【MATLAB源码】Massive MIMO：检测统一对比仿真平台📡 Massive MIMO 检测教科书级仿真平台

📡 Massive MIMO 检测教科书级仿真平台

统一主引擎驱动 · 多算法并行对比 · 工程级可扩展架构* 支持 17 类检测器 · Rayleigh/LoS/BEACHES 信道链路 · BER/EVM 自动评估与出图*

📌 为什么选择本项目？

做 Massive MIMO 检测仿真时，最常见的问题不是“没有算法”，而是：算法很多、口径不统一、代码难扩展、结果难复现。

本项目提供了一个 统一评估框架：同一套数据流、同一套误码口径、同一套结果输出，把线性检测、树搜索、迭代优化、SDP 松弛和格约减方法放到同一平台可比。

痛点（常见研究代码）	本项目解决方案
🔴 算法实现分散，难做公平对比	✅ 统一主引擎 `main_sim.m`+ 统一评估函数 `compute_errors.m`
🔴 只给 BER，不给工程指标	✅ 同时输出 VER/SER/BER/MSE/EVM，自动归一化
🔴 新增算法要改很多地方	✅ 检测器插件化：新增函数 +`run_detector` 增加 `case` 即可
🔴 结果可视化与保存流程混乱	✅`plot_results.m` 自动出 BER/EVM 图，MAT 数据自动落盘
🔴 随机化算法影响可复现性	✅`runId` 固定随机种子，随机化检测器执行前后恢复 RNG 状态

🎯 核心价值

🔬 学术研究价值

算法谱系完整：线性、树搜索、迭代、SDP、格约减五大类检测器同台评测。
口径统一：统一 SNR 定义、统一硬判决映射、统一 BER/EVM 统计，结果可横向复核。
实验复现友好：默认参数集中在 default_params.m，示例脚本直接可跑。
理论与工程连接：对应文档 docs/算法文档.md 给出完整推导，便于论文与实现对照。

💼 工程应用价值

模块解耦：config/modulation/channel/detectors/utils 分层明确。
扩展成本低：新增检测器不需要改统计模块和绘图模块。
输出标准化：MAT 数据 + PNG 曲线双产物，便于自动化报告流程。
场景覆盖广：支持 Rayleigh、LoS、Quadriga+BEACHES 等多种信道入口。

⚡ 技术亮点

🏗️ 完整模块架构

massiveMIMO_detection/
 ├── main_sim.m                      # 主仿真引擎（trial/snr/detector 三重循环）
 ├── demo_quick_compare.m            # 小规模快速对比
 ├── demo_standard_ber.m             # 标准 BER 评估
 ├── demo_modulation_compare.m       # 调制方式对比
 ├── config/
 │   └── default_params.m            # 参数总控与检测器超参数
 ├── modulation/
 │   └── gen_constellation.m         # 星座与 Gray 比特映射
 ├── channel/
 │   ├── gen_rayleigh.m              # iid Rayleigh 信道
 │   ├── gen_los.m                   # LoS 平面波模型
 │   └── est_beaches.m               # BEACHES 波束空间信道估计
 ├── detectors/
 │   ├── linear/                     # SIMO/MRC/ZF/MMSE
 │   ├── tree_search/                # ML(K-best)
 │   ├── iterative/                  # OCD/BOX/ADMIN/LAMA
 │   ├── sdp_relaxation/             # SDR/TASER/RBR
 │   └── lattice/                    # LR-LLL-DFE
 ├── utils/
 │   ├── compute_errors.m            # VER/SER/BER/MSE/EVM 累加
 │   └── plot_results.m              # 自动绘图与保存
 └── results/                        # 输出图像目录

🧠 检测器全景（17 个）

线性基线：SIMO, MRC, ZF, MMSE
树搜索：ML, KBEST
迭代优化：OCD_MMSE, OCD_BOX, BOX, ADMIN, LAMA
SDP 家族：SDR_RAND, SDR_R1, TASER, TASER_R, RBR
格约减：LR_LLL_DFE_rZF

📊 性能实测（项目内现有 MAT 结果）

场景 A：`demo_quick_8x4_QPSK_1000Trials_0.mat`

检测器	BER@0dB	BER@10dB	BER@20dB
SIMO（理论下界）	8.887e-02	0.000e+00	0.000e+00
MRC	1.490e-01	6.813e-02	5.862e-02
ZF	1.437e-01	2.125e-03	0.000e+00
MMSE	1.187e-01	1.500e-03	0.000e+00

结论：在小规模场景中，MMSE 在中高 SNR 明显优于 MRC，并在 20 dB 收敛到零误码。

场景 B：`demo_standard_32x16_QPSK_5000Trials_0.mat`

检测器	BER@0dB	BER@6dB	BER@12dB
MMSE	1.173e-01	1.620e-02	5.625e-05
ZF	1.541e-01	2.359e-02	1.312e-04
LAMA	1.087e-01	4.356e-03	0.000e+00
TASER	1.093e-01	5.200e-03	0.000e+00
OCD_BOX	1.094e-01	8.806e-03	0.000e+00
ADMIN	1.117e-01	9.362e-03	0.000e+00
KBEST	1.215e-01	4.156e-03	0.000e+00

结论：在 32x16 QPSK 场景，LAMA/TASER/KBEST 在 6 dB 区间表现突出，高 SNR 下可达到零误码。

💻 核心代码展示

🔥 主引擎三重循环（`main_sim.m`）

for t = 1:par.trials
     idx = bi2de(bits(:, :, t), 'left-msb') + 1;
     s = par.symbols(idx).';
     H = gen_rayleigh(par.MR, par.MT);
     x = H * s;
 
     for k = 1:num_snr
         N0 = par.Es * norm(H, 'fro')^2 * 10^(-par.SNRdB_list(k)/10) / par.MR;
         y = x + sqrt(N0) * n;
         Hest = H;  % 可切换 PERF/ML/BEACHES
 
         for d = 1:num_det
             shat = run_detector(par, par.detector{d}, Hest, y, s, N0);
             res = compute_errors(res, par, d, k, s, idx, shat, bits(:, :, t));
         end
     end
 end

🚀 插件式检测器分发（`run_detector`）

switch detector_name
     case 'MMSE'
         shat = detect_mmse(par, H, y, N0);
     case 'LAMA'
         shat = detect_lama(par, H, y, N0);
     case 'TASER'
         shat = detect_taser(par, H, y);
     case 'OCD_BOX'
         shat = detect_ocd_box(par, H, y);
     ...
     otherwise
         error('未定义的检测器: %s', detector_name);
 end

📈 统一误码统计（`compute_errors.m`）

dist_matrix = abs(shat * ones(1, length(par.symbols)) - ...
                   ones(par.MT, 1) * par.symbols).^2;
 [~, idxhat] = min(dist_matrix, [], 2);
 bithat = par.bits(idxhat, :);
 err = (idx ~= idxhat);
 
 res.VER(d, k) = res.VER(d, k) + any(err);
 res.SER(d, k) = res.SER(d, k) + sum(err) / par.MT;
 res.BER(d, k) = res.BER(d, k) + sum(sum(bits_tx ~= bithat)) / (par.MT * par.Q);
 res.MSE(d, k) = res.MSE(d, k) + norm(shat - s)^2;
 res.VM(d, k)  = res.VM(d, k)  + norm(s)^2;

🎬 一键运行

% 进入项目目录后：
 
 % 1) 小规模快速对比（线性检测器）
 >> demo_quick_compare
 
 % 2) 标准规模 BER 评估（多类检测器）
 >> demo_standard_ber
 
 % 3) 调制方式对比（BPSK/QPSK/16QAM）
 >> demo_modulation_compare
 
 % 4) 默认主引擎（按 default_params）
 >> main_sim

输出预览

🖥️ 运行环境

MATLAB 版本：R2020a 或更高版本（建议 R2022a+）
必需依赖：基础 MATLAB 数值与绘图能力
可选依赖：
- CVX（用于 SDR_RAND、SDR_R1）
- Statistics Toolbox（mvnrnd 用于随机化 SDR）
- Quadriga 信道数据（当 par.quadriga = 1 时）

🛒 获取方式

本文代码仅为核心片段，完整版工程已整理好。关注公众号【3GPP 仿真实验室】进行获取。

【MATLAB源码】Massive MIMO：检测统一对比仿真平台