简介：面向通信工程与电子信息类学生的MIMO通信系统仿真教学文档，系统介绍MIMO这一应用于4G/5G与无线局域网的重要多天线技术，并结合MATLAB讲解仿真设计与性能分析流程。文档从数字通信系统概述、MIMO基本原理、空时块码与空间复用等核心技术入手，覆盖仿真流程图、主要模块、参数选择、程序结构设计、状态检验、误码性能测试及结果分析，适合毕设参考或课程学习。
资源包内含1个docx格式文档，大小约2.83MB，分九个章节组织，配有Alamouti编码方案、信道模型公式、最大似然译码推导等核心内容，并针对多径衰落、同步误差、信道估计等关键问题展开讨论。
目前已有167人学习，读者可借此掌握MIMO系统从理论建模到MATLAB编码实现的全链路方法，理解误码率评估思路，为后续深入研究多天线通信技术打下基础。
1. 为什么 MIMO 仿真先从 Alamouti 两发一收起步
在 MIMO 链路级仿真里，最容易让人误判的问题是「多天线带来增益，但增益到底来自分集还是复用」。文档里反复出现的一个结论是：两发一收的 Alamouti 空时块码，理论上可以获得与一发两收最大比合并（MRC）完全相同的分集增益，而代价只是发射端构造一个 2×2 正交编码矩阵，不需要接收端向发射端反馈信道状态信息。这一点听起来反直觉，却是理解 MIMO 最值得先复现的实验。这份基于 MATLAB 的 MIMO 通信系统仿真，把信源产生、卷积编码、QPSK/16QAM 调制、STBC 双天线发送、瑞利信道、单/多天线接收、维特比译码和误码率统计串成了完整链路，适合刚接触 MIMO 的通信方向学生用来建立「分集增益」的量化概念，也适合工程上需要快速验证 MIMO 检测算法的开发者作为基线代码。
2. MIMO 信道建模与链路级仿真流程设计
2.1 窄带平坦 Rayleigh 衰落假设是仿真的起点
链路级 MIMO 仿真通常先从最简情况入手：假设信道是窄带平坦瑞利衰落，每一对收发天线之间独立同分布，且在一个符号周期内信道不变。换句话讲，整个信道用一个 $N_r \times N_t$ 的复矩阵 $H$ 表示即可，不需要建抽头延时线和多径时延谱。文档里的仿真正是基于这个假设，接收信号统一写成：
$$y = Hx + n$$
其中 $x$ 是 $N_t \times 1$ 发送符号向量，$n$ 是复高斯白噪声向量。信道矩阵每个元素按 $h \sim \mathcal{CN}(0,1)$ 生成，用 MATLAB 实现时常见做法是：
nTx = 2; nRx = 2; H = (randn(nRx, nTx) + 1j*randn(nRx, nTx)) / sqrt(2); % 除以 sqrt(2) 使每根天线对之间的信道能量归一化为 1这里除以sqrt(2)的原因在于实部虚部分别用randn生成，叠加后能量是实部虚部之和，需要归一化，否则信道平均增益会随实部虚部数量变化，后续误码率对比会失真。另外，要注意文档中「MIMO 信道容量」「空间分集」「空间复用」这些概念均建立在这个平坦衰落模型之上，如果换成频率选择性信道，还需要在 $H$ 的基础上叠加 OFDM 子载波维度，但那是后话。
2.2 仿真主流程与模块划分
文档第三节给出了明确的仿真流程图，链路顺序是：
信源产生 → 信道编码（卷积码） → QPSK 调制 → STBC 双天线发送 → 高斯白噪声/瑞利信道 → 单/多天线接收 → 维特比译码 → 误码率统计。
这个顺序本身就是一个标准链路级仿真框架。值得注意的地方是：文档里「高斯白噪声信道」和「瑞利信道」是两种可切换的传输环境，前者用于验证编解码和调制解调逻辑是否正确，后者用于测真实的 MIMO 分集增益。我一般会先把系统跑通 AWGN 信道，确认无误码统计逻辑没有 bug，再切换到瑞利信道去测衰落下的性能，这样可以避免「模型错了但误码率曲线看起来还挺漂亮」的假象。
2.3 关键仿真参数与 SNR 换算
文档中给出了一组可直接复现的参数设置：
| 参数 | 取值 | 说明 |
|---|---|---|
| 数据包数 PACKET | 10 | 蒙特卡洛循环次数 |
| 每包长度（原始比特） | N/2 两组 | 每组N/2个 0/1 等概比特 |
| 总数据量 | 2560×4 | 文档中N=2560*4，即 10240 比特量级 |
| SNR 范围 | 0:2:30 dB | 以 2 dB 步进扫描 |
| 维特比回溯深度 tblen | 30 或 50 | 影响译码延迟与曲线平滑度 |
| 调制方式 | QPSK / 16QAM | 分别在链路中对比 |
| 天线配置 | 2×1、2×2 | 发送端均为 2 天线 |
SNR 换算这一步最容易出错。仿真里通常给出的是每比特信噪比 $E_b/N_0$，但噪声方差需要按符号能量 $E_s/N_0$ 计算。QPSK 每符号携带 2 比特，16QAM 携带 4 比特，所以：
EsN0dB = EbN0dB + 10*log10(bitsPerSym); % 每符号信噪比 nVar = 10^(-EsN0dB/10); % 噪声方差如果仿真链路里还串联了卷积码，码率 $R=1/2$ 时还需要再减去10*log10(1/2)，因为信道编码把信息比特变成了更多的符号。文档里没有显式写出这个换算公式，但在实际跑数时，这往往是各个配置下误码率曲线错位几个 dB 的主要原因。
3. Alamouti 空时块码：从编码矩阵到接收端 ML 译码
3.1 为什么编码矩阵必须是正交的
Alamouti 方案的核心是把两个连续符号周期看作一个编码块，发射天线 1 在时刻 1 和时刻 2 分别发送 $x_1$ 和 $-x_2^$，发射天线 2 分别发送 $x_2$ 和 $x_1^$。写成矩阵形式：
$$X = \begin{bmatrix} x_1 & -x_2^* \ x_2 & x_1^* \end{bmatrix}$$
其中矩阵的行对应发射天线，列对应时间间隔。这个矩阵满足
$$X^H X = \left(|x_1|^2 + |x_2|^2\right) I$$
也就是说，两根天线在两个时间间隔内的发送序列是彼此正交的。这个性质带来的直接好处是：最大似然（ML）检测不需要遍历所有符号对，而是可以拆分成两个独立的符号判决，计算复杂度从 $O(|S|^2)$ 降为 $O(2|S|)$。文档里说「为了满足各根天线上发送数据的正交，编码矩阵需要满足上述条件」，指的正是这一点。正交性一旦破坏，接收端的线性合并会引入符号间干扰，误码率平台就会抬起来。
3.2 2×1 接收：等效信道与匹配滤波
考虑 2 发 1 收，信道系数为 $h_1, h_2$。两个时间间隔的接收信号为：
$$r_1 = h_1 x_1 + h_2 x_2 + n_1$$
$$r_2 = -h_1 x_2^* + h_2 x_1^* + n_2$$
对第二式取共轭，可以把接收信号改写成矩阵形式：
$$\begin{bmatrix} r_1 \ r_2^* \end{bmatrix} = \begin{bmatrix} h_1 & h_2 \ h_2^* & -h_1^* \end{bmatrix} \begin{bmatrix} x_1 \ x_2 \end{bmatrix} + \begin{bmatrix} n_1 \ n_2^* \end{bmatrix}$$
由于等效信道矩阵是正交矩阵，接收端只需要做匹配滤波：
% H 为 1x2 信道矩阵：[h1, h2] Heff = [H(1) H(2); conj(H(2)) -conj(H(1))]; r = [r1; conj(r2)]; % r1, r2 为两个符号周期的接收信号 shat = Heff' * r; % 匹配滤波，shat 中每一项只含对应符号和噪声Heff'是共轭转置，因为等效信道矩阵满足 $\text{Heff}^H \text{Heff} = (|h_1|^2 + |h_2|^2) I$，所以shat的第一个分量只与 $x_1$ 有关，第二个分量只与 $x_2$ 有关。之后对shat的每个分量独立做星座点最近距离判决即可，这就是文档中「采用最优极大似然译码可得」的具体实现路径。这里不需要 ZF 求逆，也不需要 MMSE 加权，因为 Alamouti 的正交设计让线性匹配滤波本身就是最优的。
3.3 扩展到 2×2 与多接收天线合并
当接收天线数增加到 2 根时，发送端编码方案完全不变，每根接收天线独立做上述操作，然后把各接收天线上的判决度量线性合并。文档中给出的多接收天线判决式正是这一过程的数学表达。具体到 MATLAB 实现：
shat = zeros(2, 1); for j = 1:nRx Hj = H(j, :); % 第 j 根接收天线的信道 Heff = [Hj(1) Hj(2); conj(Hj(2)) -conj(Hj(1))]; rj = [r(j, 1); conj(r(j, 2))]; % 该天线两个时刻的接收信号 shat = shat + Heff' * rj; % 多天线判决度量线性累加 end % 最后对 shat 按星座图做最近距离判决累加的过程本质上等价于把多根接收天线的信噪比进行合并，所以 2×2 配置的分集阶数是 4（2 发 × 2 收），误码率曲线的下降斜率也随之变陡。文档里区分了「空间分集」和「空间复用」：Alamouti 属于前者，目标是压低误码率；BLAST/ZF/MMSE 属于后者，目标是在相同频带内并行传输多路数据流。两者是 MIMO 增益的两个方向，不能混为一谈。
3.4 什么时候该换用 ZF 与 MMSE
如果链路从空时块码换成贝尔实验室的 BLAST 分层空时码，发送端每根天线发送独立数据流，接收端就需要做空时译码，常见做法是先做信道估计，再用 ZF 或 MMSE 做线性检测，最后做干扰抵消。与 Alamouti 相比，空间复用能提高吞吐量，但付出的代价是检测复杂度上升、分集增益下降。文档里同时提了 BLAST、ZF、MMSE、ML 四种算法，实际使用时可以参考下面的选型逻辑：
| 场景 | 推荐方案 | 原因 |
|---|---|---|
| 追求低误码率，天线数少 | Alamouti STBC | 正交编码，ML 退化为线性检测 |
| 追求高峰值速率，对称天线配置 | VBLAST + ZF/MMSE | 支持多路并行数据流 |
| 性能上界参考 | 暴力 ML | 遍历全部符号向量，复杂度随天线数指数增长 |
| 天线数较多、信道相关性强 | MMSE 加干扰消除 | ZF 会放大噪声，MMSE 在低 SNR 更稳 |
信号处理层面，ZF 是 $W_{\text{ZF}} = H^+$，直接消除干扰但可能放大噪声；MMSE 是 $W_{\text{MMSE}} = (H^H H + \sigma^2 I)^{-1} H^H$，在干扰消除和噪声抑制之间做权衡。仿真里可以对比这两条误码率曲线，观察在低 SNR 区 MMSE 相对 ZF 的优势，这也是文档里「重点研究的问题」可以延伸的方向。
4. 卷积码、QPSK/16QAM 与维特比译码的误码率实现
4.1 信源与卷积编码
文档的信源产生非常简单，每次生成两组长度N/2的随机等概 0/1 序列：
S1 = randi([0, 1], 1, N/2); S2 = randi([0, 1], 1, N/2); S = [S1, S2]; % 两组数据拼接后统一编码randi([0,1], 1, N/2)生成 1 行N/2列且取值等概独立的数据。这里需要注意控制随机数种子，否则每次运行结果不同，曲线上的毛刺来源就说不清楚。文档中信道编码采用的是卷积码，提到 3GPP TS25.212 4.2.3.1，但没有给出具体生成多项式。通用做法是先用 MATLAB 自带的poly2trellis构造网格结构：
trellis = poly2trellis(7, [171 133]); % 约束长度 7，码率 1/2，生成多项式八进制 171 和 133 codeData = convenc(S, trellis); % 卷积编码如果链路后级接的是 QPSK，每个符号 2 比特，那么编码后的总比特数要能被 2 整除；接 16QAM 时每个符号 4 比特，要求编码后比特数是 4 的倍数。程序里经常在编码后做一次补零对齐，这是个小细节，但对reshape成符号很重要。
4.2 QPSK 与 16QAM 的星座映射与归一化
文档里的一句话值得注意：「16QAM 星座图数据（格雷码顺序排列）经过 QPSK 后生成每路信号 7680 个数据，经过 16QAM 后生成每路信号 3840 个数据」。这其实是在描述数据流的维度变化：15360 个编码比特，QPSK 每符号 2 比特，所以变成 7680 个符号；16QAM 每符号 4 比特，所以变成 3840 个符号。实现时可以先定义归一化星座：
% QPSK 格雷码映射，能量归一化到 1 qpskMap = [ 1+1j, -1+1j, 1-1j, -1-1j ] / sqrt(2); % 16QAM 格雷码映射，能量归一化到 1 qam16Map = [-3-3j, -3-1j, -3+3j, -3+1j, ... -1-3j, -1-1j, -1+3j, -1+1j, ... 3-3j, 3-1j, 3+3j, 3+1j, ... 1-3j, 1-1j, 1+3j, 1+1j] / sqrt(10);除以sqrt(2)和sqrt(10)是为了让星座图的平均符号能量为 1。这一步不做好，SNR 换算会整体偏移，误码率曲线与理论值之间会出现固定 gap。调制映射时把每log2(M)个比特按二进制查表映射成星座点序号即可。
4.3 STBC 发送、信道与维特比译码
编码后的符号按 2 个一组送入 Alamouti 编码器，产生两个时刻的发送矩阵。经过信道叠加噪声后，按第 3 章的多天线合并方式得到符号估计，再解映射回比特软/硬信息。维特比译码使用硬判决时：
codeRate = 1/2; nVar = 10^(-(EbN0dB - 10*log10(bitsPerSym) - 10*log10(codeRate)) / 10); % 信道加噪：每根接收天线的噪声方差均为 nVar noise = sqrt(nVar/2) * (randn(nRx, 2) + 1j*randn(nRx, 2)); r = H * X + noise; % X 为 2x2 的 Alamouti 编码块 % 经过匹配滤波和星座判决后得到包含比特信息的软值 seq dataDec = vitdec(seq, trellis, tblen, 'cont', 'hard');tblen是维特比译码器的回溯深度，文档里对比了tblen=30和tblen=50的效果，结论是记忆深度增大后编码曲线更平滑。这是因为回溯深度越大，译码器越接近理论上的最大似然序列估计，但付出的代价是译码延迟增大。另外要注意'cont'模式要求译码器的输入是连续数据流，如果按包处理，每个包结束时需要处理状态收敛。
4.4 误码率统计与冗余校验的耗时代价
误码率统计用biterr比较恢复序列和原始发送序列中不一致的比特数，再除以总比特数即可。文档里专门讨论了冗余校验的性能代价：仿真中开启冗余校验后，运行时间约是不加校验的 17 倍，作者据此认为在低误码率场景下冗余校验带来的收益有限。这里「冗余校验」指的是在链路里额外增加校验位来提升检错能力，但 MATLAB 仿真的计算瓶颈在蒙特卡洛循环次数，每包数据量增大后，校验位的重复计算会显著拉长仿真时长。实际验证误码率时，我更倾向于先不加冗余，把链路跑通，确认编码和译码逻辑没有 bit 错位问题，再按需加入校验做对比。
| 配置 | 单次运行耗时 | 误码率曲线表现 |
|---|---|---|
| packet=10，tblen=30 | 快，约 10 秒量级 | 高 SNR 区毛刺明显 |
| packet=50，tblen=50 | 慢，约数分钟 | 曲线平滑，统计波动小 |
| 开启冗余校验 | 约为无校验 17 倍 | 低 SNR 区改善有限 |
仿真耗时与蒙特卡洛循环次数成正比。在 30 dB 时误码率可能低到 $10^{-5}$ 以下，需要足够多的比特数才能统计到误差事件；文档中 packet=10 时总数据量约 98400 个比特，对于误码率 $10^{-4}$ 量级的统计来说样本量偏紧，这也是为什么高 SNR 区曲线会出现波动。
5. 误码率曲线的校准与蒙特卡洛参数验证技巧
5.1 用理论曲线校准仿真是否正确
仿真链路能不能信，先过一关：用 2 发 1 收 Alamouti 配 QPSK 在 Rayleigh 信道下的误码率仿真曲线，对比理论上的 $P_e \approx \frac{1}{2}\left(1-\sqrt{\frac{\bar{\gamma}}{1+\bar{\gamma}}}\right)$ 这类二重分集参考曲线，或者直接对比 1 发 2 收 MRC 的仿真曲线。如果两者不重合，问题通常出在信道能量归一化、SNR 换算或噪声方差赋值三处。先用nVar = 1固定噪声、发射单位符号能量，手工算一遍某个 SNR 点的等效信道增益，能快速定位是哪个环节偏了。
5.2 蒙特卡洛包数与统计稳定性
误码率统计的本质是估计小概率事件的概率，事件越稀有，需要样本越多。我在实践中的经验值是：目标误码率是 $10^{-k}$，至少需要统计到 100 个左右的错误比特，才能让误码率相对波动小于 10%。文档中 packet=10 时高 SNR 段曲线毛刺多，就是因为错误比特数太少。可以把 SNR 分成两段处理：低于 14 dB 用 packet=10 快速看趋势，高于 14 dB 再把 packet 提升到 50 以上。这样做比全程跑大包省时间，曲线也不会出现大台阶。
5.3 用随机种子保证可复现
MATLAB 仿真最容易被质疑的一点是结果不可复现。每轮循环前用rng(snrIndex)固定随机数种子，能让同一个 SNR 点的信道实现和噪声完全可重复，调试时改一处代码能直接对比前后差异。保存误码率结果时顺手把 SNR 向量、packet、tblen 存成结构体再加盖时间戳，这样后期回看曲线时能知道到底用的哪组参数。这个习惯在对比 2×1 与 2×2 配置时尤其有用，能避免把信道随机性带来的差异误判成算法改进。
本文还有配套的精品资源，点击获取
