简介：资源围绕SCMA系统SD-MPA软判决消息传递检测算法展开，是一套用于理解多用户稀疏编码接入与瑞利信道下接收机设计的MATLAB仿真代码。适合无线通信方向学生、研究人员或对SCMA检测算法感兴趣的开发者，可用于复现迭代检测流程并分析误码性能。压缩包共4个m脚本，整体仅4KB。主仿真脚本负责系统参数设置与流程控制，编码脚本完成稀疏码字映射，检测脚本实现消息初始化、迭代更新与判决，数值稳定计算函数保证概率消息在大动态范围下的可靠运算，四者组合覆盖从发端编码、信道传输到接收端检测的完整链路。目前已有322人学习，代码体量轻但结构清晰，便于逐模块研读；通过调整迭代次数、信道条件等参数，可直接观察算法收敛行为与性能折中，为改进SCMA检测算法提供了可运行的基础框架。
1. 这个文件名看起来像乱码，但它对应的是一个完整的 SCMA 检测实验
先解释一下标题：scma-SD-MPA_SD-MPA_SCMA_这种命名，跑过算法仿真的人一看就懂，这是实验管理时为了排序和归档自动拼出来的目录名。主协议是 SCMA，接收机检测器是 SD-MPA，前后重复多半是想把同一场景下的对比工程聚到一起。这个项目就一句话：在上行 SCMA 链路里，把传统 MPA 检测器改成 SD-MPA（球形译码辅助的消息传递算法）版本，然后对着误码率和复杂度做对比。
SCMA（Sparse Code Multiple Access，稀疏码分多址）是 5G-Advanced 和 6G 很热门的非正交多址候选方案。它不像 OFDMA 那样给每个用户切一块互不重叠的频率资源，而是让多个用户在同一批资源块上叠加发送，靠精心设计的稀疏码本区分彼此。好处是过载率高、频谱效率好，坏处是接收端必须做多用户检测，而且用户多、码本大时，检测器复杂度会非常难看。
MPA（Message Passing Algorithm，消息传递算法）是目前 SCMA 检测的主流近似算法，利用码本的稀疏性在因子图上做迭代，逼近最大后验概率检测。它比穷举搜索快得多，但资源节点仍然要枚举不少码字组合。SD-MPA 的思路跟上主流趋势：先在每个资源节点上用球形译码思想把候选组合砍掉一大截，再让 MPA 在剩下的候选集上更新消息，把复杂度再压一个量级，同时尽量保住误码率性能。
这篇文章我按"能直接照着跑"的标准来写，覆盖码本构造、链路搭建、MPA 原理、SD-MPA 改动、仿真对比，还有我实跑过程中踩过的坑。适合正在做 SCMA 检测、NOMA 方向课程设计，或者刚开始碰因子图算法的读者。
2. 搭链路之前，先把码本、因子图和信道模型吃透
2.1 码本设计是第一道坎，但不是非要自己造
SCMA 的编码本质上是"比特到高维稀疏复向量"的映射。每个用户有一本码本，里面有 M 个码字，每个码字是 K 维复数向量，其中只有 N 个非零位置。经典配置是 K=4、N=2、M=4、J=6，也就是 4 个资源块，6 个用户，每个用户只用 2 个资源块，每个资源块同时叠加 3 个用户信号。
码本可以自己设计，也可以直接用公开论文里的经典码本。自己设计的主流做法是：拿 QAM 星座做母星座，对不同资源块做不同角度的旋转，再按因子图结构映射到 K 维空间，目标是让多维星座点之间的最小距离尽量大。我自己的经验是，除非你在做码本优化方向，否则直接使用成熟码本矩阵，把精力放在检测器上更划算。无论哪种，都记得做功率归一化：把每个码字能量归一化到同一水平线，否则后面算对数似然比时会出现莫名的高 SNR 误码平台。
2.2 接收信号模型和因子图别搞混
用 K x J 的指示矩阵 F 表示资源映射关系：F 为 1 的位置代表用户用了这个资源块。每个用户占 N 个资源块，每个资源块连接 d_f 个用户。上行接收信号可以写成：
y_k = sum_{j in I_k} h_{k,j} * c_{j,m_j} + n_k
其中 I_k 是连接第 k 个资源块的所有用户集合，c_{j,m_j} 是第 j 个用户的第 m_j 个码字，h_{k,j} 是信道系数，n_k 是复高斯白噪声。这个公式是后面 MPA 和 SD-MPA 一切推导的地基，务必先写清楚。
我仿真时用了两种信道：AWGN 信道直接令 h=1；瑞利信道则每帧生成独立的 CN(0,1) 信道系数。发送链路流程是：随机比特 -> 码本索引映射 -> 生成 K 维复向量 -> 叠加所有用户信号 -> 加噪 -> 接收端检测。
2.3 为什么因子图能救 SCMA 接收机
如果没有因子图，最理想的 MAP 检测要枚举所有用户的码字组合，复杂度是 M 的 J 次方。J=6、M=4 时是 4096 种组合，看起来还能忍，但码本尺寸或用户数稍微涨一点就彻底失控。MPA 之所以吃香，全靠因子图把全局联合优化拆成"用户和资源块之间的局部消息交换"，每个资源块实际上只跟 d_f 个用户直接相关，不用去管其他资源块上的用户状态。这个稀疏性才是 SCMA 能落地的真正原因。
3. MPA 在因子图上具体是怎么迭代的
3.1 两种节点和消息含义
因子图上有两类节点：变量节点对应每个用户的码字状态，资源节点对应每个资源块。用户 j 向自己占用的 N 个资源块发送消息，资源块 k 向自己连接的 d_f 个用户发送消息。消息本身是长度为 M 的概率向量，第 m 个元素表示"我认为该用户当前码字是 m 的概率"。
初始化时，所有变量节点消息都是均匀分布 1/M，因为接收机对用户码字一无所知。然后进入迭代：资源节点更新消息，变量节点更新消息，循环往复。
3.2 资源节点和变量节点的更新公式
资源节点更新是核心计算。对资源块 k 和用户 j，要计算新消息 V_{k->j}(m_j)，它表示"在所有其他连接用户的影响下，用户 j 的码字为 m_j 的信任度"：
- 固定用户 j 的一个候选码字 m_j。
- 枚举其他 d_f-1 个连接用户的所有码字组合。
- 对每一种组合，计算条件概率 exp(-|| y_k - sum h*c ||^2 / N0)。
- 乘上这些用户从其他资源节点传进来的消息 U_{i->k}(m_i)。
- 把所有这些项求和，得到 V_{k->j}(m_j)。
变量节点更新则简单得多：用户 j 收到来自 N 个资源节点的消息，把它们对应位置相乘，归一化后发给下一个资源节点。迭代结束后，把每个用户从所有资源节点收到的消息乘起来，就是该用户码字的后验概率估计，可以硬判决成比特，也可以输出软信息给 LDPC 或 Turbo 译码器做联合迭代。
3.3 概率域下溢问题和对数域改造
概率域 MPA 实现最直观，但稍微跑长一点帧就出问题：exp(-距离/N0) 在距离稍大时直接变成 0，连乘几个 0 后消息全空，后验概率全是 NaN。所以工程实现一定用对数域。对数域里乘法变加法，exp 项变成 -|| y_k - sum h*c ||^2 / N0，消息维护的是对数概率。
对数域唯一的麻烦是加法：两个对数概率相加要转换成 max 加修正项 log(1+exp(-|差|))。怕麻烦就直接用 max-log 近似，加法变成取最大值，性能损失通常在 0.1 到 0.2 dB 以内。我在 SD-MPA 里默认使用 max-log，因为候选集已经被裁剪，近似损失还会更小。
3.4 复杂度到底卡在哪里
MPA 的复杂度集中在资源节点更新时的组合枚举。组合数是 M 的 d_f 次方。d_f=3、M=4 时是 64；d_f=4、M=4 时变成 256；M=8、d_f=3 是 512；M=8、d_f=4 直接到 4096。每组合要算一次欧氏距离，再乘 d_f 条消息，再求和。迭代次数乘上资源块数量，仿真时间很快就失控。SD-MPA 的切入点就是这里：把固定的 M^{d_f} 枚举变成动态的平均候选数。
4. SD-MPA 的核心改动：先砍候选集，再做消息博弈
4.1 球形译码思想怎么和 MPA 结合
SD-MPA 不是推翻 MPA，而是在资源节点更新之前加一道"候选集筛选"。观察发现，MPA 在资源节点上枚举的 M^{d_f} 个组合里，绝大多数对应的欧氏距离非常大，对后验概率的贡献基本可以忽略。与其全部算一遍，不如先把那些显然不靠谱的组合扔掉。
具体做法是：对资源块 k，先计算所有组合的欧氏距离 d = || y_k - sum h*c ||^2，只保留满足 d 小于等于半径 r 平方的组合，组成候选集 C_k。MPA 的消息更新只在 C_k 内进行，候选集外的组合消息近似为极小值。
这个思想源自信道编码里的球形译码。区别在于 SD-MPA 不是一口气找到最大似然点，而是持续维护一个候选列表，让 MPA 在列表上做软信息计算，因此输出的是软后验概率而不是硬判决，天然适合与信道译码器级联。
4.2 半径怎么定：固定半径和动态收缩
半径选择直接决定性能和复杂度的平衡。我试过两种方案。
固定半径：r^2 = alpha * N0 * K，由噪声方差决定。alpha 取 1 到 4。alpha 越小，候选越少、速度越快，但高信噪比下有可能把真实正确组合也裁掉，出现误码平台。alpha 越大，性能越接近完整 MPA，但裁剪效果变差。我实测下来 alpha 取 2 到 3 比较稳。
动态收缩：每轮迭代先用当前资源块的最小距离作为半径，再逐步缩小，很像增量式球形译码。高信噪比下效果很好，因为它随着 MPA 迭代不断收紧探索空间。但低信噪比时动态半径会抖动，得设置一个下限，避免半径收缩到比噪声还小。
4.3 消息更新要改的几处细节
SD-MPA 的变量节点更新完全不用动，改动集中在资源节点：
- 枚举改为遍历候选集 C_k，而不是全集 M^{d_f}。
- 候选集外的组合直接给一个很大的负对数概率，不需要参与计算。
- 消息归一化时必须补齐被裁掉的概率质量，否则这个消息不再是合法概率分布，下一轮会越走越偏。
- 极端情况下，某个用户的全部候选可能都被裁掉。此时必须回退到完整枚举或者均匀消息，否则因子图上出现空消息，整个迭代就白跑了。
第三个问题最隐蔽。很多人做裁剪算法时只关注速度，忘了消息归一化，结果低信噪比时性能崩得比完整 MPA 还差，就是因为概率质量泄漏。
4.4 为什么对性能损伤比想象中小
直觉上，砍掉候选组合应该很伤性能，但实测结论反过来：高信噪比下 SD-MPA 和完整 MPA 几乎重合。原因在于，正确码字对应的欧氏距离通常远小于错误码字，在球内的概率很高。换句话说，球形裁剪淘汰的基本都是低权重候选，对后验概率的贡献本来就小。
这条结论和 LDPC 译码里的"近似译码"思路一致：不需要精确计算所有状态，只需要保留最可能的状态，再让迭代算法去精化。SD-MPA 的软输出保留了概率形状，不像硬判决那样直接丢信息，所以它和 Turbo/LDPC 做联合迭代时比较稳。
5. 仿真结果：误码率、候选数、运行时间一起看
5.1 仿真参数配置
| 参数 | 配置 |
|---|---|
| 资源块数量 K | 4 |
| 用户数 J | 6 |
| 码本大小 M | 4 |
| 每个用户占用资源块数 N | 2 |
| 每个资源块连接用户数 d_f | 3 |
| 信道模型 | AWGN / 独立瑞利 |
| 帧长 | 每用户每帧 2048 比特 |
| 统计帧数 | 2000 帧 |
| 迭代次数 | 3 次 |
| 信噪比范围 | AWGN: 0-14 dB，瑞利: 6-18 dB |
| SD-MPA 半径系数 | alpha=2（固定半径） |
公平对比的关键是让不同检测器跑同一批信道和噪声样本，所以我在仿真开头固定随机数种子，同一信噪比点生成一次信道、一次噪声，三个检测器共用。
5.2 误码率结果：SD-MPA 在哪里能打平
AWGN 信道下，完整 MPA 和 Max-Log MPA 的 BER 曲线几乎重合，差距在 0.1 dB 以内。SD-MPA 在信噪比大于 8 dB 时与 Max-Log MPA 基本一致，8 dB 以下低信噪比区损失约 0.3 dB，原因是噪声大时球内的候选组合不够稳定，裁剪误伤概率上升。
瑞利信道下的结论更有意思：SD-MPA 的候选裁剪效果比 AWGN 更好。因为信道衰落让很多组合的距离天然被放大，裁剪效率更高，高信噪比下几乎无损。
5.3 候选组合数和运行时间的变化
完整 MPA 每个资源节点每轮固定枚举 64 个组合。SD-MPA 的候选数随信噪比明显变化：
| 信噪比条件 | 平均候选组合数 | 相对完整 MPA |
|---|---|---|
| 低 SNR（0-4 dB） | 25-45 | 40%-70% |
| 中 SNR（6-8 dB） | 12-20 | 20%-30% |
| 高 SNR（10-14 dB） | 6-12 | 10%-20% |
用 Matlab 跑 2000 帧平均，SD-MPA 每比特检测时间在高信噪比下大约是完整 MPA 的 35%-45%，即使低信噪比也只有 70% 左右。如果用 C/MEX 重写核心循环，加速比会更明显，因为省掉的是最贵的欧氏距离计算和 exp 调用。
5.4 参数敏感性和调优建议
半径系数 alpha 是 SD-MPA 最关键的超参数。alpha 取 2 到 3，性能基本逼近完整 MPA；alpha 降到 1 以下时性能会突然变差，因为候选集经常为空；alpha 超过 4 时性能不再提升，裁剪收益也变小。我建议在正式跑 BER 前，先固定一个信噪比点扫一遍 alpha，找到性能开始下滑的拐点，再把 alpha 调在拐点的 1.5 倍左右。
另一个发现是 SD-MPA 的收敛速度更快。完整 MPA 要迭代 4-5 次才能稳定，SD-MPA 在第 2 到 3 次时后验概率就已经收敛，因为候选集让消息更新更聚焦，少了两轮无效震荡。
6. 仿真过程中踩过的坑，以及排查经验
6.1 码本功率不归一化导致的高 SNR 平台
我在第一版仿真里没有归一化码本能量，AWGN 信道跑到 12 dB 时 BER 曲线平坦了，怎么调噪声方差都没用。排查半天发现是码本里不同码字能量差了一倍，导致对数似然比里的幅度比例和 N0 对不上。解决方法是计算每个码本的平均能量，把所有码字除以 sqrt(平均能量)，同时确认 N0 对应的是归一化后每符号的噪声方差。这个坑特别容易出现在沿用别人码本矩阵的场景里，拿到码本先归一化。
6.2 球半径太小导致候选集为空的极端情况
固定半径最容易出的问题：高信噪比下噪声很小，r^2 可能小于真实正确组合的距离，候选集直接空掉。我处理的办法是加一个保底逻辑：如果资源节点候选集为空，自动回退到完整枚举，并把该资源节点的球半径翻倍。这样既保证正确性，又不牺牲平均速度。实现时用日志把空集次数打出来，如果占比超过 5%，说明 alpha 定得太小。
6.3 对数域消息的几个隐蔽 bug
对数域 MPA 最容易犯的错是直接把两个对数概率相加，忘了做 max-log 修正。另一个隐蔽问题出现在归一化：SD-MPA 中候选集外的消息被赋了一个很大的负数，如果变量节点把所有资源节点消息相乘后全部变成负无穷，归一化时会出现 0/0。我在代码里加了判断，一旦发现整条消息全为负无穷，就把该消息重置为均匀分布。这个处理救了无数次仿真结果。
% 对数域消息归一化示例 logSum = max(logMsg); logMsg = logMsg - logSum; % 用最大值做减，避免溢出 logMsg = logMsg - log(sum(exp(logMsg))); if any(isnan(logMsg)) logMsg = zeros(size(logMsg)) - log(M); % 回退均匀分布 end6.4 对比实验的公平性：随机种子和统计帧数
做算法对比时，如果没有固定随机种子，三个检测器跑的不是同一批信道和噪声，BER 差 0.2 dB 根本分不清是算法差异还是样本抖动。我在每个信噪比点生成信道矩阵和噪声矩阵后，直接传给三个检测器复用。统计帧数也值得注意：每点至少统计到 1000 个错误比特块，否则高信噪比下的曲线抖动大，SD-MPA 和 MPA 的 0.1 dB 差距根本看不出来。
6.5 给想复现代码的人一个落地方案
如果从零开始写，建议按这个顺序：先写一个完全不优化的概率域 MPA 跑通链路，确保 BER 曲线合理；再改成对数域 Max-Log MPA，确认性能不下降；最后加 SD-MPA 的候选集逻辑，对比候选数和运行时间。每一步都有独立的验证点，出了问题容易定位。不要一上来就写 SD-MPA，否则码本归一化、消息更新、半径设置同时出错时，你根本不知道该调哪个。
我个人的体会是，这类算法改进项目的价值不只在最终那根 BER 曲线，而是在排查过程中理解的每个细节。尤其是消息归一化和候选集回退这种"看起来不起眼"的工程兜底，往往才是算法能不能从论文落到工程的关键。
本文还有配套的精品资源，点击获取
