企业官网建设流程全解析

简介：面向无线通信与5G/NOMA研究方向学生、科研人员的MATLAB仿真资源，围绕NOMA（非正交多址接入）与OFDMA（正交频分多址）的对比及融合展开，帮助理解功率域复用、子载波分配、多用户检测与系统误码率评估。压缩包共13个文件，以.m脚本为主体，配合1个.mat数据文件，总体约156KB，涵盖OFDM收发、NOMA/OFDMA编解码、Turbo编译码及BER仿真等模块，代码结构清晰，便于直接运行和调整参数。已有381人学习下载，对入门级到中高级研究人员均有参考意义。通过主仿真脚本可快速复现两种接入方案的误码率对比曲线，结合数据生成与编码模块，深入掌握用户配对、功率分配及干扰管理的关键设计；同时为在OFDMA子载波上叠加NOMA用户的混合方案提供了可扩展的仿真框架，适合作为论文验证或课程设计的起点。

1. 这一包仿真代码，其实是在算一张通信资源的账

拿到「NOMA-OFDMA-SIM」这个压缩包，不用急着解压看代码。先想清楚标题在问什么：同一段频谱，到底按 OFDMA 那种“一个用户一块子载波、互不打扰”的方式分，还是按 NOMA 那种“大家一起发、在功率上做文章”的方式叠？前者是 LTE 时代一路走来的成熟方案，后者是 5G 时代被反复拿出来做对比研究的多址候选。这个 zip 包里的仿真，核心就是让你在同一个无线信道模型下，把两种方案的频谱效率、用户公平性、接收机复杂度放在一组曲线上做对比。适合谁用？一类是正在做无线通信课程设计或者毕设的学生，另一类是想评估 NOMA 值不值得往自己系统里引的工程师。压缩包能回答的不只是“谁快谁慢”，而是“凭什么快、在什么条件下快、快的那部分是从哪里挤出来的”。

2. 正交与功率域：OFDMA 和 NOMA 的底层逻辑

2.1 OFDMA 的“频率独占”思路为什么在密集场景吃亏

OFDMA 的核心是正交。系统把整段带宽切成一堆互相正交的子载波，再把子载波分组分配给不同用户。对接收机来说，每个用户只需要在自己那块频带上做解调，用户之间不存在能量上的互相干扰，所以接收机里的干扰消除模块可以做得非常简单。基站调度器要做的决策也只是“谁在哪个资源块上发”，是个纯粹的二维分配问题：时间维和频率维。

但在用户密集、业务突发明显的场景里，这种正交隔离逻辑会带来隐性浪费。一个用户分到了资源块但实际数据不多，这块频谱就处于半空置状态；另一个用户数据积压严重，却只能等下一个调度周期。更麻烦的是边缘用户，它的信道增益低，要在同样的频段上达到目标速率，就得占用更大比例的功率和带宽，这会把整个小区的频谱效率往下拉。OFDMA 的优势是“可控、干净”，代价是“当信道差异大时，资源做不到充分的共享”。

2.2 NOMA 的叠加与 SIC：近端用户替远端用户多干一道活

NOMA 走的是另一条路，功率域非正交。发射机在同一个子载波上把两个（或多个）用户信号按不同功率系数叠加后一起发出去，对时间、频率资源不做独占，而是让用户在功率维度上共享资源。为什么这样做能成立？关键在接收端做 SIC，也就是串行干扰消除。

用一个两用户的例子来说明。信道质量差的用户，称为远端用户，分配较大的功率；信道质量好的用户，称为近端用户，分配较小的功率。接收端解码顺序按照功率从大到小排，功率越大的信号越容易被先解出来。远端用户功率高，直接把自己信号解出来，把近端信号当成噪声就行；近端用户功率低，但它信道条件好，它先把功率高的远端用户信号解出来、从接收信号中减掉，再解自己的信号。所以说近端用户替远端用户多干了一道“解码再减掉”的活，付出的是接收机复杂度和能耗，换来的是同一块频谱上两个人都在发。这个 SIC 过程的数学表达很简单，远端和近端的信干噪比都能写成一个闭式公式。仿真里只要把公式写对，结果就成功了一大半。

2.3 一张表看清两种方案的本质选择

把两个方案放在同一张表里看，逻辑会更清楚。

这张表能解释为什么仿真标题里 NOMA 总是和 OFDMA 放一起对比：两者不是简单的替代关系，而是两种资源使用哲学的差异。OFDMA 用正交换取简单，NOMA 用干扰换取频谱复用。当你的仿真场景是信道差异大的多用户小区，NOMA 往往能压过 OFDMA；反过来在信道对称、用户公平性要求苛刻的场景，OFDMA 仍然更稳妥。仿真真正要做的事，就是把这种边界条件摸清楚。

3. 跑通 NOMA-OFDMA 对比仿真：代码结构与第一次运行

3.1 拿到压缩包后，先按功能把手里的文件归类

这类仿真包解压之后通常不会只有一个孤零零的脚本，而是若干个文件互相调用。别急着双击其中一个运行，先把文件按职责分类：第一类叫主脚本，负责设置仿真参数、循环扫描信噪比、调用子函数、最后画图；第二类是信道生成部分，一般是一个函数，输入用户数和信道类型，输出信道系数数组；第三类是发射机处理逻辑，做符号映射、功率分配、叠加编码；第四类就是接收机设计，实现 SIC 解码流程，并计算误比特率或吞吐量；第五类是 OFDMA 对照组，它的地位经常被低估，但恰恰是这个对照组设置了性能比较的基准线。

动代码之前，我建议先打开主脚本，把里面几个关键变量的赋值找出来：SNR 扫描范围、蒙特卡洛次数、用户数、子载波数、功率分配系数。这几个数决定了整个仿真的工作点。特别是蒙特卡洛次数，如果写的是 100 这种量级，跑出来的曲线会抖得像心电图，后面所有对比结论都站不住脚。先把这些参数记下来，再去看实现细节。

3.2 一个最小可运行的 NOMA 仿真脚本与逐行说明

与其去猜包里的代码怎么写的，不如先照着下面这段最小脚本建立一个自己的“试验台”。这个脚本是我常用的两用户 NOMA 与 OFDMA 对比框架，删掉了所有不必要的绘图细节，只保留容量计算逻辑。

% 主仿真参数 SNRdB = 0:2:20; % 信噪比扫描范围，单位 dB nTrial = 5000; % 蒙特卡洛次数，想曲线平滑就至少 5000 P = 1; % 归一化发射总功率 a = [0.8, 0.2]; % NOMA 功率分配系数：远端 0.8，近端 0.2 % 预分配结果数组 rateNoma = zeros(size(SNRdB)); rateOfdma = zeros(size(SNRdB)); for i = 1:length(SNRdB) sumN = 0; sumO = 0; for t = 1:nTrial % 生成两用户瑞利衰落信道，独立同分布 h = (randn(1,2) + 1i*randn(1,2)) / sqrt(2); % 按信道增益升序排列：h(1) 是远端弱用户，h(2) 是近端强用户 [h] = sort(abs(h), 'ascend'); % 噪声功率，由目标 SNR 换算得到 N0 = P * 10^(-SNRdB(i)/10); % NOMA：远端用户直接把近端信号当噪声 sinr1 = (abs(h(1))^2 * P * a(1)) / (abs(h(1))^2 * P * a(2) + N0); % NOMA：近端用户 SIC 后只剩自己的信号和噪声 sinr2 = (abs(h(2))^2 * P * a(2)) / N0; sumN = sumN + log2(1 + sinr1) + log2(1 + sinr2); % OFDMA 对照：带宽、功率都均分给两个用户 sumO = sumO + 0.5*log2(1 + (abs(h(1))^2 * P/2) / N0) ... + 0.5*log2(1 + (abs(h(2))^2 * P/2) / N0); end rateNoma(i) = sumN / nTrial; rateOfdma(i) = sumO / nTrial; end % 绘图部分：横轴 SNRdB，纵轴归一化频谱效率 plot(SNRdB, rateNoma, 'r-o', SNRdB, rateOfdma, 'b-s'); legend('NOMA', 'OFDMA'); xlabel('SNR (dB)'); ylabel('Sum Rate (bps/Hz)'); grid on;

这段代码里最容易绕晕的是sort那一步。信道系数生成后，我取模值再做升序排列，确认索引 1 是弱用户、索引 2 是强用户。为什么必须做这一步？因为 NOMA 的功率分配与 SIC 解码顺序都依赖于信道排序，排反了整个系统就失去意义。NOMA 的吞吐量计算上面，远端用户的信干噪比分母里有近端用户的功率项，因为对远端来说近端信号就是干扰；近端用户信干噪比的分母只有噪声，对应它在 SIC 成功后把干扰完全消除的理想状态。OFDMA 对照那两行，带宽减半所以谱效率乘了 0.5，功率均分所以每用户发射功率是 P/2，这个必须和 NOMA 保持相同的总功率预算，否则对比就不公平。

3.3 对照组 OFDMA 的仿真设计有三种常见口径

OFDMA 对照有很多写法，不同写法直接影响结论方向。第一种最常见，就是我上面用的带宽均分、功率均分，这是“等资源池”口径，大家总功耗一样，NOMA 额外付出的复杂度换来的收益一目了然。第二种是带宽均分、功率按信道倒置分配，也就是好的信道少给功率、差的信道多给功率，这其实是在帮 OFDMA 做公平性优化，对比对象变成了“功率分配更优的 OFDMA”。第三种是 OFDMA 也实现频率选择性调度，把每个子载波分配给当前信道最好的用户，这在多用户场景里会让 OFDMA 的频谱效率大幅提升。

我一般会把第一种作为默认口径，因为它是中性的比较基准。做敏感性分析时再跑第二种和第三种，看 NOMA 的相对增益会不会被调度算法吃掉。如果你拿到的 zip 包里 OFDMA 对照组写的是全体用户挤在一起但各自解调互不干扰，那就有问题——这不是 OFDMA，是把 NOMA 的叠加信号直接当正交信号解，性能会差到离谱，属于明显的实现错误。

4. 仿真参数怎么定：信道模型与工作点选择

4.1 瑞利信道与归一化功率：仿真里最容易虚高的两个设置

信道模型是整个仿真的地基，也是最容易被低估的参数。包里的仿真绝大多数默认用瑞利衰落，因为它是无线多径传播最经典的统计模型，括号里的系数(randn + 1i*randn)/sqrt(2)保证了信道增益的平均功率为 1，这种归一化让后面所有功率计算都能在“相对功率”的基础上进行。

但瑞利模型默认所有用户经历相同的大尺度衰落，这在某些场景下会掩盖真实差异。如果目标是评估“用户距离基站不同远近”的 NOMA 场景，就需要在大尺度上做手脚：给远端用户乘一个更小的路径损耗系数，让两个用户的接收功率拉开差距。我见过不少翻车案例，信道全部用小尺度瑞利、不加大尺度差异，跑出来的结果里 NOMA 的增益很小甚至看不出来，然后作者硬是把功率分配系数调到 0.95 去补。这种调参方式本质上是掩盖模型缺陷。正确做法是先在信道模型里把差异建出来，再让功率分配器去适应这个模型；而不是反过来，用极端功率分配系数硬撑出优势。

归一化功率这里也有个经典坑。仿真里总功率 P 取 1，但功率分配系数 a 的维度必须和 P 协调。a 是比例，两个用户的功率是P*a(1)和P*a(2)，所以必须满足 a(1)+a(2)=1，含义是“对总功率的切分”。如果代码里写成了P*a(1)和P*a(2)但a(2)=0.3而a(1)=0.8，两个功率加起来是 1.1P，总功率预算悄悄多了 10%，曲线整体上移。这种错误特别隐蔽，因为人眼很难从曲线上判断 10% 的偏差，还是靠代码审查才能抓住。我建议在初始化阶段就写一行断言：if sum(a) ~= 1, error('功率分配系数必须归一化'); end，一劳永逸。

4.2 用“和速率 vs SNR”作为试验台的工作参数

仿真工作点的选择，也就是扫哪些参数、参数范围取多少，取决于你手头要回答的问题。如果目的是复现文献结论或者验证 NOMA 的基本性质，最常见的工作台是“和速率对 SNR”，横轴 0 到 30 dB，步长 1 或 2 dB。在低 SNR 区，噪声占主导，SIC 能把干扰消掉但消不掉噪声，NOMA 不如 OFDMA 的现象属于正常；随着 SNR 升高，NOMA 的和速率会逐渐超过 OFDMA，这个交点大概在哪个 dB 数出现，往往是评审人最喜欢问的问题。

蒙特卡洛次数对标曲线的稳定性。5000 次是及格线，10000 次能让曲线平滑到不用额外滤波。低于 1000 次时，单次信道实现的随机性还没被平均掉，曲线毛刺会让人误判趋势。如果你时间紧只能跑 1000 次，至少要在代码里把随机数种子固定下来，保证两次跑的结果一致，否则改一个参数重新跑一遍，曲线形状大变，没法做对比。

子载波数与用户数的关系也要注意。NOMA 的叠加增益来自每资源块上的多用户复用，所以典型设置是“64 个子载波、每 2 个用户一组、共 32 组”；用户数固定为 2 的仿真只能证明双用户场景的结论，4 用户时 SIC 顺序变长，误差传播影响会被放大，这时候再看孙景频谱效率，NOMA 的收益曲线会往下弯。这本身是个有价值的结论，但它需要单独一组仿真来说明，不要试图用双用户结果外推。

4.3 仿真里常用的性能指标不止和速率一个维度

做对比仿真时，除了横纵轴直接画和速率，我建议至少再补两个维度的评估。第一个是公平性指标，最常用的是 Jain 指数，它反映系统里各用户速率的均衡程度，取值在 0 到 1 之间。NOMA 的和速率高，但近端用户可能吃得盆满钵满，远端用户只分到一点残羹，Jain 指数就会显著低于 OFDMA。只报和速率、不报公平性，评审人一眼就能看出这是在用系统级指标掩盖用户级矛盾。第二个是中断概率，定义是用户速率低于某个门限的概率，它比平均速率更能反映用户在真实业务下的感知。

这两个指标不用每次仿真都跑，而是作为“全面评估”的补充。我在做这类对比时，固定下来的一套习惯动作是：先扫和速率找到性能交点，再在交点的 SNR 处画 Jain 指数，最后对功率分配系数扫一遍。三张图放在一起，系统的全貌就出来了。第 6 章里会具体展开功率系数扫描这个技巧，这里先记住一个原则：单条曲线只是结论的起点，三条曲线才是可信的论据。

5. 避坑：NOMA-OFDMA 仿真的五个高频翻车点

5.1 现象：功率分配系数之和大于 1，和速率曲线整体虚高

第一次跑通两用户 NOMA 仿真，我看到 20 dB 处和速率比 OFDMA 高了快一倍，当时觉得这个方案简直无敌。后来逐行审查代码才发现，两个功率系数加起来等于 1.15，总功率预算超了 15%。这个问题在公式推导里几乎不可能出现，但在脚本实现里极其常见，因为矩阵赋值时 a(2) 被反复修改过，最早的归一化约束在修改中失效了。解决方法是把功率分配写成一个独立的函数，每次调用内部重新归一化，禁止在外部直接修改系数值。

function a = normalizePowerCoeffs(aRaw) a = aRaw / sum(aRaw); % 强制归一化，确保总功率等于 P if any(a < 0) error('功率分配系数不能为负'); end end

这段代码虽然只有三行，但能挡住两类最隐蔽的错误：一是系数没有归一化，二是某个系数被写成负数。负功率在物理上不存在，但脚本里如果前面的计算出了负的中间变量，很容易带进来。加上这个函数之后，所有功率分配入口统一从这里走，问题从根源上被切断。

5.2 现象：SIC 解码顺序写反，近端用户误码率反而高于远端

SIC 解码顺序由信道增益排序决定，功率分配顺序由同一个排序决定。两者必须保持一致，近端用户先解出远端用户的信号并减去，再解自己的。如果你的代码里排序用了降序，把强信号当成了高功率用户，那近端的 SIC 第一步就会失败——它试图先解一个功率比自己低但干扰更强的信号，信干噪比根本达不到解码门限，减不掉，然后带着一个强干扰去解自己的信号，误码率直接崩溃。最迷惑的是系统级误码率曲线看起来只是稍微变差，不会出现明显报错，让人怀疑是信道模型的问题。排查方法很简单：在仿真循环里打印出两次解码后的星座图或者信干噪比，如果近端解码的信干噪比低于远端，排序几乎可以肯定是反的。

5.3 现象：蒙特卡洛次数不足，曲线毛刺让性能交点判断产生偏差

和速率曲线在交点附近的斜率往往很缓，两三条曲线缠在一起。这种场景下，如果蒙特卡洛次数只有 200，随机起伏会掩盖真实的性能交点，你看到的可能是 NOMA 交叉点偏左 1 dB 或者偏右 1 dB，结论就完全不同。更麻烦的是，在交点附近跑两遍结果不一样，一旦有人复现，就对结果失去信心。处理方案不是简单地加大次数，而是先用较小次数找出交点大致位置，然后在交点附近加密扫描并用 10000 次数重跑，把原来的粗扫曲线替换成局部精确曲线。这个做法节省时间，也能让结论更扎实。

5.4 现象：只画和速率，不提用户公平性，仿真结论被评审一票否决

NOMA 的和速率优势很大，尤其是信道差异被拉得很开的时候。但看细节就会发现，远端用户速率可能被压到 OFDMA 下的一半，近端用户速率高出两倍，平均值好看不代表每个用户都好。只报和速率的仿真报告，在评审环节几乎必被问到一个问题：用户间的公平性是否符合要求？如果你的功率分配策略里没有对远端用户速率做最低门限保护，NOMA 的“优势”在实际系统中可能不可接受。对应的做法是画一条公平性曲线，或者直接设定“远端用户速率不低于 OFDMA 下的速率”作为约束条件，在这个约束下再做功率分配。

5.5 现象：信道模型没做路径损耗，NOMA 增益被完全淹没

上面 2.1 节提到过，NOMA 的功率区分能力依赖于用户间信道差异。如果仿真里所有用户都用同样的瑞利分布且不加大尺度衰落，两个用户的平均功率差异接近零，SIC 能依赖的只有小尺度衰落的瞬时差异。这种模型下跑出来的结果，NOMA 的和速率增益常常只有 5% 左右，很难说明问题。验证方法很直接：算一下远端用户和近端用户的平均接收功率比值，如果比值接近 1，说明信道差异不够，需要加入距离相关的路径损耗项。

6. 进阶：扫一遍功率分配系数，找到公平与效率的平衡点

两用户 NOMA 的功率分配系数只有一个自由度：设定 a(1) 后，a(2) 自动等于 1-a(1)。这个自由度看起来简单，却是系统真正的调节旋钮。a(1) 偏大，远端用户舒服了，近端用户 SIC 后残留的干扰也小，但近端自己的功率被压缩，近端速率下降；a(1) 偏小，远端用户速率撑不住，系统公平性崩掉。扫系数就是在效率与公平之间描出一条曲线，然后用这条曲线去对应你的系统目标。

具体做法是在固定 SNR 下，让 a(1) 从 0.51 到 0.95 按 0.01 步进扫描，每次重跑蒙特卡洛循环，记录两个关键值：和速率与远端用户速率。然后把两条曲线画在同一个图上，横轴是 a(1)。你会看到一个典型形态：和速率曲线有一个峰，通常落在 0.7 到 0.85 之间，具体位置取决于信道差异程度；远端用户速率则随 a(1) 单调上升。二者的交点，也就是“和速率下降前远端用户速率已经足够高”的折中位置，就是实际系统里推荐的功率分配工作点。

我习惯在这个扫描基础上再叠一层约束：如果项目目标是保证边缘用户体验，就先把远端速率不能低于某个绝对门限写入代码，在满足门限的系数区间内选和速率最大的那一个点。如果没有明确目标函数，就选和速率峰右侧刚进入缓降区的位置，这样系统对信道估计误差的敏感度最低。仿真不是找数学最优解，而是找工程上最稳的工作点，这个经验我在好几个项目里都验证过。功率系数扫描虽然要多跑几十轮蒙特卡洛，但换来的是对这个系统行为习惯的完整认知——手上有这张曲线图，后续无论评审问什么，你都能直接从图上指一个点给结论。希望帮到你。

本文还有配套的精品资源，点击获取