基于SLNR的多用户MIMO预编码仿真系统

资 源 简 介

本项目主要实现在多用户MIMO下行链路环境中，利用信漏噪比(SLNR)准则进行的预编码矩阵设计与性能评估。在多用户通信中，基站同时向多个用户发送数据会产生严重的共信道干扰(CCI)，而传统的迫零(ZF)预编码在处理噪声放大和天线数目限制方面存在不足。本程序通过最大化SLNR目标函数，即个体用户的有用信号功率与其对系统内所有其他用户产生的泄漏功率及背景噪声功率之和的比值，实现了对干扰和噪声的优化折衷。

详 情 说 明

基于信漏噪比(SLNR)的多用户MIMO系统预编码仿真分析

项目介绍

本项目致力于研究多用户MIMO（MU-MIMO）下行链路中的预编码技术。在多用户场景下，基站向多个用户并行传输数据时，用户间会产生严重的共信道干扰（CCI）。本项目重点实现并评估了基于信漏噪比（Signal-to-Leakage-plus-Noise Ratio, SLNR）准则的预编码设计方案。与之对比的是传统的迫零（ZF）预编码算法。通过仿真，本项目直观地展示了SLNR算法在处理噪声影响及系统稳健性方面的优势，特别是其通过最大化目标个体的信号功率与对其他用户产生的泄漏功率及噪声之和的比值，达到了干扰抑制与噪声放大之间的平衡。

功能特性

1. 算法对比驱动：核心功能是对SLNR预编码与ZF预编码在完全相同的信道环境下进行性能对比。
2. 双重指标评估：系统不仅计算并绘制误码率（BER）曲线，还计算并绘制系统总和速率（Sum Rate）曲线，全面涵盖了可靠性与有效性评估。
3. 动态信噪比分析：支持在指定的信噪比范围内进行全自动扫频仿真，观察不同噪声水平下的算法表现。
4. 统计特性保障：内置蒙特卡洛仿真框架，通过大量独立重复试验获取平均性能指标，确保结果具有统计学意义。
5. 数据可视化输出：仿真结束后自动生成直观的任务性能对比图表及详细的命令行数据汇总表。

使用方法

1. 环境准备：确保已安装MATLAB软件（建议R2018b及以上版本）。
2. 参数配置：在程序脚本顶部的参数设置区域，可以根据实际实验需求修改基站天线数（Nt）、用户数（K）、蒙特卡洛迭代次数（Monte_Carlo）以及信噪比范围（SNR_dB）。
3. 运行程序：直接运行主脚本文件。程序将自动开始循环计算，并在命令行实时显示仿真进度。
4. 结果查看：仿真完成后，MATLAB将自动弹出两个图形窗口，分别展示BER和系统和速率的对比曲线。同时，命令行窗口会输出各信噪比节点下的具体数值对比表。

系统要求

1. 软件环境：MATLAB R2016a 或更高版本。
2. 硬件要求：由于包含多重循环及矩阵特征值运算，建议配备 8GB 以上内存的计算机以保证仿真速度。
3. 基础知识：用户需具备基本的MIMO通信理论知识及矩阵运算基础。

实际实现功能与实现逻辑

1. 参数初始化：程序首先定义了发送天线数（8根）、用户数（4个）、每用户接收天线（1根）以及QPSK调制参数。
2. 循环仿真结构：采用两层嵌套循环。外层循环遍历不同的SNR值，内层循环执行指定次数的蒙特卡洛试验。
3. 信道建模实现：在每次试验中，生成服从复高斯分布的瑞利衰落信道矩阵。每个用户的信道被独立存储在元胞数组中，用于后续计算。
4. SLNR预编码设计逻辑：

- 针对每一个用户，提取其自身的信道矩阵作为信号增益项。 - 提取除该用户外所有其他用户的信道矩阵，串接后计算其产生的泄漏干扰。 - 构造广义特征值问题，通过对目标矩阵求特征值分解，提取最大特征值对应的特征向量作为该用户的预编码向量。 - 对预编码向量进行单位化处理，以满足功率约束。

1. ZF预编码设计逻辑：

- 将所有用户的信道合并为总信道矩阵。 - 利用伪逆运算实现迫零设计，以彻底消除用户间干扰。 - 同样对每一列进行归一化，确保对比的公平性。

1. 信号传输与解调：

- 生成随机比特流并通过QPSK映射转换为复数符号。 - 将符号注入预编码矩阵并叠加高斯白噪声。 - 在接收端采用硬判决逻辑（基于星座图所在的象限）恢复原始比特。

1. 性能统计计算：

- 误码率统计：通过比对发送比特与判决比特，累计错误数。 - 和速率计算：基于香农公式，根据即时信道状态、预编码向量以及噪声功率，实时计算每个用户的信号干扰噪声比（SINR），进而求得系统总和速率。

关键函数与算法分析

1. 广义特征值分解（GEVD）：这是SLNR实现的算法核心。通过MATLAB的eig函数处理矩阵对(A, B)，其中A代表有用信号功率矩阵，B代表泄漏功率与噪声功率之和。这种方法能够直接找到在当前干扰背景下使得SLNR最大化的空间滤波方向。
2. 矩阵伪逆运算：在ZF预编码中，通过inv(H * H')实现。虽然ZF能完美消除干扰，但在低SNR下会放大背景噪声，而SLNR通过引入噪声项（sigma2）有效地缓解了这一问题。
3. QPSK映射与判决逻辑：手动实现的星座映射逻辑和基于实部/虚部符号的判决方法，清晰地展现了物理层数据处理过程。
4. 归一化处理：代码中对每一列预编码向量通过norm函数进行单位化，这确保了发送端每个符号发射能量的一致性，使得算法对比基于相同的功率基准。
5. SLNR权重辅助函数：脚本末尾定义的辅助函数封装了复杂的SLNR计算逻辑，体现了模块化设计的思想，便于后续扩展到更复杂的天线配置。