MIMO-OFDM频谱效率仿真：DFT码本波束训练与扫描实战

简介：这份源码面向无线通信方向的学生、研究人员与工程师，聚焦MIMO-OFDM系统在不同信噪比下的频谱效率仿真，并覆盖DFT码本设计、beam训练与波束扫描等关键环节，适合具备一定通信原理与MATLAB基础、希望深入理解多天线系统性能评估的读者。压缩包共3个文件，均为m脚本，整体约5KB，体量轻便，便于直接阅读与二次修改。内容围绕MIMO信道模型建立、OFDM信号生成与解调、DFT码本计算、SNR对频谱效率的影响分析，以及波束训练与扫描算法展开，读者可据此复现仿真流程，理解误码率随SNR下降而频谱效率提升的内在逻辑，并掌握码本选择与波束方向优化对系统性能的作用。目前已有157人学习下载，适合作为无线通信系统设计与优化的入门参考。

1. 从一条 SNR 曲线说起：MIMO-OFDM 频谱效率仿真到底在算什么

把信噪比从 0 dB 拉到 30 dB，盯着频谱效率曲线往上爬，这件事听起来像教科书习题，但真动手搭过 MIMO-OFDM 链路级仿真的人都知道，坑几乎全在“曲线为什么没按预期爬”上。这个标题讲的就是这么一套东西：在 MIMO-OFDM 系统里，用 DFT 码本做波束训练和波束扫描，然后观察频谱效率随 SNR 增加的变化趋势，并且带源码。它解决的不是“通信原理是什么”，而是“我想复现一条合理的 SE-SNR 曲线，码本怎么建、波束怎么扫、训练开销怎么扣、仿真怎么不翻车”。适合已经懂 OFDM 基本结构、想往毫米波/大规模 MIMO 波束管理方向落地的工程师和研究生，也适合手里有源码但跑出来曲线不对劲、想找参照系的人。

频谱效率（Spectral Efficiency, SE）本质上是每赫兹每秒能传多少比特，单位 bit/s/Hz。在 MIMO-OFDM 里，它同时受三件事牵制：信道矩阵的秩和条件数、波束成形/预编码带来的阵列增益、以及为了选波束而付出的训练开销。SNR 增加时，如果只算理想容量，曲线会近似对数线性上升；但一旦把 DFT 码本量化误差、波束训练阶段的开销、波束扫描的粒度算进去，曲线会在高 SNR 段出现饱和或斜率变缓。很多人第一次跑仿真，看到高 SNR 处 SE 不涨了，以为是代码 bug，其实是波束量化误差和训练开销在“吃”增益。这篇就按“先立住模型、再搭码本、再跑训练与扫描、最后看曲线和排错”的顺序讲透。

2. 把系统模型立住：MIMO-OFDM 与 DFT 码本怎么对应到代码

2.1 先确定天线形态与信道模型，别一上来就写预编码

动手前必须先把三件事定死：天线阵列是均匀线阵（ULA）还是均匀面阵（UPA）、子载波数量与带宽、信道是窄带还是宽带。MIMO-OFDM 的“OFDM”意味着每个子载波上是一个窄带 MIMO 信道，所以宽带信道要按抽头延迟线建模再转到频域。常见做法是：先给时域多径信道h(tau)，做 FFT 得到每个子载波的频域信道矩阵H[k]，维度是Nr x Nt。如果这一步偷懒直接用独立同分布复高斯，跑出来的 SE 会偏乐观，因为丢掉了子载波间相关性，波束扫描的物理意义也弱了。

我一般会固定这样一组基线参数，方便横向对比：载频 28 GHz，带宽 100 MHz，子载波间隔 60 kHz，Nt=16（ULA），Nr=4，径数 4，最大时延扩展约 100 ns。这些数值不是唯一解，但能让 DFT 码本的波束宽度和信道角度扩展匹配得上，不至于出现“码本波束比信道还窄”的玄学现象。

2.2 DFT 码本：一行代码生成，但角度栅格要想清楚

DFT 码本的本质是把阵列导向矢量在角度上均匀采样。对 Nt 元 ULA，第 m 个码字写成：

import numpy as np def dft_codebook(Nt, oversampling=1): """生成 ULA 的 DFT 码本。 Nt: 天线数 oversampling: 过采样因子，1 表示码字数等于天线数 返回: (Nt, Nt*oversampling) 的复数矩阵，每列是一个码字 """ N = Nt * oversampling codebook = np.zeros((Nt, N), dtype=complex) for n in range(N): # 第 n 个码字的相位斜坡，对应空间频率 n/N for m in range(Nt): codebook[m, n] = np.exp(1j * 2 * np.pi * m * n / N) / np.sqrt(Nt) return codebook cb = dft_codebook(16, oversampling=4) # 16 天线，4 倍过采样，共 64 个波束 print(cb.shape) # (16, 64)

逻辑说明：外层循环遍历码字数 N，内层遍历天线索引 m，指数项2*pi*m*n/N就是导向矢量的相位。除以sqrt(Nt)是做功率归一化，保证每个码字二范数为 1，这样后续算波束增益时不会因为码本功率不一致而误判。参数说明：oversampling是关键。取 1 时码字数等于天线数，波束较宽、扫描快但量化误差大；取 4 或 8 时波束更密，量化损失小，但训练和扫描的候选数成倍增加。高 SNR 下如果 oversampling 太小，SE 曲线会提前饱和，这就是很多人“SNR 加了但 SE 不动”的第一个原因。

2.3 频谱效率的计算口径：容量、可达速率还是带开销的净速率

这一步最容易口径不一致。标题说“频谱效率随 SNR 增加”，但 SE 有三种常见算法：理想香农容量log2(det(I + SNR/Nt * H H^H))、采用某码本后的可达速率、以及扣掉波束训练开销后的净频谱效率。三者数值能差出一大截。做波束训练和扫描的仿真，必须用第三种，否则训练开销白算了。

def se_ideal(H, snr_db): """理想 MIMO 容量，H 为 Nr x Nt 频域信道""" Nr, Nt = H.shape snr = 10 ** (snr_db / 10) return np.real(np.log2(np.linalg.det( np.eye(Nr) + snr / Nt * H @ H.conj().T))) def se_with_beam(H, w, snr_db): """给定发射波束 w 后的可达速率（接收端理想合并）""" snr = 10 ** (snr_db / 10) heff = H @ w # 等效 Nr x 1 信道 return np.real(np.log2(1 + snr * np.linalg.norm(heff) ** 2))

逻辑说明：se_ideal用行列式算的是理想容量，作为上界参照；se_with_beam把发射波束 w 作用到信道上，得到等效单流信道再算速率。参数说明：snr_db是发射端每根天线的信噪比口径，如果你按接收总功率定义 SNR，snr/Nt这一项要相应调整，否则曲线整体平移。净频谱效率还要再乘(1 - T_train / T_total)，T_train 是波束训练占用的符号数，T_total 是总符号数。这个开销因子在高 SNR 段是曲线饱和的主要推手之一。

3. 波束训练与波束扫描：从候选码本到选出一个波束

3.1 波束扫描的两种范式：穷举与分层

波束扫描最直白的做法是穷举：发射端依次用码本里每个码字发训练符号，接收端测量接收功率，选最大者。候选数 N 时，训练开销正比于 N。分层（hierarchical）扫描先用宽波束粗定位，再用窄波束细化，开销能降到 log 级别，但实现复杂、宽窄波束的码本设计要额外处理。仿真里我建议先用穷举把基线跑通，因为穷举的结果是“最优可达”的参照，分层扫描的增益损失可以拿它做对比。

def beam_sweep_exhaustive(H, codebook, snr_db, noise_var=1.0): """穷举波束扫描：返回最优码字索引与对应接收功率""" best_idx, best_power = -1, -1.0 for idx in range(codebook.shape[1]): w = codebook[:, idx] heff = H @ w # 接收功率 = |Heff|^2 * 发射功率，这里发射功率归一化为 1 power = np.linalg.norm(heff) ** 2 if power > best_power: best_power, best_idx = power, idx return best_idx, best_power

逻辑说明：遍历每个码字，算等效信道能量，取最大。参数说明：noise_var在纯波束选择阶段不影响排序，因为噪声对所有候选是加性同分布，但如果你要做“训练阶段的检测概率”，就要把它加进接收信号再比较。注意这里没有加噪声，是理想功率比较，真实训练要加，否则会高估选择正确率。

3.2 训练开销怎么扣进 SE：符号级账要算清

波束训练不是免费的。假设每个候选波束发一个 OFDM 符号做训练，穷举 N 个候选就花 N 个符号。若一个调度周期共 T_total 个符号，净频谱效率就是可达速率乘以(T_total - N) / T_total。这个因子在低 SNR 时影响小，因为速率本来就低；高 SNR 时速率高，被扣掉的绝对量就大，曲线因此变平。

def se_net(H, codebook, snr_db, T_total=140, n_candidates=None): """扣掉穷举训练开销后的净频谱效率""" if n_candidates is None: n_candidates = codebook.shape[1] idx, _ = beam_sweep_exhaustive(H, codebook, snr_db) w = codebook[:, idx] se_gross = se_with_beam(H, w, snr_db) overhead = (T_total - n_candidates) / T_total return se_gross * overhead, idx

逻辑说明：先选波束，再算毛速率，最后乘开销因子。参数说明：T_total=140对应一个常见调度周期（比如 1 ms、60 kHz 子载波间隔下约 140 个符号），n_candidates就是码本列数。如果你把 oversampling 从 1 提到 4，候选数从 16 变 64，开销因子从 0.886 掉到 0.543，高 SNR 段 SE 直接砍掉近一半。这就是为什么“码本越密越好”是错的，密到一定程度，训练开销吃掉的比量化误差省下的还多。

3.3 把 SNR 扫描跑起来：一条可复现的主循环

把上面几块拼起来，就是标题要的“随 SNR 增加”的仿真主循环。每个 SNR 点做多次信道实现取平均，才能得到平滑曲线。

def simulate_se_vs_snr(snr_list, n_real=200, Nt=16, Nr=4, oversampling=4): cb = dft_codebook(Nt, oversampling) se_ideal_avg, se_net_avg = [], [] for snr_db in snr_list: se_i, se_n = 0.0, 0.0 for _ in range(n_real): # 简化的频域信道：单子载波、含角度扩展的多径叠加 H = (np.random.randn(Nr, Nt) + 1j * np.random.randn(Nr, Nt)) / np.sqrt(2) se_i += se_ideal(H, snr_db) se_n += se_net(H, cb, snr_db)[0] se_ideal_avg.append(se_i / n_real) se_net_avg.append(se_n / n_real) return se_ideal_avg, se_net_avg snr_list = np.arange(0, 31, 5) ideal, net = simulate_se_vs_snr(snr_list) for s, a, b in zip(snr_list, ideal, net): print(f"SNR={s:2d} dB ideal={a:.2f} net={b:.2f} bit/s/Hz")

逻辑说明：外层扫 SNR，内层做n_real次信道实现取平均。参数说明：n_real=200是精度和耗时的折中，少于 50 次曲线会抖得看不出趋势；oversampling=4是波束密度，改它就能观察量化误差与训练开销的权衡。跑完你会看到：低 SNR 段 net 和 ideal 差距主要来自波束量化，高 SNR 段差距主要来自训练开销，两条曲线在高 SNR 处明显分叉。

4. 避坑与排查：SE 曲线不对时先查这五处

4.1 现象：高 SNR 段 SE 完全不涨，曲线压平

原因：最常见是训练开销因子没随 SNR 变化被正确扣除，或者码本 oversampling 太小导致量化误差成为瓶颈。量化误差在 SNR 高时相对更突出，因为信号本身已经很强，波束没对准的损失变成主导。解决：先把 oversampling 提到 8 看曲线是否继续上升，如果上升说明是量化瓶颈；再把训练开销因子单独打印出来，确认高 SNR 点确实乘了(T_total - N)/T_total。

4.2 现象：SE 数值大得离谱，30 dB 时超过 20 bit/s/Hz

原因：多半是 SNR 口径重复计算。se_ideal里已经除了 Nt，如果信道矩阵 H 又做了功率归一化，等于 SNR 被放大。另一个可能是用了理想容量公式却声称是“带波束训练的结果”。解决：固定一个已知点手算校验，比如 Nt=Nr=1、SNR=10 dB 时单天线容量应为log2(1+10)=3.46，对不上就查口径。

4.3 现象：波束扫描选出的索引每次都在跳，没有稳定最优

原因：信道实现之间独立，单次快照的最优波束本来就不同，这不是 bug。但如果你在同一个信道上重复扫描结果还在跳，那是接收功率计算里混入了随机噪声且没做平均。解决：同一信道下训练阶段对多个训练符号的接收功率取平均再比较，或者确认beam_sweep_exhaustive里没有误加随机项。

4.4 现象：改了 oversampling 但曲线几乎不变

原因：候选数变了，但训练开销因子没跟着变，或者你只改了码本生成却没把新码本传进se_net。解决：在se_net里打印codebook.shape[1]和overhead，确认两者同步变化。另一个隐蔽原因是信道角度扩展太宽，宽波束已经够用，密码本带来的量化增益被信道本身的空间散射抹平了。

4.5 现象：低 SNR 段 net 反而高于 ideal

原因：几乎一定是口径错误，比如 ideal 用了snr/Nt而 net 用了snr，或者 ideal 的信道矩阵维度写反。解决：把两个函数在同一个 H、同一个 SNR 下单独调用对比，先让单流单天线场景两者相等，再逐步加天线和波束，逐层定位。

5. 进阶：让 SE-SNR 曲线更接近真实系统的三个技巧

第一个技巧是给波束训练加“训练信噪比”与“数据信噪比”的区分。真实系统里训练符号往往功率更高或占用更多资源，才能保证选对波束。仿真时可以设训练阶段 SNR 比数据阶段高 3 到 6 dB，再看净 SE 曲线，你会发现高 SNR 段的饱和点往后推了，因为选错波束的概率下降了。这个细节很多开源仿真没有，但它是毫米波系统波束管理里的常规操作。

第二个技巧是用分层码本替代单层 DFT 码本做粗扫。做法是先构造一组宽波束（比如把相邻 DFT 码字相干叠加），粗扫选出候选区间，再在区间内用窄 DFT 码字细扫。训练开销从 N 降到N_coarse + N_fine，在 Nt=64 这种规模下收益很明显。代价是宽波束增益低，低 SNR 时粗扫容易选错区间，所以分层扫描的 SE 曲线在低 SNR 段可能反而不如穷举，这个交叉点值得你在仿真里标出来。

第三个技巧是给 SE 曲线加置信区间。只画均值曲线容易掩盖方差，尤其在小n_real时。我习惯在每次 SNR 点记录 SE 的样本标准差，画成阴影带。如果 20 dB 处的阴影带宽超过 1 bit/s/Hz，说明你的信道实现次数不够，或者信道模型里角度扩展参数设得太极端，结论不可信。

最后说个我自己的习惯：每次改完码本或开销模型，先只跑 SNR=0、15、30 三个点，和上一版对比，确认变化方向符合物理直觉再跑全曲线。血泪经验是，直接跑 31 个点等半小时，结果发现是索引写错，后悔药没得吃。这套仿真值不值得做，取决于你要不要碰波束管理这个方向——只要碰，DFT 码本加波束扫描就是绕不开的基本功，先把这条 SE-SNR 曲线跑顺，后面加分层、加压缩反馈、加多用户，都是在这条基线上长出来的。希望帮到你。

本文还有配套的精品资源，点击获取