MATLAB实现AF与DF中继仿真：从系统模型到误码率曲线全解析

做无线通信的同学，几乎都会被“中继仿真”这件事绊住一次。AF（放大转发）和DF（解码转发）这对老对手，面试要问、课程论文要写、项目申报也要用，可真正上手用MATLAB把它们跑通，并不是查个公式就能搞定的事。信道系数怎么生成、功率归一化怎么处理、误码率曲线为什么高信噪比段总会突然断掉——这些坑我当年都踩过。这篇就把整个仿真链路从头到尾拆开讲清楚，从系统模型到核心代码，从参数设计到结果解读，给出一份可以直接复现的完整方案。

这篇文章适合两类人看：一类是刚接触协作通信、想把AF和DF的差异用曲线证明给导师看的研究生；另一类是工作中需要评估中继策略、又不想被繁琐数学推导劝退的工程师。我会默认你懂基础的MATLAB语法和BPSK调制，但不懂中继系统的细节——这样讲起来不会太啰嗦，也不至于让你卡在某个术语上。

1. 通信中继仿真到底在解决什么问题

1.1 一个最简单的中继通信链路

先搭一个最朴素的三节点模型：源节点S、中继节点R、目的节点D。半双工约束下，完整传输分为两个时隙。第一个时隙，S发送信号给R；第二个时隙，R把处理后的信号转发给D。D只监听听R的转发结果，不考虑S到D的直达路径，这是理解AF和DF差异最干净的场景。

MATLAB仿真要回答的核心问题是：在同样的发射功率和信道条件下，AF和DF到底谁的误码率更低？这个问题的答案不能靠直觉拍脑袋，因为两条链路中，S到R和R到D的信道都是随机衰落的，每一次传输的性能都在抖动，必须在大量随机信道样本上做统计平均，这就是蒙特卡洛仿真的意义。

1.2 AF策略：知道噪声会被放大，为什么还有人用它

AF的全称是Amplify-and-Forward，中继节点把收到的信号直接乘一个放大系数再发出去。注意“直接”两个字：它不区分信号和噪声，两者一起放大。从数学上看，第一时隙接收到的信号是

y_sr = √(P_s) · h_sr · x + n_sr

中继做一个线性操作，乘以增益G，输出是

x_r = G · y_sr = G·√(P_s)·h_sr·x + G·n_sr

第二时隙D收到的信号是

y_rd = h_rd · x_r + n_rd

这个策略的优势一目了然：中继不需要知道调制方式、不需要解调、不需要重新编码，就是一个线性放大器，硬件极其简单，处理延迟也可以忽略。但代价就是噪声被线性放大，D端实际看到的等效噪声是G·h_rd·n_sr与n_rd的叠加，噪声功率比直传场景更大。所以AF的真正价值，是在“中继节点计算能力受限”或“对时延敏感”的场景里，用一点点性能损失换取极致简单。

1.3 DF策略：解码重传并非没有代价

DF的做法就不一样了。中继先把收到的信号做完整解调，得到比特级判决结果，然后用同一个调制方案重新映射成符号，再转发给D。这个过程相当于中继“听懂了”源发的信息，再用自己的话重新说一遍。

听起来DF应该比AF聪明得多，因为中继可以剔除噪声对信号的影响，理论上性能应该更好。但实际仿真里有一个容易忽略的隐患：如果S到R这段链路本身就比较差，比如信噪比很低，中继的解码会产生错误。而这个错误一旦出现，传到D的就是“被曲解后的信息”，这种错误会继续传播，导致D端误码率急剧上升。这就是DF的经典问题——错误传播（error propagation）。

1.4 为什么一定要用MATLAB做蒙特卡洛仿真

理论上，AF和DF的误码率都可以用数学公式推导，但公式推导需要大量假设，而且最终表达式往往包含复杂积分。实际工程中更关心的是：在给定信道模型、给定功率分配下，系统的真实误码水平是多少。这时直接做蒙特卡洛仿真成为最可靠的手段。

MATLAB做这件事的优势有三个。第一，矩阵运算天然支持向量化，一次处理上百万个随机信道样本不是问题；第二，信号处理的工具箱非常齐全，即使不依赖Communication Toolbox，只用randn、randi、sign这些基础函数也能完成整个仿真；第三，绘图与结果分析一体化，跑完直接看BER曲线，形成迭代闭环。

2. 系统模型与仿真参数设计

2.1 仿真场景与基本假设

为了让问题可解也够典型，仿真场景定为一跳中继，S-R和R-D两条链路都是独立同分布的瑞利平坦衰落，信道系数在一个符号周期内保持不变，符号之间则相互独立。这种块衰落模型是学术界和工程界最常用的假设，它既捕捉了无线信道的随机性，又避免引入时间相关性的复杂度。

调制方式选用BPSK，理由是BPSK的符号错误率与比特错误率一致，分析起来最直观，而且中继处的DF解调判决可以直接用sign()函数完成。发射功率方面，S和R使用相同的功率P，噪声功率谱密度统一记为N0，所有功率值都以N0为基准归一化处理。

提示：归一化是仿真里最容易出错的一环。噪声功率就是N0，信号功率通过P来控制，SNR由比值P/N0决定。这样设置能避免出现“噪声过大信号被淹”或“信号过大BER低到无法统计”的失衡情况。

2.2 信道系数怎么产生才不会出错

瑞利衰落信道系数最标准的生成方式是：

h = sqrt(0.5) * (randn(1, N) + 1j * randn(1, N))

这个代码的精髓在于sqrt(0.5)这个缩放因子。实部和虚部都是标准正态分布，方差各为0.5，加起来后|h|²的期望值刚好是1。也就是说，信道平均来看既不放大也不衰减信号，S-R和R-D两条链路在统计意义上是对等的。这一点对于公平比较AF和DF非常重要：如果两条链路的平均增益不同，你就说不清性能差异是策略本身造成的还是信道偏向造成的。

我的建议是，每次仿真一开始就固定随机数种子：

rng(0)

这个习惯能让你反复复现同一组结果，排查代码问题时特别有用。否则调试时每次运行结果都不一样，很难判断改动到底有没有效果。

2.3 信噪比、功率分配与蒙特卡洛次数的确定

仿真里用EbN0_dB定义信噪比范围，典型区间是0到20dB，每隔2dB取一个点。由于BPSK的符号能量等于比特能量，在复数基带模型里，信号功率与噪声功率的关系是

Es = N0 * 10^(EbN0_dB/10)

P_s = Es P_r = Es

在固定噪声N0=1的情况下，调整P_s就等价于调整信噪比。

蒙特卡洛次数N_bits是另一个关键参数。理论上样本越多，误码率统计越精确，但运行时间也越长。我在实践中通常这样把握：先跑N_bits = 1e5摸清大致量级，如果某个信噪比下误码数低于100个，就增大该点的样本数，保证累积误码数至少达到100。这个“误码数不少于100”的经验法则能让BER的相对波动控制在10%以内，画出来的曲线才光滑可信。

2.4 目的端接收处理

由于简化场景里D只接收R转发的信号，没有直传路径可供合并，D端只需要做一次匹配滤波。匹配滤波在瑞利信道下的实现就是乘上信道系数的共轭再取实部符号：

x_hat = sign(real(y_rd .* conj(h_rd)))

这里的conj(h_rd)就是信道估计结果，仿真里默认接收端做完美信道估计。为什么这样能解调？因为y_rd = h_rd·x_r + n_rd，乘上conj(h_rd)后，信号部分变为|h_rd|²·x_r，它是一个正的实系数乘上原符号，不影响符号判断；噪声部分虽然也经过旋转，但相位旋转不影响高斯噪声的统计分布，因此这个操作是最优的相干解调。

3. 核心实现代码与关键环节解析

3.1 主循环与模块划分

整体程序可以按“信噪比循环外层、单次蒙特卡洛内层”的方式组织。外层遍历EbN0_dB的每个点，内层一次性生成全部随机比特、信道系数和噪声，然后用向量运算同时处理所有比特。完整的代码框架如下：

%% 主程序：AF vs DF 中继仿真（BPSK, 瑞利信道） clear; clc; close all; rng(0); N_bits = 1e5; % 每个SNR点的仿真比特数 EbN0_dB = 0:2:20; % 信噪比扫描范围 num_snr = length(EbN0_dB); ber_af = zeros(1, num_snr); ber_df = zeros(1, num_snr); for idx = 1:num_snr EbN0 = 10^(EbN0_dB(idx)/10); N0 = 1; % 噪声功率归一化 P_src = N0 * EbN0; % 源节点发射功率 P_rly = N0 * EbN0; % 中继节点发射功率 % 随机比特与BPSK符号 bits = randi([0 1], 1, N_bits); x = 2*bits - 1; % 瑞利信道系数 h_sr = sqrt(0.5)*(randn(1,N_bits) + 1j*randn(1,N_bits)); h_rd = sqrt(0.5)*(randn(1,N_bits) + 1j*randn(1,N_bits)); % ========== AF 链路 ========== % 第一时隙：S -> R n_sr = sqrt(N0/2)*(randn(1,N_bits) + 1j*randn(1,N_bits)); y_sr = sqrt(P_src)*h_sr.*x + n_sr; % 中继增益：保证转发信号功率归一化为 P_rly G_af = sqrt(P_rly ./ (P_src*abs(h_sr).^2 + N0)); x_r_af = G_af .* y_sr; % 第二时隙：R -> D n_rd_af = sqrt(N0/2)*(randn(1,N_bits) + 1j*randn(1,N_bits)); y_rd_af = h_rd .* x_r_af + n_rd_af; % 目的端解调 x_hat_af = sign(real(y_rd_af .* conj(h_rd))); ber_af(idx) = mean(x_hat_af ~= bits); % ========== DF 链路 ========== % 第一时隙：S -> R，并做解码重映射 n_sr_df = sqrt(N0/2)*(randn(1,N_bits) + 1j*randn(1,N_bits)); y_sr_df = sqrt(P_src)*h_sr.*x + n_sr_df; x_r_df = sign(real(y_sr_df .* conj(h_sr))); % 中继解调结果 % 第二时隙：R -> D n_rd_df = sqrt(N0/2)*(randn(1,N_bits) + 1j*randn(1,N_bits)); y_rd_df = sqrt(P_rly)*h_rd.*x_r_df + n_rd_df; % 目的端解调 x_hat_df = sign(real(y_rd_df .* conj(h_rd))); ber_df(idx) = mean(x_hat_df ~= bits); end figure; semilogy(EbN0_dB, ber_af, 'o-'); hold on; semilogy(EbN0_dB, ber_df, 's-'); grid on; xlabel('E_b/N_0 (dB)'); ylabel('误码率 (BER)'); legend('AF', 'DF');

3.2 AF链路里的两个关键点

AF链路的中继增益G_af是第一个关键点。我见过不少初学代码把增益写成G = sqrt(P_rly / P_src)，也就是只用信号功率做归一化。这个写法的问题是忽略了噪声功率N0。当第一跳SNR很低时，含噪声的y_sr功率实际大于P_src，若不考虑N0，转发信号功率会超出预期，导致第二跳发射功率统计上偏高，结果AF性能虚高。正确做法是分母写成P_src*|h_sr|² + N0，这才是y_sr的真实平均功率。

第二个关键点是h_rd与x_r_af直接相乘，没有再乘sqrt(P_rly)。因为G_af的构造已经让x_r_af的平均功率等于P_rly，x_r_af本身就代表了从中继天线辐射出去的信号，h_rd只负责施加信道增益。相比之下，DF链路中x_r_df是重新映射的BPSK符号，幅值固定为1，平均功率为1，所以要乘sqrt(P_rly)才和AF保持同样的中继发射功率。这个对比特别能体现两种策略在功率处理上的本质区别。

3.3 DF链路的潜在错误传播问题

DF链路里最容易出现奇怪现象的是中继解调这一步。在低信噪比下，x_r_df可能会有大量错误比特，这些错误比特经第二跳转发后，D端即使完美接收到信号，判决结果也依然是错的。所以DF的误码率有一个“地板效应”：第一跳SNR太低时，中继解码本身就不可靠，中继策略相当于在“猜”，猜错就全错。

要验证错误传播在起作用，可以做一个对照实验：把中继解调结果x_r_df替换成原始比特x，也就是假设中继完全正确解码，再看D端误码率。这时DF就退化为一条等效的R-D直传链路，性能会好很多。我建议读者自己跑一下这个对照，你立刻就能理解DF的性能瓶颈到底卡在哪一跳。

3.4 动态误码统计：高信噪比下避免曲线断开

上面代码在高信噪比段会有一个麻烦：BER低于1e-5时，1e5个比特里可能一个误码都没有，mean计算结果是0，semilogy画图时该点直接消失，曲线就断了。更致命的是，即使有一两个误码，BER估计值的波动也很大，曲线会出现异常抖动。

解决思路是动态增加样本量，直到累计误码数达到预设阈值。我常用的实现思路是内层循环叠加样本：

target_errors = 100; % 期望累计误码数 N_current = 1e4; % 单批样本数 errors_acc = 0; total_bits = 0; while errors_acc < target_errors && total_bits < 5e6 % 生成 N_current 个比特、信道、噪声并统计误码 % ... errors_acc = errors_acc + errors_batch; total_bits = total_bits + N_current; end ber = errors_acc / total_bits;

这个方案能保证每个SNR点的BER估计都基于足够多的误码样本，曲线光滑可靠。代价是仿真时间变长，低误码率点可能要跑几分钟甚至更久。实际工程里，我常常会在追求速度和精度之间取一个平衡：为了快速验证代码逻辑，先跑小样本量；确认无误后再加大样本量出正式结果。

3.5 让仿真快起来：向量化与预分配

上面主程序全程使用向量运算，没有显式for循环遍历每一个比特，这是MATLAB仿真提速的关键。有些初学者习惯写成

for k = 1:N_bits % 逐比特处理 end

这种写法在N_bits达到1e5以上时，速度会慢到让人怀疑人生。原因在于MATLAB解释器对循环的开销远高于向量化逐元素运算，而且循环内还会反复分配临时变量。除非你用到递归、自适应滤波这类天然串行的算法，否则能用矩阵运算解决的问题，一律用矩阵运算。

此外，矩阵预分配虽然在本代码中不是必须的（变量都是整体赋值），但如果你的程序里需要在循环内逐步累加结果，务必先用zeros或ones预分配内存，否则MATLAB每次循环都在扩展数组，内存碎片化会让性能断崖式下跌。

4. 仿真结果怎么读：AF与DF的对比分析

4.1 从BER曲线看两个策略的真实差异

跑完上述代码，你会得到两条随SNR变化的BER曲线，它们有明显的分层。整体趋势是DF在中高SNR区间优于AF，在低SNR区间可能反而不如AF，甚至出现交叉。

这背后的物理含义很清楚：AF的噪声放大效应是贯穿全链路的，不管SNR多高，第二跳接收端的等效噪声里始终带着第一跳噪声被放大的成分，这导致AF的分集增益虽然也在累积，但始终有一个固定的实现损失。DF在中继能可靠解码时，完全消除了第一跳的噪声影响，D端只面对第二跳的加性噪声，所以BER曲线斜率更陡，下降更快。

但如果S-R链路质量一般，DF在中继处就产生了错误比特，这些错误经第二跳转发后，D端收到的信号是“正确信号”和“错误信号”的混合，误码率不降反升。仿真中你可能会看到DF在低SNR段有一条BER高于AF的曲线段，甚至高于直传方案，这就是错误传播的直观体现。

4.2 复杂度、时延与适用场景的综合对比

从这张对比表能自然得出结论：如果中继节点是低成本的模拟设备，AF几乎是唯一选择；如果中继有完整的基带处理能力，且S-R链路质量有保障，DF是更好的选择。混合策略（比如根据第一跳SNR自适应选择AF或DF）在工程中也很常见，它本质上是想在上述两个极端之间找平衡。

4.3 进一步探索：加入直传链路与中继位置参数

目前的简化模型没有考虑S到D的直传路径，这能清晰对比两种中继策略本身。但实际系统里，D通常能同时听到S和R的信号，这时可以在D端做最大比合并（MRC），把直传路径和中继路径的能量都利用起来，获得二阶分集。

加入直传后，仿真要做三点改动。第一，生成第三组信道系数h_sd；第二，D端同时接收两条支路信号，即y_sd和y_rd；第三，用两条支路各自的噪声功率做加权合并。如果按AF来处理，中继链路的等效噪声不是简单的高斯白噪声，严格做MRC会复杂一些，常用做法是分别计算两条支路的瞬时SNR作为加权系数。这个方向建议作为你跑通基础仿真之后的进阶练习，它能回答“中继放在什么位置最合适”这类更贴近工程的问题。

另一个值得探索的参数是中继位置。把S-R和R-D的平均信道增益设为不同值，比如h_sr = sqrt(0.8)…而h_rd = sqrt(0.2)…，模拟中继靠近源节点或靠近目的节点的场景。你会看到DF的性能对S-R链路质量特别敏感，而AF的性能对R-D链路质量更敏感。这些规律在实际基站部署和边缘节点规划中非常有用。

5. 常见问题与排查经验实录

5.1 高信噪比下BER曲线断掉怎么办

这是中继仿真最常见的问题，我自己刚接触时也困扰了很久。原因就一句话：样本量不足，误码数为零，semilogy没法画log(0)。解决思路在前面的“动态误码统计”已经说过，核心就是让仿真继续增加样本，直到累计到足够多的误码。另外还有个讨巧的办法：如果你只想要趋势而不要极低BER的精确实数，把SNR范围控制在0到20dB以内，每条曲线的最后几个点用前几个点做延拓，标明“低于10^-6区域为估计值”，很多场合也够用。

5.2 低SNR区域BER曲线抖动剧烈

低SNR下BER本身很高，理论上样本数需求不大，但有时曲线仍然剧烈抖动，这多半是信道种子没有固定，或者每个SNR点用了不同长度的样本序列。当序列长度不同时，各SNR点的统计精度参差不齐，曲线自然不光滑。强烈建议在程序最前面加一行rng(0)，然后再观察。如果固定种子后仍然抖动，就把每个SNR点的N_bits统一，比如全部用2e5，保证各点的置信度一致。

5.3 仿真跑得太慢的优化顺序

先看是否用了逐比特for循环，这是第一杀手；再看信道系数和噪声是否重复生成，比如AF和DF可以共享同一组随机比特、同一组h_sr和h_rd，只生成不同的噪声样本，这样能减少一半随机数生成开销；最后可以考虑用parfor替代外层SNR循环，但要注意parfor里不能依赖循环顺序，且随机数生成需要做流控制。我实测下来，纯向量化的程序通常比初始逐比特版本快一到两个数量级，优化收益非常可观。

5.4 环境与工具链的实用提醒

这套代码只用到了MATLAB基础功能：randn、randi、sign、semilogy，不依赖任何工具箱，也不需要额外安装通信模块，所以对版本兼容性要求很低。无论你用的是新版本还是相对旧的版本，代码都能原样运行。唯一要注意的是大数组时内存占用，N_bits从1e5增大到1e6时，每个复数数组占用的内存是16字节，几个数组叠加起来很容易超过几个GB，如果机器内存紧张，建议分批统计而不是一次性生成全部样本。

另外，如果你在搭建或调试阶段发现某些MATLAB自带的通信函数（比如bertool)报错，大概率是版本问题或工具箱缺失。这套自建代码的好处就是从源头讲透了原理，排查起来反而更简单，这也是我推荐自己手写而非依赖API的原因。

写在最后的个人体会

跑通AF和DF这套仿真之后，我最大的感触是：做性能对比的时候，公平的参数设置比代码技巧更重要。中继功率、信道归一化、蒙特卡洛样本长度，任何一个环节不公平，出来的曲线差异都可能被放大或掩盖。所以每次写完仿真，我都会做一次“对称性测试”——把两条链路的中继策略对调，看性能是否也对称变化，这是校验代码逻辑最有效的手段之一。下一次你可以试着在这个基础上加入功率分配优化，让中继总功率在S和R之间按某种比例分配，你会发现同样的系统，BER曲线又有全新的变化。仿真这东西，永远可以再往前走一步，希望你也能在每一步里找到自己的乐趣。