环迭代等于在反复乘同一个分布。解决在 FN 更新循环里对每个目标用户 pos 单独计算llr_u llr_comb - v2f[u, k, idx[pos]]再进入 logsumexp。这个排查点建议写成注释甚至断言因为它是我见过发生率最高的 MPA 实现错误。5.3 剪枝后高信噪比段掉了 0.8dB真实码字被提前淘汰现象M_keep2 时8dB 以上 BER 反而比标准 MPA 差而且差值随信噪比增大而增大。原因高信噪比下后验分布虽然集中但剪枝用的是上一轮置信度排序偶尔会出现真实码字排在第三名、被剪掉的情况。一旦被剪后续所有迭代都不会再考虑它错误不可逆。M_keep2 的剪枝强度在高信噪比下把冗余变成了风险。解决把tail从 1 提到 2 或 3让最后几轮恢复全码字搜索。再不行把 M_keep 升到 3。这里不要试图用更精妙的排序准则去补救剪枝本质上是一个复杂度-性能权衡旋钮不是越激进越好。5.4 换了随机种子同一曲线的同一信噪比点差 2dB统计帧数不够现象每次运行结果差异很大但单次运行内部 BER 曲线很平滑让人误以为仿真没问题。原因固定帧数 5000 时高信噪比下错误比特可能只有几十个BER 估计的置信区间非常大。2dB 的抖动正是小样本统计噪声。解决改成错误计数停止准则。维护一个max_ber_frames上限当累计错误比特数达到 200 或 500 时再停止当前信噪比点的统计保证每个点的估计误差压到可控范围。简单做法是把默认frames提到 20000高信噪比点用 100000代价只是仿真时间但值得。5.5 跑了几百帧后 log 域冒出 NaNexp 里塞进了 -inf现象刚开始几帧正常跑到某个信噪比点整条曲线变成 NaN或者后验概率出现 0 和 1 的极端值。原因log 域里-inf 正数仍是-inf如果某个码字从未出现在任何保留组合里f2v 对应位置始终是 -inf。后续v2f total - f2v时-inf - (-inf)产生 NaN。标准 MPA 因为永远枚举全码字不会遇到这个问题DS-MPA 剪枝后很容易触发。解决给 f2v 的初值一个有限下界例如 -1e10 而不是 -inf或者在剪枝时保证每个用户至少保留一个码字有有限消息。更稳妥的做法是在 VN 更新前把所有-inf替换成一个大负数比如f2v[np.isneginf(f2v)] -1e10。这样 logsumexp 结果基本不受影响但避免了 NaN 污染。6. 用外信息统计量验证 DS-MPA 实现一个不靠误码率曲线的检查方法6.1 抽一个检查点把后验与暴力枚举的 4096 个组合对齐误码率曲线只能告诉你结果对不对不能告诉你实现里哪一步错了。我在调通链路后一定会做一个独立验证固定一个信道实现和噪声实现把所有 6 个用户的码字组合全部枚举一遍数量是 M^J 4^6 4096算出每个用户每个码字的精确后验然后和mpa_detector返回的 post 对比。# 暴力精确后验combs 是 4096 x J 的码字索引网格 # llr_all 是每组组合的 log 似然然后按每个用户做边缘化 for j in range(J): exact_logp logsumexp(llr_all.reshape([M]*J), axistuple( i for i in range(J) if i ! j))对比标准不是要求每个数值都相同而是看 argmax 的一致率以及归一化后验的 KL 散度。当迭代次数足够且 tail 全搜索存在时argmax 一致率应在 99% 以上KL 散度小于 0.05。如果 argmax 一致但 KL 偏大说明消息循环里还有轻微的自信息残留优先查 3.1 里的外信息扣除。6.2 一个能抄的进阶让剪枝阈值随迭代衰减固定 M_keep 的 DS-MPA 相当于全程同一剪枝强度但实际收益更好的做法是先粗后细前几轮用 M_keep2 快速缩小候选集倒数两轮恢复全搜索。这个策略在 5.2 里已经用tail参数实现了一部分更细的版本可以让 M_keep 随迭代序号从 2 涨到 3 再到 4每次迭代后都重新排序。实现上只需要把 keep_sets 的生成改成查一个长度为 iters 的调度表改动很小但我见过它在 8dB 以上带来 0.2dB 的额外收益。6.3 验证清单表检查项通过标准失败时优先排查码字后验与暴力枚举对齐argmax 一致率 99%KL 0.05外信息扣除、剪枝过早消息矩阵维度v2f/f2v 形状均为 (J,K,M)pattern 维度、布尔索引写法剪枝关闭时退化为标准 MPAM_keep4 与标准 MPA 数值完全一致keep_sets 生成、tail 设置这套检查方法帮我省掉了至少两周的排错时间。我现在的习惯是任何检测器实现都要在跑完整链路之前先过一遍 6.1 的暴力枚举对齐而不是直接画 BER 曲线。误码率是这个方向最常用的验收指标但它是个黑匣子只能告诉你结果不告诉你哪里错。先证明检测器后验没写错再谈剪枝和复杂度优化顺序反了会一路翻车翻到怀疑人生。希望帮到你。本文还有配套的精品资源点击获取