5G NOMA用户配对：信道建模与MATLAB实现全链路指南

简介：本资源是一套面向通信工程专业学生、5G算法研究者及MATLAB仿真实践者的NOMA用户配对完整仿真方案，聚焦5G网络中非正交多址接入的关键技术难点——如何在功率域复用场景下实现高效、公平的强弱用户配对。压缩包共15个文件，含7个核心MATLAB脚本（如2/4/8用户配对仿真、FTPC功率分配实现）、5份权威PDF文献（涵盖NOMA综述、最优配对公平性研究及VTC教程）以及3张原理示意图（NOMA vs OMA对比、两种配对方案结构图），总大小27.11MB，代码模块化、文献体系化、图表直观化，便于理论学习与代码复现同步推进。已有236人学习下载，读者可直接运行.m文件复现信道建模、强弱分类、贪婪配对、SIC解码及BER/吞吐量评估全流程，并结合PDF深入理解算法设计依据与性能边界，是开展5G NOMA课题研究或课程设计的高实用性入门套件。

1. 为什么在5G网络仿真里，NOMA用户配对不能靠“随机凑对”或“距离最近”——MATLAB实现必须直面信道异构性与SIC残余干扰

在某高校通信实验室的5G物理层仿真项目中，一位A同学最初用MATLAB写NOMA系统时，直接把用户按路径损耗排序后两两配对：最强信号用户和最弱信号用户一组。结果BER曲线在SNR=15dB时突然跳变，误码率比OFDMA还高3个数量级。后来发现，问题不在编码或调制，而在于配对逻辑本身——它完全忽略了多径衰落的瞬时相关性、用户间信道增益比（α₁/α₂）的动态边界，以及最关键的：接收端串行干扰消除（SIC）失败后残留的干扰功率会随配对策略指数级放大。这不是参数调优能解决的玄学问题，而是配对决策必须嵌入信道状态信息（CSI）反馈闭环的硬约束。本文聚焦MATLAB环境下可复现、可验证、可嵌入完整链路的NOMA用户配对方案，覆盖从信道建模、配对准则设计、SIC可行性预判到MATLAB函数封装的全链路。适合正在做5G NR物理层仿真的工程师、研究生，以及需要将NOMA模块集成进更大规模网络仿真平台的开发者。你不需要懂3GPP协议细节，但需熟悉MATLAB基础矩阵运算和通信工具箱常用函数。

2. 构建符合3GPP TR 38.901的5G信道模型：先让配对有据可依，再谈算法

NOMA用户配对不是数学游戏，它的输入必须是真实反映5G部署场景的信道响应。随便生成两列高斯白噪声当信道系数，后续所有配对结果都是空中楼阁。我们采用分步构建法，在MATLAB中落地TR 38.901定义的UMi（Urban Microcell）场景，重点控制三个可验证维度：大尺度衰落（LSF）、小尺度衰落（SSF）和空间相关性。

2.1 大尺度衰落建模：路径损耗+阴影衰落必须解耦

路径损耗决定用户平均接收功率层级，是配对的底层锚点；阴影衰落则引入慢变随机性，影响配对稳定性。MATLAB中不推荐直接用raylrnd或lognrnd拼接，而应严格按TR 38.901公式分层生成：

% 参数设定（UMi场景，载波频率2.6GHz，基站天线高度25m，用户高度1.5m） fc = 2.6e9; % 载波频率 h_BS = 25; h_UT = 1.5; d2d = rand(1, N_users) * 100 + 10; % 用户到基站距离：10~110米 % 路径损耗PL（dB），按UMi LOS/NLOS混合模型 PL_LOS = 32.4 + 21*log10(d2d) + 20*log10(fc/1e9); PL_NLOS = 38.4 + 27.4*log10(d2d) + 20*log10(fc/1e9); % LOS概率按TR 38.901 Table 7.4.1-1计算 P_LOS = min(18/d2d, 1) .* (1 - exp(-d2d/36)) + exp(-d2d/36); is_LOS = rand(1, N_users) < P_LOS; PL_dB = is_LOS .* PL_LOS + (~is_LOS) .* PL_NLOS; % 阴影衰落：LOS为4dB标准差，NLOS为6dB，服从对数正态分布 sigma_shadow = is_LOS * 4 + (~is_LOS) * 6; shadow_dB = sigma_shadow .* randn(1, N_users); % 最终大尺度衰落系数（线性域，用于后续小尺度乘积） LSF_linear = 10.^(-(PL_dB + shadow_dB)/10);

逻辑说明：这段代码输出LSF_linear是1×N_users向量，每个元素代表该用户的大尺度衰落增益（0~1之间）。关键点在于：①P_LOS计算必须用min(18/d2d, 1)而非简单阈值，否则近距用户NLOS概率反超LOS；② 阴影衰落标准差必须按LOS/NLOS区分，混用会导致配对结果在城区密集部署下严重失真；③ 所有dB值转换必须用10.^(-x/10)，用exp(-x/10)是典型翻车操作。

2.2 小尺度衰落建模：用Clustered Delay Line（CDL）模型生成空间相关信道

TR 38.901要求小尺度衰落必须体现多径簇（Cluster）结构和角度扩展（AS）。MATLAB通信工具箱nrCDLChannel虽支持，但其输出为复数时域响应，不利于后续配对计算。我们改用参数化建模，手动构造CDL核心参数并生成信道冲激响应：

% CDL-B模型参数（UMi，中等延迟扩展） numClusters = 12; clusterPowers_dB = [-1.0, -1.5, -2.5, -3.0, -3.5, -4.0, ... -4.5, -5.0, -5.5, -6.0, -6.5, -7.0]; % 各簇功率 clusterDelays_ns = [0, 30, 60, 90, 120, 150, 180, 210, 240, 270, 300, 330]; AS_deg = 10; % 角度扩展10度 % 为每个用户生成独立但空间相关的信道响应 H_SS = zeros(N_users, 12); % 每行一个用户，每列一个簇 for u = 1:N_users % 每簇内生成多个子径（模拟角度扩展） for c = 1:numClusters % 子径数按AS和天线阵列配置确定，此处简化为每簇3径 for s = 1:3 % 子径相位服从均匀分布，幅度服从瑞利 phase = 2*pi*rand; amp = sqrt(-log(rand)); % 瑞利包络 % 加权叠加到该簇延迟位置（单位：ns → 样本索引） delay_idx = round(clusterDelays_ns(c) / (1e9 * Ts)); H_SS(u, c) = H_SS(u, c) + amp * exp(1j*phase); end % 施加簇功率权重 H_SS(u, c) = H_SS(u, c) * 10^(clusterPowers_dB(c)/20); end end % 合并大尺度与小尺度：H_total = LSF_linear' * H_SS（注意转置） H_total = diag(LSF_linear) * H_SS; % N_users × 12 矩阵

参数说明：H_total是N_users行、12列的复数矩阵，每行代表一个用户的12簇信道响应。关键设计意图：①diag(LSF_linear)确保大尺度衰落与小尺度衰落解耦，避免因路径损耗主导导致弱用户信道被错误放大；② 每簇内多子径模拟角度扩展，比单径瑞利模型更贴近实测MIMO信道；③Ts为采样周期，需与系统带宽匹配（如100MHz带宽对应Ts=10ns），此处需根据实际仿真设置。此模型输出可直接用于计算用户间信道增益比，是配对算法的唯一可信输入源。

3. NOMA用户配对三大主流准则：从理论推导到MATLAB函数封装

配对不是选美，是优化。所有准则本质都在平衡两个矛盾目标：最大化用户间信道增益差异（利于SIC分离），同时保障弱用户最低信干噪比（SINR）门限。我们对比三种工业界与学术界均验证有效的准则，并给出MATLAB可直接调用的函数。

3.1 增益差最大化准则（Gain Difference Maximization, GDM）

最直观的准则：配对用户i和j，使|α_i - α_j|最大。但需注意，α是归一化功率系数，非原始信道增益。MATLAB实现必须先完成功率归一化：

function [pairs, gain_diffs] = gdm_pairing(H_total, N_pairs) % 输入：H_total - N_users × N_clusters 复数信道矩阵 % 输出：pairs - N_pairs × 2 矩阵，每行一个配对用户索引；gain_diffs - 对应增益差 N_users = size(H_total, 1); % 计算每个用户的等效信道增益（考虑所有簇，取模平方和） channel_gains = sum(abs(H_total).^2, 2); % N_users × 1 % 归一化：使所有用户增益和为1（模拟功率分配约束） alpha = channel_gains / sum(channel_gains); % 生成所有可能配对组合（避免重复：i<j） [ui, uj] = meshgrid(1:N_users, 1:N_users); valid_pairs = ui < uj; pair_indices = [ui(valid_pairs), uj(valid_pairs)]; % 所有i<j组合 % 计算每对的增益差绝对值 diffs = abs(alpha(pair_indices(:,1)) - alpha(pair_indices(:,2))); % 取前N_pairs个最大差值的配对 [~, idx_sorted] = sort(diffs, 'descend'); pairs = pair_indices(idx_sorted(1:N_pairs), :); gain_diffs = diffs(idx_sorted(1:N_pairs)); end

逻辑说明：该函数返回pairs为整数索引矩阵，例如[3,7; 1,9]表示第3与第7用户配对、第1与第9用户配对。关键点：①channel_gains必须用sum(abs(H_total).^2, 2)计算总功率，而非只取第一簇或最大值；② 归一化alpha是配对前提，否则强用户天然压制弱用户，配对失去意义；③meshgrid生成全组合后筛选i<j，避免(i,j)与(j,i)重复计算，提升效率。

3.2 SINR可行域准则（SINR Feasibility Region, SFR）

GDM只看差异，不保底线。SFR准则强制要求：配对后，弱用户经SIC解调后的SINR必须≥γ_min（如0dB）。这需要预估SIC性能。MATLAB中采用经典SIC残余干扰模型：

function [pairs_sfr, feasible_flags] = sfr_pairing(H_total, gamma_min_dB, N_pairs) N_users = size(H_total, 1); channel_gains = sum(abs(H_total).^2, 2); alpha = channel_gains / sum(channel_gains); gamma_min = 10^(gamma_min_dB/10); % 转换为线性 % 预设SIC成功率模型：残余干扰功率 = β * 强用户功率，β为SIC不完美因子 beta = 0.05; % 典型值：5%残余干扰 pairs_sfr = []; feasible_flags = false(N_pairs, 1); count = 0; % 按alpha降序排列用户（强→弱） [~, idx_sorted] = sort(alpha, 'descend'); users_sorted = idx_sorted'; % 贪心配对：最强用户与满足SINR约束的最弱用户配对 for i = 1:2:N_users-1 % 步长为2，避免单用户剩余 if count >= N_pairs, break; end strong_idx = users_sorted(i); weak_idx = users_sorted(i+1); % 计算弱用户SINR：分子=弱用户功率，分母=强用户残余干扰+噪声 sinr_weak = alpha(weak_idx) / (beta * alpha(strong_idx) + 1e-6); % +1e-6防零除 if sinr_weak >= gamma_min count = count + 1; pairs_sfr(count, :) = [strong_idx, weak_idx]; feasible_flags(count) = true; end end % 若未满N_pairs，补充其他可行配对 if count < N_pairs % 遍历剩余组合找可行解 [ui, uj] = meshgrid(1:N_users, 1:N_users); valid = ui < uj; all_pairs = [ui(valid), uj(valid)]; for p = 1:size(all_pairs,1) if count >= N_pairs, break; end i1 = all_pairs(p,1); i2 = all_pairs(p,2); % 判定谁强谁弱 if alpha(i1) > alpha(i2) strong = i1; weak = i2; else strong = i2; weak = i1; end sinr_weak = alpha(weak) / (beta * alpha(strong) + 1e-6); if sinr_weak >= gamma_min && ~ismember([strong,weak], pairs_sfr, 'rows') count = count + 1; pairs_sfr(count, :) = [strong, weak]; feasible_flags(count) = true; end end end end

参数说明：beta=0.05是SIC硬件性能的关键表征，实际中需根据ADC位数、均衡器复杂度标定。若仿真目标是评估SIC算法本身，beta应作为变量扫描；若评估配对策略，则固定为典型值。gamma_min_dB建议设为0~3dB，过低导致配对过于宽松，过高则无解。

4. 配对后必须做的三件事：SIC顺序校验、功率分配验证、误码率基线测试

配对完成不等于任务结束。很多MATLAB仿真在此处翻车：配对函数返回了结果，但后续链路直接套用理想功率分配，导致BER曲线完全失真。以下是必须串联执行的验证步骤。

4.1 SIC解调顺序自动判定：谁先解、谁后解，由信道增益说了算

NOMA接收端必须按信道增益从强到弱顺序SIC。配对函数只给出用户ID，不指定解调顺序。MATLAB中需实时判定：

function sic_order = determine_sic_order(pairs, alpha) % 输入：pairs - K×2配对矩阵；alpha - N_users×1归一化增益向量 K = size(pairs, 1); sic_order = zeros(K, 2); for k = 1:K u1 = pairs(k,1); u2 = pairs(k,2); if alpha(u1) > alpha(u2) sic_order(k,:) = [u1, u2]; % 第一列为强用户，第二列为弱用户 else sic_order(k,:) = [u2, u1]; end end end % 调用示例： % alpha = sum(abs(H_total).^2, 2) / sum(sum(abs(H_total).^2, 2)); % sic_seq = determine_sic_order(pairs, alpha);

逻辑说明：sic_order每行形如[strong_user_id, weak_user_id]，这是后续功率分配和BER计算的强制输入。若忽略此步，直接假设配对中第一个ID为强用户，当用户信道发生快衰落时，SIC顺序错误将导致弱用户解调完全失败，BER飙升。

4.2 功率分配必须与配对联动：基于注水法的MATLAB实现

配对后，同一资源块（RB）上两个用户的功率不能随意分配。需满足：① 总功率守恒；② 弱用户SINR达标；③ 强用户自身SINR足够解调。我们采用改进注水法，在MATLAB中求解最优功率分配：

function [p_strong, p_weak] = water_filling_power(pairs, alpha, sic_order, gamma_min, P_total) % 输入：sic_order已按强→弱排序；gamma_min为弱用户SINR门限；P_total为RB总功率 K = size(pairs, 1); p_strong = zeros(K, 1); p_weak = zeros(K, 1); for k = 1:K u_s = sic_order(k,1); u_w = sic_order(k,2); a_s = alpha(u_s); a_w = alpha(u_w); % 注水法求解：p_w需满足 a_w * p_w / (a_s * p_s + N0) >= gamma_min % 且 p_s + p_w = P_total/K （均分RB总功率） p_rb = P_total / K; % 解不等式：p_w >= gamma_min * (a_s * (p_rb - p_w) + N0) / a_w % 整理得：p_w * (a_w + gamma_min * a_s) >= gamma_min * a_s * p_rb + gamma_min * N0 % 设N0 = 1（归一化噪声功率） N0 = 1; denominator = a_w + gamma_min * a_s; numerator = gamma_min * a_s * p_rb + gamma_min * N0; p_weak(k) = max(0, numerator / denominator); p_weak(k) = min(p_weak(k), p_rb); % 不超过RB功率 p_strong(k) = p_rb - p_weak(k); end end

参数说明：P_total是整个系统带宽总发射功率，P_total/K是每个配对占用的RB功率。N0=1是归一化处理，实际仿真中需根据噪声系数、带宽计算真实N0（如N0 = 10^(-174/10) * BW）。此函数输出p_strong和p_weak是K×1向量，直接驱动后续QAM调制与叠加。

5. 避坑指南：NOMA用户配对在MATLAB中五个血泪经验总结

配对看似简单，实则处处是坑。以下五条均来自某跨平台系统联调中的真实故障，每一条都曾导致整周仿真停滞。

5.1 现象：配对结果每次运行都不一样，且BER波动极大

原因：信道建模中使用了未固定的随机种子。rand、randn、randperm等函数在每次MATLAB会话中产生不同序列，导致信道矩阵、配对组合、甚至SIC顺序全随机。
解决：在脚本开头统一设置种子，且对不同随机源分别设种：

rng(42, 'twister'); % 主随机流 channels_rng = RandStream('mt19937ar','Seed',12345); % 信道专用流 RandStream.setGlobalStream(channels_rng);

5.2 现象：SIC解调后弱用户BER为1，强用户正常

原因：配对函数返回的用户索引未与sic_order函数输入的alpha向量对齐。常见错误是alpha基于旧信道矩阵计算，而配对基于新信道，或alpha未归一化。
解决：强制在配对前重新计算alpha，并用assert校验：

alpha = sum(abs(H_total).^2, 2); alpha = alpha / sum(alpha); assert(all(alpha > 0 & alpha < 1), 'Alpha not normalized or invalid!');

5.3 现象：增加用户数后，配对函数报错"Out of memory"

原因：meshgrid生成全组合时内存爆炸。N=100用户时，组合数达4950，尚可接受；N=1000时达5e5，meshgrid直接崩溃。
解决：改用迭代法，不生成全矩阵：

% 替代方案：随机采样1000个组合而非全部 num_samples = min(1000, N_users*(N_users-1)/2); sample_pairs = zeros(num_samples, 2); for s = 1:num_samples sample_pairs(s,:) = randperm(N_users, 2); end

5.4 现象：在UMa（Urban Macro）场景下，配对效果比UMi还差

原因：UMa场景路径损耗公式与UMi不同（含基站天线高度项），但代码中未切换模型，仍用UMi公式计算PL_dB，导致大尺度衰落失真，配对依据错误。
解决：封装场景选择开关，严格按TR 38.901 Table 7.4.1-1实现：

switch scenario case 'UMi' PL_LOS = 32.4 + 21*log10(d2d) + 20*log10(fc/1e9); case 'UMa' PL_LOS = 32.4 + 36.7*log10(d2d) + 20*log10(fc/1e9) - 13.82*log10(h_BS); end

5.5 现象：BER曲线在高SNR区出现平台，无法突破1e-5

原因：SIC残余干扰模型beta设为常数，但实际中beta随SNR升高而降低（高信噪比下SIC更准）。固定beta导致高SNR时残余干扰被高估，弱用户SINR计算偏保守，功率分配过度倾斜。
解决：将beta设为SNR函数，例如beta = 0.1 ./ (1 + 0.05*SNR_lin)，并在循环中动态更新。

6. 进阶技巧：用配对稳定性指标量化算法鲁棒性，替代主观“看起来不错”

配对算法好不好，不能只看某次快照下的BER。真正有价值的评估，是看它在信道时变下的稳定性。我们定义一个MATLAB可计算的配对稳定性指标（Pairing Stability Index, PSI）：

6.1 PSI定义与MATLAB计算流程

PSI衡量同一组用户在连续T个信道快拍中，被配对在一起的频率。值越接近1，说明配对策略越鲁棒。计算分三步：

1. 生成T个独立信道快拍：用前述CDL模型，保持大尺度衰落（LSF）不变，仅刷新小尺度（SSF）；
2. 对每个快拍运行配对算法，记录所有配对组合；
3. 统计每对用户共现次数，归一化为PSI矩阵。

function PSI_matrix = compute_psi_stability(H_LSF, T, pairing_func, varargin) % H_LSF: 1×N_users 大尺度衰落向量（固定） % T: 快拍数，建议T≥50 % pairing_func: 函数句柄，如@ gdm_pairing N_users = length(H_LSF); % 初始化共现计数矩阵 co_occurrence = zeros(N_users, N_users); for t = 1:T % 仅刷新小尺度衰落 H_SS_t = generate_cdl_ss(N_users, 12); % 自定义函数，生成新SSF H_total_t = diag(H_LSF) * H_SS_t; % 大尺度×新小尺度 % 运行配对 [pairs, ~] = pairing_func(H_total_t, floor(N_users/2), varargin{:}); % 更新共现矩阵（无向图，i-j与j-i同计） for p = 1:size(pairs,1) i = pairs(p,1); j = pairs(p,2); co_occurrence(i,j) = co_occurrence(i,j) + 1; co_occurrence(j,i) = co_occurrence(j,i) + 1; end end % PSI_matrix(i,j) = 共现次数 / T PSI_matrix = co_occurrence / T; end

6.2 如何用PSI指导算法选型？一张表说清

实践建议：在项目初期，用PSI快速筛掉不稳定的配对方案。例如，若某准则PSI均值<0.7，即使单次BER漂亮，也应放弃——它在真实时变信道中大概率失效。我一般会在最终报告中附上PSI热力图，横纵轴为用户ID，颜色深浅表示共现频率，比一堆BER曲线更有说服力。

希望帮到你。

本文还有配套的精品资源，点击获取