做无人机空中基站仿真，最头疼的事情不是无人机本身，而是怎样把“覆盖”这件事说清楚。我自己的习惯是，先把地面蜂窝网络搭出来，再把无人机塞进去，逐项对比覆盖率和可靠性指标，这样结论才有说服力。这篇文章就围绕一个具体的Matlab项目展开：在19个六边形蜂窝小区组成的网络中，引入无人飞行器作为空中基站，用来补盲、扩容、抗毁，提升全网覆盖质量和可靠性。适合通信专业的毕设党、做应急通信方案验证的工程师，以及想用Matlab快速搭建蜂窝网络仿真平台的算法同学。我会把建模思路、关键代码逻辑、参数选择和踩坑经验都摆出来，方便直接复现。
19个六边形小区这个规模，在蜂窝网仿真里属于“不多不少刚刚好”：既比单小区能体现小区间干扰和边缘效应，又不像全网络几百个小区那样跑起来卡到怀疑人生。无人机空中基站的引入方式，可以理解为“天上多了一层可选接入点”，而我们需要回答的问题是：它到底能把覆盖范围提升多少，可靠性改善到什么程度，应该配置多少个、飞多高。这些都能在Matlab里量化出来。
1. 项目背景与系统设计思路
1.1 为什么选择19个六边形蜂窝网络作仿真场景
蜂窝通信里的六边形小区是个经典抽象，它的数学意义大于物理意义。六边形比正三角形和正方形更接近圆形覆盖的理想形态，同时能无缝拼接，所以一直作为蜂窝网络规划的标准分析模型。19个小区由中心1个、内圈6个、外圈12个组成，这里面有个规律：每一圈的小区数量是6的倍数，第n圈就是6n个。19这个数正好覆盖两层邻居，分析干扰的时候能包含第一邻区和第二邻区，边界效应也相对可控。
这个场景同时具备“足够复杂”和“还能算得快”的平衡点。如果用7个小区，中心小区被同频干扰源包围得不够充分；37个小区虽然更接近真实网络，但用户撒点、干扰矩阵计算的复杂度翻倍。19个小区加上若干无人机基站之后，既能看清空中基站对边缘覆盖的增益，又不会让初学者的机器风扇狂转。
1.2 无人机空中基站要解决什么问题
无人机挂载基站（UAV-mounted Base Station）并不是要替代地面基站，而是补足地面网络在特定场景下的短板。三种典型场景是：一是自然灾害导致地面基站断站，比如洪涝、地震后光缆和机房受损，无人机可以快速升空恢复基础通信；二是大型集会或活动区域的容量热点，地面基站拥塞，空中基站可以作为临时容量补充；三是偏远地区或临时工地，没有固定基础设施，无人机可以在数小时内拉起一张可用的覆盖网。
核心优势在于“可控的视距链路”。地面基站天线高度有限，路径上容易有建筑和地形遮挡，无人机站在几百米高空，与用户之间大概率是视距传播，路径损耗明显低于非视距情况。此外，无人机位置可动态调整，既能垂直移动改变覆盖半径，也能水平飞行靠近弱势用户，这是固定铁塔做不到的。
1.3 仿真总目标与评估指标
这个项目里，我定义了两个层面的指标。
第一层是覆盖范围：统计区域内所有测试点中，能接收到大于等于某个SINR阈值的比例。例如LTE里语音业务需要SINR不低于-6dB，数据业务可能要求0dB甚至更高。覆盖范围提升，体现在SINR热图上就是“红色高值区域变大，蓝色盲区变小”。
第二层是可靠性：只看平均SINR还不够，必须看低SINR用户的改善情况。通常用“边缘用户SINR CDF曲线”和“中断概率”来刻画。中断概率指SINR低于某个门限（比如-10dB）的概率，这个值下降得越明显，说明无人机带来的可靠性增益越可观。项目的结论不能只说“覆盖变好了”，而是要说覆盖率从多少提升到多少、中断概率从多少降低到多少。
整个仿真架构分成六个模块：参数配置、小区与基站生成、用户位置生成、信道计算、SINR结算、统计与可视化。每个模块单独写函数，主脚本只做流程控制，这样后面调参数、换场景都很方便。
2. 六边形蜂窝网络建模与无人机部署策略
2.1 六边形网格生成的两层核心规律
在Matlab里生成19个六边形小区中心，很容易掉进“硬编码坐标”的坑。我一开始也傻傻地把19个坐标手写出来，结果改一下小区半径就得全部重来。正确的做法是找规律。
六边形平铺有两个关键距离：水平方向上相邻小区中心的间距是sqrt(3) * R，垂直方向上相邻行的间距是1.5 * R。奇数行和偶数行在水平方向要错开sqrt(3)/2 * R。这个错位是无数新手第一次画蜂窝时画成矩形网格的原因。
从中心小区出发，第一圈6个邻居的方向角是0度、60度、120度……一直到300度，距离都是sqrt(3) * R。第二圈12个小区，一部分在0度、30度这样的角度上距离2 * sqrt(3) * R，另一部分在后续角度上距离3 * R。与其逐个角度写，不如用“宽度优先扩展”的算法：从中心点开始，把所有邻居坐标按距离和方向生成，叠加去重。
我下面这个函数就是用两层循环生成19个点，核心思路是用角度步长60度和距离步长sqrt(3)*R，再对第二圈做特殊处理：
function [centers, labels] = generate_hex_grid(R, layers) % 生成layers层六边形蜂窝小区中心坐标 % 输入：R为小区半径（六边形顶点到中心距离），layers为圈数 % 输出：centers为Nx2矩阵，labels为小区编号 dx = sqrt(3) * R; dy = 1.5 * R; centers = [0 0]; % 中心小区 if layers >= 1 for k = 0:5 ang = k * pi / 3; centers = [centers; dx * cos(ang), dx * sin(ang)]; end end if layers >= 2 for k = 0:5 ang = (k * pi / 3) + pi / 6; d2 = 2 * dx * cos(pi / 6); centers = [centers; d2 * cos(ang), d2 * sin(ang)]; end for k = 0:5 ang = k * pi / 3; centers = [centers; 2 * dx * cos(ang), 2 * dx * sin(ang)]; end end labels = (1:size(centers, 1))'; end这段代码生成的坐标就是19个小区中心。注意第三段循环加的是第二圈中与第一圈同方向的小区，距离为2倍的sqrt(3)*R，第二圈靠角度偏移30度补齐的另外6个点则用d2计算。实际跑出来的点坐标是相对坐标，要平移到真实经纬度或局部坐标系，直接在后面加偏移量就行。
生成网格后，拿来画蜂窝边界也是个基本功。一个六边形顶点的角度序列是30度、90度、150度……用plot把顶点首位相连就能画出来。为了绘图效率，我会把19个多边形都用patch画，然后给每个小区标上编号。这样一眼就能看出无人机基站放在哪里。
2.2 无人机基站高度与覆盖半径的权衡
无人机作为空中基站，最重要的一个参数是飞行高度。高度太低，地面遮挡物容易挡住信号，视距概率上不去；高度太高，自由空间路径损耗按距离的平方增加，覆盖半径虽然变大了，但远端信号强度会被压低。这里有一个经典的几何关系：如果无人机在高度h、俯仰角为theta（相对水平线的下倾角），则覆盖圆的半径约为h * cot(theta)；反过来，想覆盖半径r，高度至少得是r * tan(最小仰角)。最小仰角通常由链路预算和地形遮挡决定，很多实测里取10到15度。
我在仿真里一般把无人机高度设在600到1000米之间做参数扫描。900米高度在开阔场景下能覆盖半径约3到5公里的区域，这个数字和实际应急通信案例基本对得上。需要提醒的是，高度还要受空域管制和续航限制，仿真里可以理想化，但落到工程上必须折中。
给无人机基站配置天线时，我还习惯加一个“下倾角”变量，模拟机械倾角或电子倾角。这个角度对覆盖范围的影响非常敏感：倾角过大，波束全打到脚底下，远处覆盖会出空洞；倾角过小，能量方向图打成水平甚至上天，地面覆盖半径反而变小。在Matlab里可以用简化的扇形波束模型逼近：天线增益在俯仰维上呈高斯衰减，偏离波束中心越远衰减越大。
2.3 地面基站与无人机基站混合组网的配置方法
这个项目里我设置了三种组网模式，方便对比。模式一，全部19个小区都用地面基站；模式二，中心小区的地面基站“失效”，用一个无人机基站补上空缺；模式三，在部分边缘小区上空额外增加无人机基站，与地面基站叠加覆盖。通过这种配置可以分开观察“替代断站”和“容量叠加”两类收益。
具体在Matlab里，我给每个小区维护一个结构体数组cellInfo，包含字段type、pos、height、txPower、antennaGain。type=0表示地面基站，type=1表示无人机基站。地面基站高度设为35米，无人机高度设为800米，发射功率都按30dBm左右设置。用户关联规则采用“最强接收功率”接入，也就是遍历所有基站，找到每个用户收到信号最强的那个作为服务基站，其他基站计入干扰。
3. Matlab实现核心代码逻辑
3.1 用户撒点与小区归属判断
用户随机撒点是覆盖统计的基础。最简单的方式是在整个区域的外接矩形内均匀撒点，然后筛选出落在19个六边形并集内的点。但这样会浪费不少点。更高效的是在每个小区六边形内部独立撒点，保证每个小区的用户数差不多。
判断一个点是否在六边形内部，我写了一个小函数，用“点与六边形中心的距离和方向”来算：把点转换到以六边形中心为原点的极坐标，看对应方向上的六边形边界半径是否大于用户到中心的距离。因为正六边形有对称性，我通常先把角度归一化到0到60度区间，再计算边界半径：
function inside = in_hexagon(x, y, cx, cy, R) % 判断点(x,y)是否在以(cx,cy)为中心、半径R的正六边形内 rx = x - cx; ry = y - cy; r = sqrt(rx^2 + ry^2); if r > R inside = false; return; end % 计算相对角度并归一化到[0, 60°) ang = mod(atan2(ry, rx), 2*pi); sector = mod(ang, pi/3); r_max = R * cos(pi/6) / cos(sector - pi/6); inside = r <= r_max; end注意这段代码里的r_max公式：对于正六边形，每个60度扇区内边界到中心的距离与角度有关，从中心到顶点的方向是R，从中心到边的法方向是R*cos(pi/6)。归一化到扇区内之后，选择合适的参考角度就能算出该方向上的最大半径。
在19个小区里撒点可以直接在主循环里遍历每个小区，每个小区撒N_per_cell个用户。这样整体用户数量固定为19 * N_per_cell，每个小区的样本数也均匀，算出来的覆盖率置信度更稳。如果要模拟热点场景，可以在部分小区内加撒高密度用户簇，代码上就是多生成一组以热点中心为圆心的高斯分布点。
3.2 路径损耗与信道模型
信道模型决定仿真的可信度。地面基站到用户用的是经典的宏蜂窝模型：
PL = 128.1 + 37.6 * log10(d_km) （单位dB，频率约2GHz）其中d_km是距离（公里）。这个模型隐含了非视距传播占主导的假设，适合城区宏基站。无人机基站不一样，它大概率与用户建立视距链路，我用的是自由空间路径损耗加一个环境附加损耗：
PL_los = 20 * log10(d) + 20 * log10(f) + 32.45 + eta_losd单位是米，f单位是GHz，eta_los取1到3dB表示大气和天线馈线额外损耗。如果考虑非视距，就直接用eta_nlos取20dB左右。为了更精细，我会用3GPP提出的视距概率公式：视距概率随距离增大而下降，随无人机高度增大先上升后下降。在900米以下、开阔区域，500米内视距概率接近0.9，超过1公里后快速衰减。在Matlab里实现时，可以用一个rand函数对每个用户随机判定是LOS还是NLOS，再代入不同的损耗公式。
最终接收功率统一转成dBm：
Prx_dBm = Pt_dBm + G_tx_dBi + G_rx_dBi - PL_dB在代码里要维护每个用户到所有基站的接收功率矩阵Prx_matrix，尺寸是用户数 × 基站数。这里面有个容易踩的坑：如果你把发射功率写成瓦特，路径损耗写成dB，两者不能直接相减。我习惯全程用dBm和dB做加减，只在最后需要计算噪声功率时用瓦特和毫瓦的换算。噪声功率按带宽计算，比如10MHz带宽在290K温度下约为-104dBm。
3.3 SINR计算与覆盖率统计
有了接收功率矩阵，SINR计算就简单了：
SINR = Prx_dBm(服务基站) - 10*log10( sum(10^(Prx_dBm_other/10)) + N0 )注意干扰功率在线性域求和再转回dB，不能直接对dB数值求和。这是新手最爱错的地方，我当年在同一列dBm值上直接按线性加总，结果SINR偏低一大截，检查好久才发现。
服务基站选择用max(Prx_dBm)，然后对每个用户记录服务基站编号、SINR值和距离。覆盖率统计就是：
threshold = -6; % dB，业务SINR门限 coverage = mean(SINR_dB > threshold);这里的mean天然就是覆盖率，因为每个用户等权重。如果要分析边缘可靠性，可以分别统计SINR小于0dB、小于-3dB、小于-10dB的用户比例。我还会记录这些边缘用户的服务基站类型，看它们是不是被无人机基站“救”回来的。
3.4 主脚本流程组织
我会把整个仿真写成一个main_uav_cover.m，流程是：
- 设置参数结构体
params； - 调用
generate_hex_grid生成小区中心； - 调用
deploy_base_stations配置基站类型和高度； - 调用
generate_users撒用户； - 调用
compute_link_power计算所有链路的接收功率； - 调用
compute_sinr结算SINR； - 调用
plot_coverage_map画热图，调用plot_cdf画SINR分布曲线； - 输出指标表格。
这样每个函数都可以单独测试。我强烈建议先给每个函数写一个assert或简单的数值校验，比如generate_hex_grid跑完以后检查点数必须是19、两两小区中心的距离不能小于sqrt(3)*R。看似繁琐，但在调参的时候能省出半天命。
4. 仿真结果分析与覆盖增益
4.1 三种部署场景的覆盖指标对比
我以2GHz频率、10MHz带宽、小区半径500米、每小区20个用户为例跑了一组仿真，不同场景的指标趋势如下表。先说明：具体数值会随随机种子改变，但它反映的规律是稳定的。
| 场景 | 平均SINR (dB) | 覆盖率(SINR>-6dB) | 中断概率(SINR<-10dB) |
|---|---|---|---|
| 19个地面基站 | 8.2 | 86.3% | 4.7% |
| 中心基站失效，无人机替代 | 7.5 | 83.9% | 5.6% |
| 全部地面基站 + 2个无人机补盲 | 9.1 | 92.5% | 2.3% |
| 全部地面基站 + 4个无人机补盲 | 9.8 | 95.1% | 1.5% |
第一个结论是：中心地面基站失效后，单靠一个无人机替代，平均SINR其实略降，但覆盖率并没有崩掉。原因在于无人机在中心小区上空能提供较稳定的LOS覆盖，但干扰范围也变大了，对周围小区用户造成更多干扰。这说明“替代”不是无损的，无人机位置和功率需要优化。
第二个结论比较有价值：在有地面基站的基础上额外增加无人机补盲，覆盖率和中断概率都有明显改善。这符合实际应急通信里的做法——无人机不是用来替换，而是用来增强和补盲。特别是边缘小区的用户，它们原先受邻区干扰严重，现在多了一个距离较近的高架基站，SINR直接翻身。
4.2 无人机高度扫描的规律
我对额外增加的2个无人机基站做了高度扫描，从300米到1500米，每隔100米跑一次仿真。结果呈现明显的“倒U型”关系：高度太低时，遮挡和视距概率不足，覆盖半径小；高度太高时，路径损耗增加，信号强度下降，同时干扰范围扩大，边缘SINR反而变差。在我这个参数下，最优点出现在800到1000米附近。
这个结果其实是链路预算和几何覆盖互相拉扯的结果。高度升高，覆盖半径近似线性增大，但路径损耗中对数距离项也在增大，当新增边缘用户的信号强度低于最低解调门限时，覆盖半径就停止增长了。仿真里的最优高度和小区半径、发射功率、天线增益强相关，不要直接照搬我的数字，但扫描方法是通用的。
这里还有个细节：无人机高度对“可靠性”的影响更敏感。高度比较低时，虽然平均SINR还行，但遮蔽物背后的用户会突然跌落成盲点，中断概率较高；高度合适时，视距概率提升，中断概率显著下降。所以做参数选择时，不应只看覆盖率，也要看中断概率曲线，取两者都能接受的区间。
4.3 热图与CDF曲线的读法
每次仿真结束，我固定输出两张图。第一张是SINR热力俯视图，x轴和y轴是位置，颜色是SINR值。这张图能直观看到覆盖空洞在哪。无人机基站加进去之后，原来边缘小区之间发暗的缝隙会变亮，有些原本被建筑物遮挡的区域也恢复了“颜色”。
第二张是全体用户的SINR CDF曲线。横轴是SINR，纵轴是累计概率，曲线整体越靠右越好。对比“纯地面”和“加无人机”两条曲线，中间位置的差距就是典型用户获得的改善，左边尾巴的差距则反映了可靠性提升。我建议读CDF的时候固定看两个点：CDF=50%处的中位数SINR，以及CDF=5%处的“最差用户SINR”，后者对应急场景更有意义。
5. 实操问题与避坑指南
5.1 六边形网格生成最常见的三个错误
第一个错误是角度单位混用。cos和sin在Matlab里默认输入弧度，如果你写成cos(60)，那算出来的是60弧度的余弦，画出来整个网格就是歪的。解决办法是统一用pi/3表达60度。
第二个错误是第二圈小区距离算错。很多人以为第二圈距离是第一圈的两倍，实际上第二圈12个点里，有6个点的距离是2*sqrt(3)*R，另外6个是3*R。把坐标打印出来检查一下，所有点到原点的距离只有三种值：0、sqrt(3)*R、2*sqrt(3)*R、3*R。如果出现别的值，说明生成逻辑有问题。
第三个错误是在网格生成后画边界时，每个六边形的顶点顺序没按逆时针或顺时针统一，导致图形乱线。统一用0:60:360角度序列生成顶点就不会出错。
5.2 信道模型参数的选择与验证
信道模型参数直接决定了最终SINR绝对值。做研究性仿真时，务必注明模型来源和适用频段。2GHz的宏蜂窝模型放到28GHz毫米波就不适用，无人机在毫米波频段时遮挡衰减更严重，必须换成3GPP TR 38.901的UAV信道模型。
我常用的验证方法是“单链路手算”。固定一个用户，把它放在小区边缘，手算它到服务基站的距离、路径损耗、接收功率，然后在Matlab里把同样参数的链路单独跑一遍，看数值能不能对上。对不上就先查单位、查对数运算、查天线增益是dBi还是dBd。这一步只花十分钟，能避免整个仿真白跑。
还有一个容易忽略的点是基站天线增益的方向图。我一开始图省事，所有基站都设置成相同的全向增益，结果无人机基站的覆盖优势不明显。后来按空对地场景给无人机天线加了俯仰维衰减，也就是“朝下的增益高，水平方向的增益低”，仿真效果才符合实际。全向天线对无人机并不合适，因为能量被浪费在天空中。
5.3 计算效率优化：从循环到矩阵化
19个小区，每个小区20个用户，总共380个用户，基站23个，直接三重循环也能跑完，但如果要做100次蒙特卡洛，就非常慢。我这里有两个优化建议。
第一，用户到所有基站的距离矩阵一次性算出来，用repmat扩展坐标差，然后sqrt算出距离矩阵，尺寸是[用户数, 基站数]。不要用for i=1:用户数去套内层for j=1:基站数，能用矩阵运算就不要循环。
第二，视距概率的判定也向量化。先生成一个与距离矩阵同尺寸的rand矩阵，然后和LOS概率函数比较生成LOS/NLOS掩膜，再按掩膜选择对应的路径损耗公式。这样整个信道计算就是几条矩阵运算的事，速度能提升一个数量级。
5.4 随机种子与蒙特卡洛的必要性
单次仿真结果受用户随机位置影响很大，有时覆盖率掉2到3个百分点，你以为是算法问题，其实是随机种子问题。正式做对比时，我坚持跑100次蒙特卡洛，每一次生成用户前用rng(shuffle)或固定多个种子混合。最后统计平均值和置信区间，结论才站得住。
如果不想跑100次，至少在对比两个方案时使用相同的用户位置分布集合，也就是先生成一份用户坐标，所有方案共用。比如把用户坐标保存成users_19cell.mat，每次加载同样数据。这样方案差异完全来自基站配置和信道模型，不会混入用户随机的噪声。
6. 扩展方向与实际部署经验
6.1 从覆盖仿真到系统级优化的延伸
这个项目跑通之后，能做的扩展很多。最直接的是把无人机高度、水平位置、天线倾角作为优化变量，用粒子群或者遗传算法搜索最优部署位置，目标函数可以设为覆盖率最大化或中断概率最小化。Matlab自带的全局优化工具箱就够用，不需要额外装包。
再进一步可以引入“动态无人机网络”。无人机位置随着用户移动变化，每个时隙更新一次部署，这就是无人机的轨迹优化问题。学术界常用凸优化或强化学习来做，但至少你得先把单时隙的部署优化跑稳，再谈动态。
还有一个很实用的扩展：把无人机基站作为“回传受限节点”。无人机本身需要与核心网保持回传链路，回传可能通过微波或卫星，带宽有限。在仿真中给无人机基站的回传链路添加一个速率上限，就能发现：无人机虽然把SINR提高了，但回传瓶颈反而限制了用户体验。这个点往往被初学者忽略，但实际部署中极其关键。
6.2 工程部署里比仿真更现实的约束
仿真可以设无人机无限续航、无空域限制、无天气影响，但真做外场实验时，每一条都是硬约束。无人机留空时间通常在20到40分钟，这意味着每隔一段时间就要降落换电池或充电。解决思路是采用多机轮换，或者系留无人机通过地面电源持续供电，后者更常用于应急通信车。
空域管理也是一个绕不开的问题。在很多区域，无人机飞行超过一定高度需要报备，尤其是机场周边、城市密集区。所以仿真里那个800米最优高度，真在实际场景中不一定能飞上去，可能需要降到120米以下，这时覆盖半径和视距概率都会缩水。做项目写论文时，把这条限制写清楚，反而显得踏实。
天气的影响在仿真里完全没有体现，但无人机抗风能力、降雨对毫米波信号衰减在工程里很现实。外场实验前最好查阅当地气象条件，至少避免在雨天做大范围飞行测试。
6.3 给后来者的一些实验建议
如果你打算把这个项目作为毕设或者技术预研，我建议分三步走。第一步，先不要管无人机，把19个六边形小区和地面基站的覆盖率跑出来，检查是否正确。第二步，加入一个无人机基站，固定高度，只对比覆盖率和热图变化，这一步能让你快速理解空中基站的作用。第三步，再去做高度扫描、多机部署和优化算法，一步一步往前走，不要一上来就整复杂模型。
代码风格上，多用结构体保存配置参数，少用散落变量。以后复用的时候，只需要改params.Height = 800，而不需要找每一处赋值。所有随机数生成的地方，尽量用rng控制种子，保证结果可复现。仿真是拿来辅助分析的工具，不是目的，把每个中间结果都理解清楚，后面换任何场景都能快速上手。
我在实际跑这个项目的过程中，最大的体会是：无人机空中基站对覆盖可靠性的提升，不在于“信号更强”，而在于“最差用户不那么差了”。做应急通信仿真，别只盯着平均SINR好看，真正救命的指标是中断概率，是CDF曲线左边那5%的用户。建议你跑完仿真之后，专门把那些处于最差SINR区间的用户挑出来，看看它们分布在哪里，被哪个基站服务。往往你会发现，最差的用户不是离基站最远的那批，而是离两个地面基站差不多远、频繁切换的“夹缝用户”。无人机一旦悬停在这些夹缝上方，改善幅度立竿见影。这个观察比单纯提高所有用户平均覆盖率更有工程价值。
代码本身不复杂，复杂的是建模时做了哪些取舍、仿真里暴露了哪些规律。把这个项目的核心逻辑吃透，后面无论是扩展成多无人机协同、轨迹优化还是加入真实信道模型，都会顺很多。
