尧图网站建设 
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。SCMASparse 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。MPAMessage 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 K4、N2、M4、J6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 h1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。J6、M4 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(1exp(-|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_f3、M4 时是 64d_f4、M4 时变成 256M8、d_f3 是 512M8、d_f4 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 K4用户数 J6码本大小 M4每个用户占用资源块数 N2每个资源块连接用户数 d_f3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 dBSD-MPA 半径系数alpha2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 SNR0-4 dB25-4540%-70%中 SNR6-8 dB12-2020%-30%高 SNR10-14 dB6-1210%-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 MPAalpha 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 上行SCMA中SD-MPA检测算法：原理、实现与复杂度优化
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。SCMASparse 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。MPAMessage 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 K4、N2、M4、J6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 h1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。J6、M4 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(1exp(-|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_f3、M4 时是 64d_f4、M4 时变成 256M8、d_f3 是 512M8、d_f4 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 K4用户数 J6码本大小 M4每个用户占用资源块数 N2每个资源块连接用户数 d_f3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 dBSD-MPA 半径系数alpha2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 SNR0-4 dB25-4540%-70%中 SNR6-8 dB12-2020%-30%高 SNR10-14 dB6-1210%-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 MPAalpha 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