企业官网建设流程全解析

简介：针对NOMA与OFDM联合系统的MATLAB仿真源码包，共2个m文件，大小2KB，适合无线通信方向研究生、工程师以及正在学习5G关键技术的开发者。资源围绕非正交多址接入与正交频分复用，提供了noma.m和m_sequence.m两个核心脚本，覆盖用户功率分配、多用户检测、伪随机序列生成等关键环节，可直接运行学习NOMA功率域复用与OFDM子载波调度原理，也可作为课程设计或毕业设计的基础框架。已有894人学习下载，说明其在通信仿真实践中具有较高参考价值。借助该压缩包，读者可快速搭建NOMA-OFDM仿真实验，调整用户数量、功率分配策略和信道条件，观察误码率、吞吐量及用户公平性变化，深入理解高谱效多址接入的实现细节。整包体积小、结构清晰，便于对照代码逐段分析。

1. 拆开 noma.m：为什么 NOMA-OFDM 仿真要先从序列设计开始

很多人第一次打开noma.m的时候，会预期看到一个完全摒弃 OFDM 的全新框架，但实际第一行代码往往都是在初始化子载波和用户序列。NOMA 的核心反直觉点在于：它并不是在物理层把两个信号彻底分开，而是故意让它们在时频资源上完全重叠，再借助接收端的功率差把用户“拆”开。这个 MATLAB 仿真包正好把noma.m和m_sequence.m两层放在了一起，前者处理叠加编码与 SIC 检测，后者负责生成用户签名序列。如果你正在做 5G NR 物理层算法评估，或者需要对比 NOMA 与 OFDMA 在多用户场景下的吞吐量差异，这份代码能直接帮你跑通完整链路，并给出 BER、吞吐量和公平性指标。下面我会按“序列生成 → 发射机/接收机实现 → 与 OFDMA 对比 → 贴近 NR 配置”的顺序来拆解整个仿真过程。

2. m_sequence.m 背后的移位寄存器逻辑与用户签名生成

2.1 从多项式到 m 序列：初始化状态与反馈连接

m 序列本质上是一个线性反馈移位寄存器（LFSR）在有限域 GF(2) 上跑出来的伪随机序列，周期是 (2^n - 1)。m_sequence.m里的核心参数有两个：一个是本原多项式，另一个是寄存器的初始状态。这两者决定了序列的周期和相位。

在 MATLAB 里，如果你有通信工具箱，可以直接用comm.PNSequence，但为了看清楚寄存器抽头，我一般会手写一个移位寄存器版本，调试起来更直观：

% m 序列手写生成器，兼容无通信工具箱环境 n_stages = 6; % 移位寄存器级数，周期为 2^6 - 1 = 63 reg = [1 0 0 0 0 0]; % 初始状态，绝对不能全零 m_seq_len = 2^n_stages - 1; m_seq = zeros(1, m_seq_len); for idx = 1:m_seq_len m_seq(idx) = reg(n_stages); % 输出最后一级 feedback = xor(reg(n_stages), reg(1)); % 本原多项式 x^6 + x + 1 reg = [feedback, reg(1:n_stages - 1)]; % 右移一位并注入反馈 end

这段代码的逻辑是基于本原多项式 (f(x) = x^6 + x + 1) 来构造反馈抽头。feedback = xor(reg(n_stages), reg(1))表示将寄存器的第 6 级和第 1 级做异或，再反馈到输入端。需要特别注意的是，初始状态不能是全零，否则整个序列会一直输出 0，永远跳不出这个死循环。每周期输出的序列长度为 63，这个长度在多用户仿真中通常对应一个 OFDM 符号块内的基本扩频单位。

2.2 从 m 序列到 Gold 序列：互相关与用户区分

单个 m 序列只能给一个用户用。在多用户 NOMA 场景下，我们需要为不同用户分配不同的签名序列，而且这些序列之间的互相关值要尽量低，否则在 SIC 解码后，残留的互相关干扰会直接抬高用户 2 的误码率。常见的做法是把两个优选对 m 序列异或，生成 Gold 序列：

% 生成第二路 m 序列，并移位 5 位 seq1 = m_seq; seq2 = circshift(m_seq, 5); % 相位偏移，产生新的签名 gold_seq = xor(seq1, seq2); % Gold 序列 = 两个 m 序列逐位异或 % 查看互相关特性 [cross_corr, lags] = xcorr(gold_seq, seq1); stem(lags, real(cross_corr));

这里circshift(m_seq, 5)的作用是改变第 2 个用户的签名相位。Gold 序列的优势在于它的互相关值被限制在三个离散值内，比任意两个普通 m 序列的互相关峰值要低得多。在设计 NOMA 系统时，我们一般不直接靠序列本身的正交性区分用户（功率域区分是主力），但序列的互相关性能直接影响 SIC 减法之后的残差噪声水平。换句话说，签名序列选得不好，功率分配算得再准，用户 2 的 BER 也会在高信噪比区间出现平层。

2.2.1 自相关峰值在符号同步中的辅助作用

除了互相关，自相关的峰值特性也值得关注。m 序列的自相关函数是二值的，在主瓣有尖锐的峰值，旁瓣恒定为 (-1/N)。这个性质可以用来做符号同步，即接收端用本地序列与接收信号做滑动相关，通过峰值位置确定 OFDM 符号的起始点。在noma.m的整体链路中，通常假设理想同步，但在实际仿真时，少量时偏就会导致子载波间干扰（ICI），所以理解m_sequence.m的自相关特性，能帮你快速判断仿真结果中的 BER 抬升是来自同步偏差还是来自 SIC 错误传播。

3. noma.m 的发射机与接收机：叠加编码、功率分配和 SIC 检测

3.1 功率分配系数 alpha 与叠加编码的 MATLAB 实现

NOMA 发射机的核心是叠加编码（Superposition Coding）。假设有两个用户，用户 1 是近端用户（信道质量好），用户 2 是远端用户（信道质量差）。为了让两个用户在同一个子载波上都能成功解码，需要给用户 2 分配更多功率，给用户 1 分配较少功率。这个比例由功率分配系数alpha控制。

% 发射机侧：两用户 QPSK 符号叠加 N = 256; % OFDM 子载波数 snr = 20; % 信噪比单位 dB bits1 = randi([0 1], N*2, 1); % 用户 1 发送比特 bits2 = randi([0 1], N*2, 1); % 用户 2 发送比特 sym1 = qammod(bits1, 4, 'InputType', 'bit', 'UnitAveragePower', true); sym2 = qammod(bits2, 4, 'InputType', 'bit', 'UnitAveragePower', true); alpha = 0.2; % 用户 2 的功率占比，通常取 0.1 ~ 0.4 tx_signal = sqrt(1 - alpha) .* sym1 + sqrt(alpha) .* sym2; % 进入 OFDM 调制：IFFT 变换到时域 tx_ofdm = ifft(tx_signal, N);

这里qammod中的UnitAveragePower设置为true，表示将 QPSK 符号的能量归一化到 1，这样功率分配系数才能精确反映功率比例。alpha的取值直接影响系统性能：alpha越接近 0.5，两个用户功率越接近，用户 1 解码时需要承受的干扰越大，但用户 2 的吞吐量会更高；alpha越接近 0，用户 1 的 BER 越低，但用户 2 的接收信噪比变差。关于功率分配，实际仿真中常用的策略有三种：

FTPA 是 5G 学术论文里最常用的方案，它把信道增益 (g_k) 加入功率分配公式，让信道差的用户自动获得更高功率，从而改善用户公平性。

3.2 串行干扰消除（SIC）的解码顺序与代码逻辑

接收端的核心算法是串行干扰消除。SIC 的基本原则是：先解码功率大、容易解码的用户，然后把这个用户的信号重新编码、调制，从接收信号中减去，再解码下一个用户。在 NOMA-OFDM 中，SIC 是在频域子载波级执行的。

% 接收机侧：经过 AWGN 信道后，先做 FFT 回到频域 rx_ofdm = fft(rx_signal, N); % SIC 解码流程：先解码用户 1（近端用户，功率较小） % 注意：虽然用户 1 功率小，但用户 1 信道好，SIC 通常按信道增益降序排列 rx_sym1 = rx_ofdm ./ sqrt(1 - alpha); demod_bits1 = qamdemod(rx_sym1, 4, 'OutputType', 'bit', 'UnitAveragePower', true); % 重构用户 1 的信号，并从接收信号中减去 reconstructed_sym1 = qammod(demod_bits1, 4, 'InputType', 'bit', 'UnitAveragePower', true); residual = rx_ofdm - sqrt(1 - alpha) .* reconstructed_sym1; % 在残差信号中解码用户 2 rx_sym2 = residual ./ sqrt(alpha); demod_bits2 = qamdemod(rx_sym2, 4, 'OutputType', 'bit', 'UnitAveragePower', true); % 计算误码率 ber1 = biterr(bits1, demod_bits1) / length(bits1); ber2 = biterr(bits2, demod_bits2) / length(bits2);

这段代码中的关键点在于解码顺序。理论上一旦 SIC 开始执行，它默认先解码信道增益较高的用户，因为该用户能够承受较大的叠加干扰。如果解码顺序反了，用户 2 在存在强干扰的情况下极易出错，而且错误会通过重构步骤传播给用户 1。另一个需要留意的是residual的计算，很多初学者的代码会忘记对重构信号乘以sqrt(1 - alpha)的功率系数，这会导致减法不彻底，残留大量干扰。

3.3 BER 统计、吞吐量计算与 Jain 公平性指标

仿真跑完 SIC 之后，自然要统计性能指标。noma.m中通常会计算 BER，但如果你需要评估系统整体性能，光看 BER 还不够，吞吐量和用户公平性同样重要。特别是对比 NOMA 和 OFDMA 时，公平性是一个决定性指标。

% 吞吐量计算：每个 QPSK 符号携带 2 比特 num_symbols = N; throughput1 = sum(bits1 == demod_bits1) / num_symbols; throughput2 = sum(bits2 == demod_bits2) / num_symbols; % Jain 公平性指数计算 rates = [throughput1, throughput2]; fairness = sum(rates)^2 / (2 * sum(rates.^2));

Jain 公平性指数的取值范围是 0 到 1，值越接近 1，说明两个用户获得的吞吐量越均衡。当你调整alpha参数时，会看到吞吐量和公平性之间的权衡变化。alpha趋近 0.5 时，公平性变好，但用户 1 的 BER 会上升；alpha趋近 0 时，用户 2 的吞吐量会显著下降，公平性指标恶化。

4. NOMA-OFDM 与 OFDMA 的仿真对比：从子载波分配到系统容量

4.1 OFDMA 的频域多址：子载波独占与调度

在介绍 NOMA-OFDM 之前，先看传统 OFDMA 的仿真方法。OFDMA 把整个频带划分为若干资源块，每个用户独占一部分子载波，因此用户间完全正交，不存在多址干扰。在 MATLAB 中模拟 OFDMA 非常简单，就是按索引分配子载波：

% OFDMA：将 N 个子载波分成两组，分别分配给两个用户 N = 64; user1_subcarriers = 1:32; % 用户 1 独占 1~32 号子载波 user2_subcarriers = 33:64; % 用户 2 独占 33~64 号子载波 ofdma_freq_domain = zeros(1, N); ofdma_freq_domain(user1_subcarriers) = sym1; % 用户 1 的符号放在指定子载波 ofdma_freq_domain(user2_subcarriers) = sym2; % 用户 2 的符号放在指定子载波 tx_ofdma = ifft(ofdma_freq_domain, N); % IFFT 变到时域

这段代码里，user1_subcarriers和user2_subcarriers是互斥的索引集合。OFDMA 的优点在于接收机处理非常简单，接收端只要做一次 FFT，按下标取出对应子载波的符号即可，不需要额外解码逻辑。但缺点也很明显：如果用户 1 的数据量较小，它的那部分子载波就会空闲，造成频谱资源浪费。

4.2 NOMA-OFDM 的同频叠加：容量优势与接收机复杂度

NOMA-OFDM 改变了 OFDMA 中子载波独占的规则，允许两个用户同时使用全部子载波，仅用功率差与 SIC 来区分用户。因此它的系统容量更高，尤其是在用户间信道质量差异较大的场景。下面这段代码展示了 NOMA-OFDM 发射端的核心差异：

% NOMA-OFDM：所有子载波上同时叠加两个用户信号 noma_freq_domain = sqrt(1 - alpha) .* sym1 + sqrt(alpha) .* sym2; tx_noma = ifft(noma_freq_domain, N);

这里的sym1和sym2长度都为 N，它们复用的是同一组子载波。NOMA-OFDM 的容量提升来源于叠加编码，它让系统过载运行。但其代价是接收机复杂度大幅上升，SIC 除了要处理信号重构，还要对信道增益进行排序。尤其当用户数增加到 3 到 4 个时，SIC 的错误传播会变得非常突出。

4.3 典型仿真参数表与“隐式”坑点（FFT、CP、归一化）

在实际仿真时，NOMA-OFDM 与 OFDMA 的对比需要放在同一套参数框架下才有意义。我一般会使用下表作为基准配置：

仿真中有一个很容易踩的“隐式”坑：IFFT 之后的信号功率会随N变化。如果你不对发射信号做功率归一化，直接调用awgn(rx_signal, snr, 'measured')，得到的 SNR 会和理论值偏差很大。通常我建议在发射端加一句归一化：tx_signal = tx_signal / sqrt(mean(abs(tx_signal).^2));，确保发射功率为 1。另外，循环前缀的添加和去除也容易被忽略，在多径信道仿真中，如果忘记加 CP，OFDM 子载波正交性会被破坏，导致 BER 曲线在高 SNR 处出现平层。

5. 把仿真往前再推一步：5G NR 信道模型与闭环验证技巧

5.1 用 nrTDLChannel 替换简单 AWGN 信道

基础仿真中我们常常用awgn来模拟信道，但真实 5G NR 链路必须考虑时延扩展和多普勒频移。如果你安装了 5G Toolbox，我会直接使用nrTDLChannel来替换 AWGN 信道，这样得到的结果更接近实际空口下发的性能。

% 配置 TDL 信道模型（TDL-A 30ns 时延扩展，5Hz 多普勒） channel = nrTDLChannel('DelayProfile', 'TDL-A', ... 'DelaySpread', 30e-9, ... 'MaximumDopplerShift', 5, ... 'SampleRate', 1e6); channel.TransmitAntennaSelection = [1]; channel.ReceiveAntennaSelection = [1];

这段代码里的DelayProfile是信道时延分布模型，TDL-A对应 5G NR 标准中定义的抽头时延组合。DelaySpread设置为 30ns 代表典型的市区微蜂窝场景。最大多普勒频移 5Hz 对应步行速度。加入信道模型后，接收端需要先做信道估计，再把 SIC 的解调过程延续下来，这样仿真框架才算完整。

5.2 通过误码率曲线反向验证 SIC 实现是否正确

验证 SIC 实现是否正确，有一个很实用的技巧：在双用户 AWGN 信道下，把两个用户各自的 BER 曲线画出来，与理论 QPSK 曲线做对比。理论上，用户 2 由于功率高，在低 SNR 区域应该先到达零误码点；用户 1 在有残留干扰的情况下，BER 会比理论曲线略高，但最终的斜率应当保持一致。如果你的仿真中两条 BER 曲线在中高 SNR 区间出现平行甚至交叉，那基本可以断定 SIC 的重构环节少乘了功率系数，或者解码顺序排反了。

% 采样 0~25dB 的 SNR 点，观察 BER 曲线 snr_range = 0:2:24; ber1_curve = zeros(size(snr_range)); ber2_curve = zeros(size(snr_range)); for snr_idx = 1:length(snr_range) % 这里调用你的 NOMA 主函数，返回当前 SNR 下两用户 BER [ber1_curve(snr_idx), ber2_curve(snr_idx)] = noma_function(snr_range(snr_idx), alpha); end % 绘制半对数坐标曲线，便于观察错误平层 semilogy(snr_range, ber1_curve, 'r-o', snr_range, ber2_curve, 'b-^');

另外，在使用noma.m做参数扫描时，记得固定随机种子rng(2025)，否则每次仿真结果波动较大，很难判断参数调整是真实影响还是噪声引起的抖动。按这个流程把序列、叠加编码、SIC 和信道模型串起来，你手里的noma.m就不再是一个黑盒，而是可以随意修改alpha、用户数、调制阶数并验证 5G 场景的仿真平台。

本文还有配套的精品资源，点击获取