简介这份资源面向无线通信、信号处理方向的学生与研究人员提供一套多用户MIMO系统的MATLAB仿真程序用于理解MIMO信道建模、预编码与多用户调度等核心环节。包内共229个文件以mat数据文件、m脚本、asv备份、c与mexw32/mexw64混合编译文件为主另含少量log、h、cpp、fig与txt压缩包约1.65MB结构上覆盖信道建模、预编码算法、用户选择策略与性能分析等模块。已有390人学习下载说明其在教学与科研场景中具备一定参考价值。读者可借助这些代码复现瑞利衰落、多径衰落等信道条件下的MU-MIMO链路对比MMSE、MRT、ZF等预编码方案对用户间干扰的抑制效果并通过吞吐量、误码率、信噪比与系统容量等指标评估不同参数配置从而在理论与工程实现之间建立联系提升无线通信系统设计能力。1. 多用户MIMO仿真到底在算什么从单用户到MU-MIMO的信道容量差异很多人第一次接触 MU-MIMO是在 MATLAB 里跑一个 2x2 或 4x4 的 MIMO 信道容量图发现单用户 MIMO 的容量随天线数线性涨就以为多用户无非是把天线分给几个人用。真动手搭一套多用户 MIMO 仿真之后才会发现事情完全不是这么回事单用户 MIMO 的容量增益来自空间复用而 MU-MIMO 的增益来自「空分多址」——基站用同一时频资源同时服务多个用户靠的是下行预编码把每个用户的信号压到其他用户的零空间里。这个标题里的 MU-MIMO_sim 就是干这件事的用 MATLAB 把多用户 MIMO 的下行链路信道建模、预编码、容量计算串起来跑出可复现的曲线。适合已经会写单用户 MIMO 容量脚本、想搞清楚多用户场景下信道建模和预编码怎么落地的人也适合做毕设或论文仿真、需要一套能改参数就能出图的代码框架的人。2. MU-MIMO 信道建模从 i.i.d. 瑞利到相关信道怎么选2.1 为什么多用户信道不能直接套单用户的那套单用户 MIMO 里信道矩阵 H 就是一个 N_r × N_t 的复高斯矩阵容量公式 C log2 det(I (SNR/N_t) HH^H) 直接算。到了多用户下行基站有 N_t 根发射天线同时服务 K 个用户每个用户 N_r 根接收天线信道变成一组矩阵 {H_1, H_2, ..., H_K}每个 H_k 是 N_r × N_t。这时候容量不再是单个行列式而是要看基站怎么把 K 路数据流预编码后叠加发射。最常见的建模假设是每个用户的信道独立同分布瑞利衰落即 H_k 的每个元素服从 CN(0,1)。这个假设在用户间距足够大、散射环境丰富时成立仿真里也最省事。但如果用户靠得近或者基站天线间距不够用户间信道就会出现空间相关这时候必须引入相关矩阵。常见做法是用 Kronecker 模型H_k R_r^{1/2} * G_k * R_t^{1/2}其中 G_k 是 i.i.d. 复高斯矩阵R_r 和 R_t 分别是接收端和发射端的相关矩阵。R_t 通常用指数相关模型生成相关系数 ρ 控制相邻天线的相关程度ρ0 退化成 i.i.d.ρ0.9 就是强相关。这个 ρ 是仿真里最容易被忽略又最影响结果的参数后面避坑章节会细说。2.2 用 MATLAB 生成多用户信道矩阵的最小代码下面这段代码生成 K 个用户的信道矩阵支持 i.i.d. 和相关两种模式相关矩阵用指数模型。直接抄进脚本就能跑。function H generate_mu_mimo_channel(K, Nt, Nr, rho, mode) % K : 用户数 % Nt : 基站发射天线数 % Nr : 每个用户接收天线数 % rho : 发射端天线相关系数0 表示 i.i.d. % mode : iid 或 corr % H : K x 1 cell每个元素是 Nr x Nt 的复信道矩阵 H cell(K, 1); for k 1:K G (randn(Nr, Nt) 1j*randn(Nr, Nt)) / sqrt(2); % CN(0,1) if strcmp(mode, iid) H{k} G; else Rt exp_corr_matrix(Nt, rho); % Nt x Nt 发射相关矩阵 Rr eye(Nr); % 接收端暂不相关 H{k} Rr^(1/2) * G * Rt^(1/2); end end end function R exp_corr_matrix(N, rho) % 指数相关矩阵R(i,j) rho^|i-j| R zeros(N, N); for i 1:N for j 1:N R(i,j) rho^abs(i-j); end end end逻辑说明generate_mu_mimo_channel对每个用户独立生成信道modeiid时直接返回复高斯矩阵modecorr时用 Kronecker 模型做相关。exp_corr_matrix生成指数相关矩阵rho是相邻天线相关系数。参数上K一般取 2 到 10Nt取 4 到 64Nr取 1 或 2 最常见用户端单天线场景就是 Nr1。rho建议从 0、0.3、0.7、0.9 各跑一遍看容量曲线怎么随相关性退化。注意Rt^(1/2)在 MATLAB 里是矩阵平方根不是逐元素开方别写错。2.3 信道容量计算从单用户到多用户的公式切换单用户 MIMO 容量是 C log2 det(I (P/Nt) H H^H)。多用户下行如果基站知道所有用户的信道CSIT 完美用脏纸编码DPC能达到的容量和是 C_sum max log2 det(I (P/Nt) H^H H)其中 H 是把所有用户信道堆叠成的矩阵 [H_1; H_2; ...; H_K]维度是 (K*Nr) × Nt。这个公式看着和单用户很像但含义完全不同它假设基站能对每个用户的数据流做非线性预编码实际中常用线性预编码ZF、MMSE去逼近。仿真里一般先算 DPC 上界再算 ZF 和 MMSE 预编码的实际和速率对比看差距。function [C_dpc, C_zf, C_mmse] mu_mimo_sum_rate(H, P, noise_var) % H : K x 1 cell每个 Nr x Nt % P : 总发射功率 % noise_var: 噪声方差 % 返回三种预编码下的和速率bps/Hz K length(H); Nt size(H{1}, 2); Nr size(H{1}, 1); % 堆叠所有用户信道 H_stack []; for k 1:K H_stack [H_stack; H{k}]; end % DPC 上界 C_dpc real(log2(det(eye(K*Nr) (P/Nt/noise_var) * (H_stack*H_stack)))); % ZF 预编码W H^H (H H^H)^(-1) W_zf H_stack / (H_stack * H_stack); C_zf 0; for k 1:K idx (k-1)*Nr (1:Nr); hk H_stack(idx, :); wk W_zf(:, idx); sinr (P/Nt) * abs(hk*wk)^2 / (noise_var sum_signal_leakage(H_stack, W_zf, k, P/Nt)); C_zf C_zf log2(1 sinr); end % MMSE 预编码 W_mmse H_stack / (H_stack*H_stack (noise_var*Nt/P)*eye(K*Nr)); C_mmse 0; for k 1:K idx (k-1)*Nr (1:Nr); hk H_stack(idx, :); wk W_mmse(:, idx); sinr (P/Nt) * abs(hk*wk)^2 / (noise_var sum_signal_leakage(H_stack, W_mmse, k, P/Nt)); C_mmse C_mmse log2(1 sinr); end end function leak sum_signal_leakage(H_stack, W, k, scale) % 计算第 k 个用户受到的其他用户干扰功率 K size(W, 2) / size(H_stack, 1) * size(H_stack, 1); leak 0; idx_k (k-1)*size(H_stack,1)/K (1:size(H_stack,1)/K); for j 1:K if j k, continue; end idx_j (j-1)*size(H_stack,1)/K (1:size(H_stack,1)/K); leak leak scale * norm(H_stack(idx_k,:) * W(:, idx_j))^2; end end逻辑说明H_stack把所有用户信道按行堆叠DPC 上界直接用堆叠矩阵算行列式。ZF 预编码的伪逆H_stack / (H_stack*H_stack)是标准写法MMSE 在分母加了正则项(noise_var*Nt/P)*eye(...)。sum_signal_leakage算的是其他用户对当前用户的干扰功率SINR 里分子是有用信号分母是噪声加干扰。参数上P是总功率noise_var一般设 1P/noise_var就是发射 SNR。注意 ZF 在用户数接近天线数时噪声放大严重MMSE 的正则项能缓解但正则系数要调后面会讲。3. 预编码选型与参数调优ZF、MMSE、DPC 到底差多少3.1 三种预编码的适用边界ZF 预编码的优点是简单完全消除用户间干扰但代价是噪声放大。当 K*Nr 接近 Nt 时H_stack*H_stack接近奇异伪逆的范数爆炸SINR 反而下降。MMSE 预编码在 ZF 基础上加正则项本质是在干扰消除和噪声放大之间做折中正则系数noise_var*Nt/P就是折中因子。DPC 是理论上界实际不可实现需要非线性编码和无限长码块但仿真里必须算用来衡量线性预编码离上界有多远。经验上用户数 K 小于 Nt/2 时 ZF 和 MMSE 差距不大K 接近 Nt 时 MMSE 明显好于 ZFK 超过 Nt 时两者都崩只能靠用户调度。3.2 参数扫描用户数、天线数、SNR 怎么设仿真里最常扫的三个参数是用户数 K、发射天线数 Nt、发射 SNR。建议的扫描范围K 从 2 到 8Nt 从 4 到 32SNR 从 0 dB 到 30 dB。每次固定两个扫一个画曲线。下面是一个扫描脚本的骨架。SNR_dB 0:2:30; K_list [2, 4, 6, 8]; Nt 16; Nr 1; rho 0.3; num_real 200; % 每个点蒙特卡洛次数 for ki 1:length(K_list) K K_list(ki); C_dpc_avg zeros(size(SNR_dB)); C_mmse_avg zeros(size(SNR_dB)); for si 1:length(SNR_dB) P 10^(SNR_dB(si)/10); for r 1:num_real H generate_mu_mimo_channel(K, Nt, Nr, rho, corr); [c1, ~, c2] mu_mimo_sum_rate(H, P, 1); C_dpc_avg(si) C_dpc_avg(si) c1; C_mmse_avg(si) C_mmse_avg(si) c2; end end C_dpc_avg C_dpc_avg / num_real; C_mmse_avg C_mmse_avg / num_real; plot(SNR_dB, C_dpc_avg, -o, SNR_dB, C_mmse_avg, -s); hold on; end legend(DPC K2,MMSE K2,DPC K4,MMSE K4,DPC K6,MMSE K6,DPC K8,MMSE K8); xlabel(SNR (dB)); ylabel(Sum Rate (bps/Hz));逻辑说明外层循环扫 K内层扫 SNR每个点做num_real次蒙特卡洛平均。num_real取 200 到 1000太少曲线会抖。rho固定 0.3 是中等相关想看重相关影响就改成 0.9。注意P 10^(SNR_dB/10)是把 dB 转线性noise_var固定为 1这样 SNR 就是发射功率。画图时用hold on叠加多条曲线legend要对应好别标错。3.3 蒙特卡洛次数与收敛判断蒙特卡洛次数不够是仿真曲线「玄学抖动」的主要原因。判断收敛的土办法把num_real从 100 加到 200 再加到 500看同一个 SNR 点的和速率变化是否小于 2%。如果 500 次还在抖要么是信道生成有 bug要么是 ZF 在 K 接近 Nt 时本身方差就大。我一般先跑 100 次看趋势确认代码没问题再上 1000 次出正式图。另外每次跑之前用rng(42)固定随机种子不然每次图都不一样没法对比。4. 避坑与排查MU-MIMO 仿真里最容易翻车的 5 个地方4.1 现象容量曲线随 SNR 升高反而下降原因ZF 预编码在 K*Nr 接近 Nt 时H_stack*H_stack接近奇异伪逆的范数随 SNR 升高而放大噪声导致 SINR 不升反降。这是 ZF 的固有缺陷不是代码 bug。解决换 MMSE 预编码或者降低 K/Nt 比值。如果必须用 ZF加一个小的对角加载H_stack*H_stack epsilon*eye(...)epsilon 取 1e-3 到 1e-2能缓解奇异但不根治。4.2 现象相关信道下容量比 i.i.d. 还高原因相关矩阵生成时Rt^(1/2)写成了逐元素开方或者rho的符号搞反了。指数相关矩阵R(i,j)rho^|i-j|在 rho 为正时是正相关如果误用负相关或者矩阵不正定Rt^(1/2)会出复数容量计算出错。解决检查Rt是否正定用eig(Rt)看最小特征值是否大于 0。Rt^(1/2)用sqrtm(Rt)更稳妥别用sqrt(Rt)。另外相关信道容量通常低于 i.i.d.如果跑出更高先查相关矩阵。4.3 现象MMSE 预编码的正则系数调不对性能还不如 ZF原因正则系数noise_var*Nt/P是理论值实际仿真里如果 SNR 定义和噪声方差设置不一致这个系数就偏了。比如 SNR 用 dB 转线性时忘了开方或者noise_var没归一化。解决把正则系数当成可调参数在[0.001, 0.01, 0.1, 1]里扫一遍看哪个和速率最高。理论上最优正则系数随 SNR 变化低 SNR 时应该大一些高 SNR 时小一些。如果懒得调直接用noise_var*Nt/P也行但要知道它不一定最优。4.4 现象用户数超过天线数时仿真直接报错或结果全零原因H_stack的维度是 (KNr) × Nt当 KNr Nt 时H_stack*H_stack是奇异矩阵求逆报错。即使不报错ZF 也无法同时服务这么多用户。解决K*Nr 必须小于等于 Nt这是 MU-MIMO 的基本约束。如果用户数确实多得加用户调度每时隙只选 Nt 个用户里的子集。仿真里可以先随机选 Nt 个用户或者按信道增益排序选前 Nt 个。4.5 现象蒙特卡洛跑得慢1000 次要等半小时原因MATLAB 里循环里反复调用det和inv或者H_stack拼接用了[H_stack; H{k}]在循环里动态增长。解决预分配H_stack zeros(K*Nr, Nt)用索引赋值而不是拼接。det和inv能换成chol或\就换。另外parfor可以并行蒙特卡洛但要注意随机种子在每个 worker 上要独立设置不然结果不可复现。5. 进阶技巧用 OOP 重构仿真框架让参数扫描不再改代码跑通基础脚本之后最烦的是每次换参数都要改代码、重跑、手动存图。我后来用 MATLAB 的 OOP 把整个仿真重构成一个类参数全放在属性里方法只负责计算和画图。这样扫参数就是改一个属性值循环调用方法图自动存。下面是一个最小框架。classdef MuMimoSim handle properties K 4; Nt 16; Nr 1; rho 0.3; mode corr; SNR_dB 0:2:30; num_real 500; seed 42; end methods function obj MuMimoSim(varargin) for i 1:2:length(varargin) obj.(varargin{i}) varargin{i1}; end end function [snr, C_dpc, C_mmse] run(obj) rng(obj.seed); snr obj.SNR_dB; C_dpc zeros(size(snr)); C_mmse zeros(size(snr)); for si 1:length(snr) P 10^(snr(si)/10); for r 1:obj.num_real H generate_mu_mimo_channel(obj.K, obj.Nt, obj.Nr, obj.rho, obj.mode); [c1, ~, c2] mu_mimo_sum_rate(H, P, 1); C_dpc(si) C_dpc(si) c1; C_mmse(si) C_mmse(si) c2; end end C_dpc C_dpc / obj.num_real; C_mmse C_mmse / obj.num_real; end function plot_result(obj, snr, C_dpc, C_mmse) figure; hold on; plot(snr, C_dpc, -o, snr, C_mmse, -s); xlabel(SNR (dB)); ylabel(Sum Rate (bps/Hz)); legend(DPC, MMSE); title(sprintf(K%d, Nt%d, rho%.1f, obj.K, obj.Nt, obj.rho)); saveas(gcf, sprintf(mu_mimo_K%d_Nt%d_rho%.1f.png, obj.K, obj.Nt, obj.rho)); end end end用法就是sim MuMimoSim(K, 6, rho, 0.7); [snr, c1, c2] sim.run(); sim.plot_result(snr, c1, c2);。参数全在构造函数里传不用改文件。handle继承让对象可以原地修改属性。rng(obj.seed)保证每次跑结果一样。saveas自动存图文件名带参数扫完一轮图全在文件夹里不用手动整理。这个框架的边界它只适合单基站多用户下行不支持多小区干扰也不支持用户移动性。如果要加这些得在generate_mu_mimo_channel里扩展或者再包一层。另外parfor和handle类一起用要注意每个 worker 的对象是独立的别在并行里改共享属性。我自己的习惯是每跑完一组参数把sim对象存成.mat文件文件名带日期和参数过两周回头看还能复现。仿真这行后悔药就是随机种子和参数记录别省这一步。希望帮到你。本文还有配套的精品资源点击获取