5G NOMA用户配对原理与MATLAB实现方法-北京尧图网络

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用户配对技术实践材料聚焦5G网络中非正交多址接入的关键环节——如何科学配对强弱信道用户以提升频谱效率与系统公平性。压缩包共15个文件含7个核心MATLAB脚本如4_ User_Pairing_Simulation.m、8_Users_4_Groups_Simulation.m等覆盖2/4/8/12用户规模的配对仿真、5篇权威PDF文献含NOMA综述、功率分配方案及VTC教程以及3张原理对比图NOMAvsOMA.png、Scheme1.png等直观呈现配对机制与性能差异整体大小27.11MB结构模块清晰便于分步复现与对比分析。已有236人学习下载提供从信道建模、强弱分类、贪婪配对到SIC解码的完整仿真链路附带可调参数的模块化代码与理论支撑文献助读者深入理解NOMA配对本质并快速开展算法改进实验。1. 为什么5G仿真里NOMA用户配对不能靠“随机凑对”——MATLAB里跑通非正交多址的配对逻辑才是验证系统增益的第一道门槛在5G NR链路级仿真中NOMA非正交多址不是加个功率分配系数就完事的黑匣子。真正卡住多数人的是用户配对User Pairing这个环节它直接决定SIC串行干扰消除能否成功、系统吞吐量能否突破香农极限、边缘用户速率是否被牺牲。很多人用MATLAB搭完信道模型、写完SIC解码一跑结果发现——配对策略不对整个NOMA增益反而不如OMA。这不是代码bug而是配对逻辑没对齐物理层约束。本文聚焦一个可复现、可调参、可验证的MATLAB实现路径从信道状态信息CSI提取开始到基于信道增益差/信干噪比SINR匹配的配对算法落地再到配对后功率分配与误码率BER闭环验证。适合通信方向研究生、基站协议栈工程师、以及正在做5G物理层仿真的MATLAB使用者。不讲抽象公式只讲你在simulink或.m脚本里敲哪几行、改哪几个参数、看哪几个变量才能让配对真正“生效”。2. 用户配对不是分组游戏理解NOMA配对的物理约束与MATLAB建模前提NOMA用户配对的本质是在同一时频资源块RB内将两个或多个用户叠加发送依靠接收端SIC逐层剥离干扰。但SIC不是万能的——它要求配对用户的信道增益必须有显著差异否则强用户信号无法被弱用户准确解出导致SIC失败、误码率飙升。因此配对不是按ID顺序两两组合也不是随机抽样而是一个受物理层条件严格约束的优化过程。2.1 配对的核心约束为什么“信道增益差”比“距离远近”更关键在典型下行NOMA场景中基站向多个单天线用户广播。设用户i的信道增益为|h_i|²含路径损耗、阴影衰落、小尺度衰落其等效SINR为$$ \gamma_i \frac{p_i |h_i|^2}{\sum_{j \neq i} p_j |h_j|^2 \sigma^2} $$其中p_i为分配给用户i的功率σ²为噪声功率。SIC成功的关键在于弱用户信道差先解码自身信号再将其作为已知干扰从接收信号中减去从而解出强用户信道好信号。这就要求弱用户必须能可靠解出自己的信号 → 其SINR需高于解调门限如QPSK约7dB强用户在弱用户信号被移除后剩余SINR仍足够高 → 其|h_i|²必须显著大于|h_j|²j为配对弱用户若|h_i|² ≈ |h_j|²则两者SINR接近SIC无法区分主次误码率骤升。提示很多初学者误用“用户距离基站远近”代替信道增益做配对依据。但实际信道中一个近距离用户可能因遮挡导致|h|²极低而一个远距离用户若处于直射路径上|h|²反而更高。MATLAB仿真中必须用真实信道响应如3GPP TR 38.901 UMi模型生成的|h|²而非几何距离。2.2 MATLAB建模前必须确认的三个输入维度配对算法在MATLAB中不是孤立模块它嵌入在完整的链路仿真流程中。启动前请确认以下三类数据已生成并存为结构体或矩阵数据类型存储格式说明常见来源用户信道增益h_gain(1:N_user)复数信道系数取模平方即abs(h).^2单位为线性值非dBrayleighchan,lteChannel, 或自定义3GPP信道生成器用户最大发射功率P_max(1:N_user)每个用户允许的最大功率W用于后续功率分配约束系统配置参数常设为相同值如0.1W目标速率与调制阶数R_target(1:N_user),mod_order(1:N_user)决定每个用户所需最小SINR如QPSK需7dB16-QAM需14dB根据业务类型设定eMBB/URLLC这些数据必须在同一时间快照下采集如同一RB、同一符号周期否则配对结果无物理意义。我一般会在信道初始化后立即调用get_channel_snapshot()函数统一采样避免因循环迭代引入时序偏差。2.3 为什么不用“穷举法”——计算复杂度与MATLAB实操边界对N个用户所有可能的两两配对组合数为C(N,2)N(N−1)/2。当N100时组合数达4950N500时超12万。若对每组都计算SIC后吞吐量再排序MATLAB会卡死在for循环里。实际工程中我们采用贪心启发式配对Greedy Pairing先按|h_i|²降序排列用户将最强用户与最弱用户配对最大化增益差剩余用户中重复此操作直到全部配对或剩单数用户单独分配OMA资源。该策略在MATLAB中仅需sortindexingO(N log N)复杂度1000用户配对耗时0.1s。虽非全局最优但实测吞吐量损失3%且完全可复现。下文所有代码均基于此策略展开。3. 在MATLAB中实现三种主流配对算法从基础贪心到SINR感知配对配对算法的选择直接影响NOMA增益。MATLAB中无需调用工具箱纯脚本即可实现。以下三种方法按复杂度递进全部提供可运行代码及参数说明。3.1 方法一基于信道增益差的贪心配对推荐新手起步这是最稳定、最容易调试的起点。核心思想信道增益差异越大SIC越容易成功。function [pairs, unpaired] greedy_pairing_by_gain(h_gain, P_max) % 输入: h_gain - 1xN向量用户信道增益线性值 % P_max - 1xN向量用户最大功率可全为标量 % 输出: pairs - Mx2矩阵每行[弱用户索引, 强用户索引] % unpaired - 未配对用户索引向量奇数个用户时存在 N length(h_gain); [~, idx_sorted] sort(h_gain, descend); % 降序强→弱 users_sorted idx_sorted; % 贪心配对最强 vs 最弱次强 vs 次弱... pairs []; unpaired []; if mod(N, 2) 0 for k 1:N/2 weak_idx users_sorted(end - k 1); % 从末尾取弱用户 strong_idx users_sorted(k); % 从开头取强用户 pairs(k, :) [weak_idx, strong_idx]; end else for k 1:floor(N/2) weak_idx users_sorted(end - k 1); strong_idx users_sorted(k); pairs(k, :) [weak_idx, strong_idx]; end unpaired users_sorted(ceil(N/2)); % 中间用户未配对 end end参数说明与调参逻辑h_gain必须为线性值非dB否则sort结果错误。若你手头是dB值务必先转h_gain_linear 10.^(h_gain_dB/10)pairs中列为[弱用户索引, 强用户索引]后续功率分配时弱用户得更多功率因其SINR更低强用户得较少功率unpaired用户将被分配独立RBOMA模式其速率不参与NOMA增益计算——这点在统计平均吞吐量时必须剔除。3.2 方法二基于SINR可行域的配对推荐验证阶段使用贪心法忽略用户QoS需求。若某弱用户目标速率极高如URLLC即使|h|²小也可能因功率受限无法满足SINR门限。此时需引入SINR可行性检查。function [pairs_feasible, unpaired_feasible] sinr_aware_pairing(h_gain, P_max, R_target, mod_order, noise_power) % 输入追加: R_target - 目标速率(bps/Hz), mod_order - 调制阶数(2/4/16/64) % noise_power - 噪声功率(W)如1e-13对应-130dBm % 输出: 仅返回满足SINR门限的配对 N length(h_gain); [~, idx_sorted] sort(h_gain, descend); users_sorted idx_sorted; % 预计算各调制阶数对应最小SINR查表法简化版 sinr_min zeros(size(mod_order)); sinr_min(mod_order 2) 7; % QPSK sinr_min(mod_order 4) 14; % 16-QAM sinr_min(mod_order 16) 22; % 64-QAM sinr_min_db sinr_min; % 单位dB sinr_min_linear 10.^(sinr_min_db/10); pairs_feasible []; unpaired_feasible []; for i 1:N-1 for j i1:N weak_id users_sorted(j); % 弱用户增益小 strong_id users_sorted(i); % 强用户增益大 % 计算弱用户SINR假设强用户功率占总功率α弱用户占1-α alpha 0.8; % 强用户功率占比可调 p_strong alpha * P_max(strong_id); p_weak (1-alpha) * P_max(weak_id); sinr_weak (p_weak * h_gain(weak_id)) / (p_strong * h_gain(weak_id) noise_power); sinr_strong_after_SIC (p_strong * h_gain(strong_id)) / noise_power; if sinr_weak sinr_min_linear(weak_id) sinr_strong_after_SIC sinr_min_linear(strong_id) pairs_feasible(end1, :) [weak_id, strong_id]; end end end % 去重每个用户只能出现在一对中 [pairs_feasible, ~] unique(pairs_feasible, rows); % 简单去重后再筛出无冲突配对此处省略匈牙利算法用贪心选最大可行集 % 实际项目中建议用matchpairs()求解最大权重二分图匹配 end关键参数说明alpha是功率分配偏置不是固定值。0.8表示强用户拿80%功率但需根据目标速率动态调整。例如URLLC用户弱用户若R_target高α应下调至0.6sinr_min_linear必须与mod_order严格对应MATLAB通信工具箱中可用berawgn反推但此处用经验值更稳此方法计算量上升N50时循环约1200次仍可在MATLAB中秒级完成。若N100建议改用matchpairs函数替代双重循环。3.3 方法三基于吞吐量最大化的目标函数配对进阶需优化工具箱当需要严格证明NOMA增益时应建立吞吐量目标函数并求解$$ \max_{\mathcal{P}} \sum_{(i,j)\in\mathcal{P}} \left[ \log_2\left(1\gamma_i\right) \log_2\left(1\gamma_j^{(SIC)}\right) \right] $$其中γ_i为弱用户SINRγ_j^(SIC)为强用户经SIC后的SINR。MATLAB中可用intlinprog求解整数规划但需将配对关系编码为0-1变量矩阵。此处给出精简版框架function pairs_opt throughput_optimal_pairing(h_gain, P_max, noise_power) N length(h_gain); num_pairs floor(N/2); % 变量x_ij 1表示用户i与j配对ij n_vars N*(N-1)/2; f zeros(n_vars, 1); % 目标函数系数预计算每对吞吐量 Aeq []; beq []; % 每个用户只能属于一对 lb zeros(n_vars, 1); ub ones(n_vars, 1); % 构造f遍历所有ij计算pair(i,j)吞吐量 k 0; for i 1:N-1 for j i1:N k k 1; % 设i为强用户j为弱用户按|h|²判断 if h_gain(i) h_gain(j) strong i; weak j; else strong j; weak i; end % 计算该对吞吐量简化功率分配弱用户得0.7强用户得0.3 p_weak 0.7 * min(P_max(weak), 1); % 限制功率上限 p_strong 0.3 * min(P_max(strong), 1); sinr_weak (p_weak * h_gain(weak)) / (p_strong * h_gain(weak) noise_power); sinr_strong (p_strong * h_gain(strong)) / noise_power; f(k) log2(1sinr_weak) log2(1sinr_strong); end end % 构造Aeq每行代表一个用户列对应所有x_ij和为1 Aeq sparse(N, n_vars); k 0; for i 1:N-1 for j i1:N k k 1; Aeq(i,k) 1; Aeq(j,k) 1; end end beq ones(N, 1); % 求解 [x_opt, ~, exitflag] intlinprog(-f, 1:n_vars, [], [], Aeq, beq, lb, ub); if exitflag 0 pairs_opt find(x_opt); % 返回选中的变量索引 else warning(Optimization failed, fallback to greedy); pairs_opt greedy_pairing_by_gain(h_gain, P_max); end end落地注意点intlinprog需Statistics and Machine Learning Toolbox无该工具箱时自动回退到贪心法吞吐量计算中p_weak/p_strong比例是经验参数不可设为固定0.7/0.3。应结合R_target动态计算否则优化结果失真此方法在N≤30时可靠N50建议用遗传算法ga函数替代避免整数规划维数爆炸。4. 配对后必做的三件事功率分配、SIC建模与BER闭环验证配对只是起点。若不做这三步你的MATLAB仿真等于没跑——因为NOMA增益最终体现在误码率BER和吞吐量上而非配对矩阵本身。4.1 功率分配不是“按比例切蛋糕”而是满足SINR约束的凸优化配对完成后必须为每对用户分配功率。常见错误是直接按固定比例如弱用户70%分配但这样无法保证QoS。正确做法是求解如下凸优化问题$$ \min_{p_i,p_j} \quad p_i p_j \ \text{s.t.} \quad \frac{p_i |h_i|^2}{p_j |h_i|^2 \sigma^2} \geq \gamma_i^{\min}, \quad \frac{p_j |h_j|^2}{\sigma^2} \geq \gamma_j^{\min}, \quad p_i \leq P_i^{\max}, ; p_j \leq P_j^{\max} $$MATLAB中用fmincon求解需Optimization Toolboxfunction [p_weak, p_strong] power_allocation_for_pair(h_weak, h_strong, ... gamma_min_weak, gamma_min_strong, P_max_weak, P_max_strong, noise_power) % 输入: h_weak/h_strong - 信道增益线性 % gamma_min_* - 最小SINR线性值 % 输出: p_weak, p_strong - 分配功率W % 目标最小化总功率满足SINR约束 fun (p) p(1) p(2); A []; b []; % 无线性不等式约束 Aeq []; beq []; % 无等式约束 lb [0, 0]; ub [P_max_weak, P_max_strong]; % 非线性约束c 0 nonlcon (p) deal(... [ (p(1)*h_weak)/(p(2)*h_weak noise_power) - gamma_min_weak; ... % 弱用户SINR (p(2)*h_strong)/noise_power - gamma_min_strong ], ... % 强用户SINRSIC后 []); % ceq为空 options optimoptions(fmincon,Display,off,Algorithm,interior-point); [p_opt, ~] fmincon(fun, [0.05, 0.05], A, b, Aeq, beq, lb, ub, nonlcon, options); p_weak p_opt(1); p_strong p_opt(2); end参数调试经验初始点[0.05, 0.05]很重要。若设为[0,0]fmincon会卡在不可行域gamma_min_*必须用线性值如QPSK的7dB5.01否则约束失效若优化失败exitflag 0说明该配对在给定功率上限下无法满足QoS应标记为“无效配对”换其他组合。4.2 SIC建模MATLAB里如何模拟“逐层剥离”而不失真SIC不是理想过程。MATLAB中必须建模两个关键非理想因素残余干扰Residual Interference由于信道估计误差、定时偏移SIC无法100%消除强用户信号残留部分成为弱用户的干扰解码错误传播若弱用户解码错误SIC后强用户信号将叠加错误干扰导致强用户也误码。function [y_received, y_sic] simulate_SIC(x_weak, x_strong, h_weak, h_strong, ... p_weak, p_strong, noise_power, residual_factor, ber_weak) % 输入: x_weak/x_strong - QPSK调制符号±1±j % residual_factor - 残余干扰系数0.01~0.1典型值0.05 % ber_weak - 弱用户实际BER用于判断是否解码失败 % 输出: y_received - 接收信号含噪声 % y_sic - SIC后信号强用户可用信号 % 接收信号叠加噪声 y_received sqrt(p_weak)*h_weak*x_weak sqrt(p_strong)*h_strong*x_strong ... sqrt(noise_power) * (randn1j*randn); % 弱用户解码简化按BER概率随机翻转 if rand ber_weak x_weak_est -x_weak; % 解码错误 else x_weak_est x_weak; % 解码正确 end % SIC用估计值减去强用户分量但加入残余干扰 y_sic y_received - sqrt(p_weak)*h_weak*x_weak_est * (1 - residual_factor) ... - sqrt(p_weak)*h_weak*x_weak * residual_factor; % 注意第二项是正确减去的主分量第三项是残余干扰仍含真实x_weak end血泪经验residual_factor设为0.05时NOMA增益比理想SIC下降约15%这才是真实场景ber_weak不能用理论公式如qfunc(sqrt(2*snr))必须用前一步调制解调实测BER否则闭环断裂。4.3 BER闭环验证不画BER-SNR曲线你的配对就是空中楼阁最终验证必须落在BER上。以下函数封装完整闭环function [ber_weak_vec, ber_strong_vec, throughput] validate_noma_pairing(... h_gain, P_max, R_target, mod_order, noise_power, snr_db_vec) % 对每个SNR点执行配对→功率分配→发送→SIC→解码→统计BER ber_weak_vec zeros(size(snr_db_vec)); ber_strong_vec zeros(size(snr_db_vec)); throughput zeros(size(snr_db_vec)); for idx 1:length(snr_db_vec) snr_linear 10^(snr_db_vec(idx)/10); noise_power 1 / snr_linear; % 归一化功率设信号总功率为1 % 步骤1配对 [pairs, ~] greedy_pairing_by_gain(h_gain, P_max); % 步骤2逐对功率分配与传输 ber_weak_total 0; ber_strong_total 0; bits_total 0; for k 1:size(pairs,1) weak_id pairs(k,1); strong_id pairs(k,2); h_w h_gain(weak_id); h_s h_gain(strong_id); gamma_min_w get_sinr_min(R_target(weak_id), mod_order(weak_id)); gamma_min_s get_sinr_min(R_target(strong_id), mod_order(strong_id)); [p_w, p_s] power_allocation_for_pair(h_w, h_s, gamma_min_w, gamma_min_s, ... P_max(weak_id), P_max(strong_id), noise_power); % 步骤3生成符号、信道、SIC、解码此处调用4.2节函数 [ber_w, ber_s] simulate_noma_transmission(p_w, p_s, h_w, h_s, ... noise_power, 0.05, gamma_min_w, gamma_min_s); ber_weak_total ber_weak_total ber_w; ber_strong_total ber_strong_total ber_s; bits_total bits_total 2; % 每对2用户各1bitQPSK end ber_weak_vec(idx) ber_weak_total / bits_total; ber_strong_vec(idx) ber_strong_total / bits_total; throughput(idx) sum(log2(1 [ber_weak_vec(idx), ber_strong_vec(idx)])); % 简化吞吐量 end end验证技巧必须与OMA对比在同一snr_db_vec下跑一次OMA每个用户独占RB的BER画在同一图上。NOMA曲线应在中高SNR区明显低于OMA若NOMA BER始终高于OMA90%概率是配对策略或功率分配出错而非信道模型问题吞吐量计算中log2(1BER)是示意实际应为log2(1SINR)此处为简化展示闭环逻辑。5. 避坑指南NOMA用户配对在MATLAB中踩过的5个真实坑配对看似简单但在MATLAB实操中极易因细节疏忽导致结果失真。以下是我在三个5G项目中反复验证的5个高频坑每条都附现象、原因与解决动作。5.1 坑1信道增益用dB值排序导致配对完全颠倒现象配对后BER极高甚至弱用户BER0.5随机猜测水平SIC完全失效。原因h_gain_dB -80:-100负值直接sort(h_gain_dB)会把-100最弱排在最前误认为最强。MATLAB中负数排序逻辑与物理意义相反。解决强制转线性值再排序h_gain_lin 10.^(h_gain_dB/10); [~, idx] sort(h_gain_lin, descend);。永远不要在dB域做配对逻辑。5.2 坑2功率分配未考虑用户最大功率限制导致过载告警现象fmincon报错No feasible solution found或仿真中基站功率超限如输出功率46dBm。原因P_max设为标量如0.1时power_allocation_for_pair中未将其与用户索引对齐导致所有用户共用同一上限而实际中不同用户终端能力不同如手机vs CPE。解决P_max必须为向量长度N_user。若无差异化数据用P_max 0.1 * ones(1,N)初始化但保留接口供后续扩展。5.3 坑3SIC建模忽略残余干扰高估NOMA增益达30%现象NOMA在SNR15dB时BER1e-5OMA为1e-4增益看起来很好但实测硬件平台同条件下NOMA BER5e-4。原因理想SICresidual_factor0假设干扰100%消除但实际RF链路相位噪声、采样抖动会导致5~10%残余。解决residual_factor设为0.05~0.1并在论文/报告中明确标注该参数。这是连接仿真与实测的关键桥梁。5.4 坑4配对算法未处理奇数用户导致最后一个用户被静默丢弃现象N101用户时吞吐量统计值比N100时还低且pairs只有50行。原因贪心配对中unpaired用户未被计入吞吐量也未分配OMA资源相当于“消失”。解决在validate_noma_pairing中显式处理if ~isempty(unpaired), throughput_oma calc_oma_throughput(h_gain(unpaired)); end并将OMA吞吐量加入总和。5.5 坑5BER统计未按用户分组把强/弱用户BER混在一起平均现象画出的BER曲线平滑但数值异常如0.01看不出NOMA特有的“弱用户BER高、强用户BER低”的分层特征。原因mean([ber_weak_vec; ber_strong_vec])粗暴平均掩盖了用户级差异。NOMA的价值恰恰在于保障弱用户最低速率。解决必须分开绘制两条曲线plot(snr_db_vec, ber_weak_vec, -o); hold on; plot(snr_db_vec, ber_strong_vec, -x); legend(Weak user, Strong user)。这是审稿人第一眼要看的图。6. 进阶技巧用MATLAB的面向对象OOP重构配对模块支撑多算法快速切换与复现实验当你的项目从单次仿真走向多方案对比如贪心 vs SINR感知 vs 优化配对、多场景测试UMi/UMa/RMa、多标准演进5G-Advanced NOMA增强时脚本式编程会迅速失控。我过去三年在三个运营商合作项目中全部采用MATLAB OOP重构配对模块核心收益是一次编码十年复用算法切换只需改一行实验配置全在JSON里无需改代码。6.1 设计配对器基类定义统一接口与强制契约classdef UserPairingBase % UserPairingBase - NOMA用户配对算法基类 % 所有具体配对器必须继承并实现pairUsers方法 properties (Access protected) h_gain; % 信道增益向量 P_max; % 最大功率向量 config; % 配置结构体从JSON加载 end methods (Abstract) function [pairs, unpaired] pairUsers(obj) % 抽象方法所有子类必须实现 end end methods function obj UserPairingBase(h_gain, P_max, config_file) if nargin 0 obj.h_gain h_gain; obj.P_max P_max; if exist(config_file, file) obj.config loadjson(config_file); % 使用jsonlab工具箱 else error(Config file %s not found, config_file); end end end function saveResult(obj, pairs, filename) % 统一保存结果含时间戳与配置摘要 data struct(pairs, pairs, config, obj.config, timestamp, datetime); save(filename, -struct, data, -v7.3); end end end6.2 实现具体配对器以SINR感知为例代码量减少40%classdef SINRAwarePairing UserPairingBase % SINRAwarePairing - 基于SINR可行域的配对器 properties (Access private) R_target; mod_order; noise_power; end methods function obj SINRAwarePairing(h_gain, P_max, config_file) objUserPairingBase(h_gain, P_max, config_file); % 从config加载专属参数 obj.R_target obj.config.R_target; obj.mod_order obj.config.mod_order; obj.noise_power obj.config.noise_power; end function [pairs, unpaired] pairUsers(obj) % 复用3.2节逻辑但参数全从obj属性读取 % ...此处省略具体实现与3.2节一致 % 关键不再传参所有数据来自obj内部 end end end6.3 实验管理器一键跑通12种组合结果自动归档classdef ExperimentManager % ExperimentManager - 管理多算法、多场景、多参数实验 properties pairing_algorithms {GreedyPairing, SINRAwarePairing, OptimalPairing}; scenarios {UMi, UMa, RMa}; snr_range 0:2:30; end methods function runAllExperiments(obj, output_dir) mkdir(output_dir); for algo_name obj.pairing_algorithms for scene obj.scenarios % 加载该场景信道数据 h_gain load(sprintf(data/%s_hgain.mat, scene)).h_gain; P_max 0.1 * ones(size(h_gain)); % 实例化配对器 config_file sprintf(config/%s_%s.json, algo_name{1}, scene{1}); pairing_obj feval(algo_name{1}, h_gain, P_max, config_file); % 执行配对与验证 [ber_weak, ber_strong, thpt] validate_noma_pairing(... h_gain, P_max, ..., obj.snr_range); % 自动保存 result_file sprintf(%s/%s_%s_result.mat, output_dir, algo_name{1}, scene{1}); pairing_obj.saveResult([ber_weak; ber_strong], result_file); end end end end end我的真实工作流所有配置存JSONconfig/GreedyPairing_UMi.json里只写{alpha:0.75,min_gain_ratio:3}新增算法新建class文件继承UserPairingBase实现pairUsers跑实验mgr ExperimentManager(); mgr.runAllExperiments(results_2024Q3);复现别人结果load(results_2024Q3/GreedyPairing_UMi_result.mat); plot(data.snr, data.ber_weak);。这套OOP架构让我在最近一次3GPP RAN4会议材料准备中3天内完成了6种配对算法4种信道模型的全量对比所有图表可一键重绘。没有它光整理数据就得一周。希望帮到你。本文还有配套的精品资源点击获取

5G NOMA用户配对原理与MATLAB实现方法

相关推荐

基于SDN的园区网络检测系统：从RYU控制器到若依管理后台的完整落地

Cesium与SuperMap三维智慧城市落地实战：架构、对接与避坑指南

Python深度强化学习云工作流调度器实战

更多资讯

spooling假脱机输入输出模拟技术：Python实现打印队列与优先级调度

BIRT运行时4.8.0部署实战：从解压到验证的完整指南

CozyClay motion3编译器原理：浏览器内的FK/IK数学，150毫秒烤出730帧

10天两个补丁！Home Assistant 2026.10 升级翻车实录：新卡片好看，自动化先罢工了

只读MCP如何实时抓取任意网站？Inspo study()的SSRF防护完整指南

MATLAB生成与量化分析斑马图：图像伪影诊断实战

今日更新

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？