1. 项目背景：为什么大规模MIMO偏偏要“混合”波束成形
做通信仿真的朋友肯定都绕不过大规模MIMO这个方向，尤其是5G乃至6G的物理层研究中，混合波束成形几乎是必啃的硬骨头。这个项目的标题看起来直白——大规模MIMO发射端用混合波束成形，用Matlab实现，但真上手之后你会发现，它把天线阵列、信道建模、稀疏重构、优化理论全串在一起了，任何一个环节概念不清，代码就不可能跑出合理的结果。
先说清楚最核心的问题：为什么我们不能像传统MIMO那样直接做全数字波束成形？
全数字波束成形的做法是每根天线接一条完整射频链路，每条链路包含DAC、混频器、滤波器，所有信号处理都在数字域完成。在小规模MIMO时代，比如4发4收，这完全没有任何问题，成本功耗都可控。但一旦天线规模上升到64、128甚至256根，同时工作在毫米波频段，全数字架构的硬件代价就彻底失控了。你可以这样理解：每根天线配一条射频链路，相当于每一间教室都要配一个独立的讲台和全套音响设备，64间教室配64套设备，这在成本上是不可接受的，而且毫米波频段的射频器件本身功耗大、成本高，64套堆上去硬件上根本落不了地。
行业里给出的主流折中方案就是混合波束成形——把波束成形拆成两级：射频域（模拟域）和基带域（数字域）。模拟部分用移相器网络完成粗粒度的方向对准，只改变相位、保持恒定幅值；数字部分用少量射频链路做细粒度的幅度和相位调节。这个架构的精髓在于，射频链路数量从天线数量降到了数据流数量级别，比如64天线只需要4到8条射频链路，硬件成本瞬间降了一个量级，而性能对比全数字方案只损失了很小的频谱效率。这在毫米波MIMO系统里就是最实际的工程权衡。
这个项目适合谁来学习？如果你已经掌握了基础MIMO的预编码设计（比如ZF、MMSE、SVD分解），但还没接触过毫米波信道模型、恒模约束、码本设计和稀疏重构，那么这个项目就是把这些知识点串成完整闭环的最佳练手对象。它既不是纯理论推导，也不是单纯的代码复现，而是从系统模型到算法设计再到仿真验证的完整链路，做完一遍你对波束成形、信道稀疏性、硬件约束的理解会扎实很多。
2. 系统模型与数学推导：先把"发射端到底在优化什么"想清楚
2.1 发射端混合架构的信号模型
混合预编码的核心框架很简单：发射端的预编码矩阵被分解成两级级联。
发射信号为Ns条数据流组成的向量s，维度是Ns×1，经过基带数字预编码矩阵F_BB（维度NRF×Ns）之后，再经过射频模拟预编码矩阵F_RF（维度Nt×NRF），最后从Nt根天线发射出去。接收端的基带接收信号可以写成：
r = H F_RF F_BB s + n
其中H是信道矩阵，n是高斯白噪声。这里有几个关键约束要特别注意：
第一，F_RF每个元素的幅值都必须相同，也就是常说的恒模约束，因为移相器只能调相位不能调幅度，这个约束直接决定了模拟预编码的设计思路——你不可能对F_RF做任意矩阵分解或者直接用最优右奇异向量取实部虚部，必须考虑硬件可行性。
第二，功率约束设计为一个发射总功率限制：||F_RF F_BB||_F^2 = Ns，保证发射功率不随预编码矩阵放大或衰减。
第三，数据流数Ns、射频链路数NRF和天线数Nt之间需要满足Ns ≤ NRF ≤ Nt。这个层次的逻辑是：数字部分能处理的维度受限于NRF，而模拟部分只能在NRF个RF链的约束下做方向选择。
2.2 毫米波信道的稀疏性假设
混合波束成形能被广泛采用，除了硬件成本原因，还有很重要的一点是毫米波信道天然具有空间稀疏性。这个稀疏性并不是人为假设出来的，而是由毫米波频段的物理传播特性决定的——路径损耗大、散射体少，电磁波在传播过程中经过的有效反射路径很少，通常只有3到5条主要分量。
因此毫米波信道常用几何信道模型来描述，也就是被广泛引用的Saleh-Valenzuela模型。发射天线数和接收天线数分别为Nt和Nr，假设共有L条路径，信道矩阵写成：
H = sqrt(Nt * Nr / L) * sum_{l=1}^{L} α_l * a_r(φ_l) * a_t(θ_l)^H
其中α_l是第l条路径的复增益，服从复高斯分布，代表这条路径的衰减和随机相位；φ_l是到达角，θ_l是离开角；a_t(θ_l)是发射端阵列响应向量，a_r(φ_l)是接收端阵列响应向量。
如果发射端和接收端都用均匀线性阵列（ULA），天线间距设为半波长，那么第l个路径的发射阵列响应向量就是：
a_t(θ) = (1/sqrt(Nt)) * [1, e^(jπsin(θ)), e^(j2πsin(θ)), ..., e^(jπ(Nt-1)sin(θ))]^T
这个公式在实操中特别容易写错，尤其是漏掉1/sqrt(Nt)这个归一化因子。很多人仿真出来的频谱效率异常偏高，排查之后发现就是这里少了一个归一化因子，导致等效信道增益被放大了Nt倍。阵列响应向量的归一化很关键，它保证每个天线阵元对总发射功率的贡献是一致的，后续所有关于SNR的计算都以这个归一化为前提。
为什么信道稀疏性对混合波束成形这么重要？因为既然信道只有少数几条空间路径，那就意味着发射端只需要把能量集中到这几个方向，而不需要对整个空间进行无差别的覆盖。这正好匹配混合架构的能力边界——模拟预编码只能产生有限几个方向的波束，而稀疏信道恰恰只需要有限几个方向。如果信道是富散射的、空间均匀的，混合架构无论如何都追不上全数字方案，这就是架构与信道特性完美匹配的核心逻辑。
2.3 频谱效率公式与接收机假设
发射端混合预编码的设计目标通常被建模为最大化频谱效率。这个项目的标题强调的是发射端设计，所以接收端我们可以直接用全数字接收机来处理，不涉及接收端的混合架构，否则收发联合优化会让问题复杂度大幅上升。
接收端采用理想的追零（ZF）接收机时，接收矩阵W可以写成：
W = (H F)^+ = (F^H H^H H F)^(-1) F^H H^H
其中F = F_RF F_BB是级联的完整预编码矩阵。频谱效率表达式为：
R = log2 det( I_Ns + (ρ / Ns) * (W^H W)^(-1) W^H H F F^H H^H W )
这里ρ是平均接收信噪比。如果接收端是单用户场景且使用ZF接收机，这个表达式可以化简，但代码里直接按矩阵形式算会省去很多推导上的麻烦，而且结果更general，调天线数或数据流数时不用改逻辑。
另一个角度是：如果我们暂时不考虑接收机的影响，只评估发射预编码的好坏，可以退一步用等效信道来算：
R = log2 det( I_Ns + (ρ / Ns) * F^H H^H H F )
这个简化公式在对比不同预编码算法的相对性能时非常直观——谁的等效增益大，谁的频谱效率就高。但它忽略了接收端的噪声增强效应，所以只适合做快速验证，正式仿真建议还是用带接收机处理的完整表达式，否则你会高估系统性能，尤其是SNR较高的时候误差很明显。
3. 混合预编码算法设计：如何把“找最优方向”转成“稀疏重构问题”
3.1 目标函数怎么建
明确了系统模型之后，最核心的问题就是：如何设计F_RF和F_BB，使得级联矩阵F = F_RF F_BB的性能尽量接近理想的F_opt？
理想F_opt的获取方式非常简单——对信道矩阵H做奇异值分解，H = U Σ V^H，取V的前Ns列，就是无约束条件下使得频谱效率最优的发射预编码矩阵。但F_opt的问题在于它是一个“自由”的矩阵，每个元素都有幅度和相位两个自由度，模拟预编码部分根本实现不了这个约束。
所以整个设计问题可以形式化为一个矩阵逼近问题：
minimize ||F_opt - F_RF F_BB||_F
subject to: F_RF ∈ 恒模码本集合，且||F_RF F_BB||_F^2 = Ns
这个优化问题是高度非凸的，因为F_RF的限制条件是一个离散集合约束，直接求最优解是NP难问题。工程上我们不做全局最优，而是用正交匹配追踪（OMP）算法来逼近最优解。
3.2 码本设计与稀疏重构的映射关系
OMP算法能应用于这个问题的关键观察是：模拟预编码矩阵F_RF的每一列都来自某个候选方向的阵列响应向量。如果我们预先构造一个包含所有可能方向的码本矩阵A，这个矩阵是Nt×N_large的，每一列是某个特定方向θ对应的阵列响应向量，那么问题就可以重新理解为：
在码本A中选出NRF列来构成F_RF，使得F_RF与F_BB的乘积能够最好地拟合F_opt。
这一步是不是很眼熟？这完全就是稀疏信号恢复里“从过完备字典中选少量原子来表示一个信号”的标准框架。F_opt是目标信号，码本A是字典，选出的原子构成F_RF，对应的系数由F_BB给出。算法设计里如果能把问题映射到已有数学框架上，很多工具就能直接复用，这是整个项目里最值得体会的思维技巧。
码本设计方面有两种常见做法。最简单的角度栅格法是在[-π/2, π/2]区间均匀划分N_large个角度值，每个角度生成一个阵列响应向量。N_large一般取64到512之间，取决于目标角度分辨率。更精细的做法是让角度网格覆盖范围更宽，比如[-π, π]，但考虑到ULA的物理特性，超过±90度之后方向向量会出现混叠，反而容易选出不合理的支撑方向，所以我个人在仿真中还是倾向于[-π/2, π/2]均匀划分。
3.3 OMP迭代过程详解
OMP算法的迭代过程写清楚其实并不复杂，但每个步骤背后的逻辑值得解读。
初始化时，令残差矩阵F_res = F_opt，这个残差代表当前尚未被“解释”的部分。第一轮迭代，计算码本A的每一列与残差F_res的内积范数，即相关性矩阵：
C = A^H F_res
C的第i行代表第i个候选方向与残差的匹配程度。找到C中具有最大范数的行索引，把这个行对应的码本列加入支撑集，也就确定了F_RF的一列。
之后的关键一步是最小二乘更新：在已选定的支撑集上，重新计算最优系数。这一步对应的是F_BB的估计：
F_BB = (F_RF^H F_RF)^(-1) F_RF^H F_opt
这里求的是在当前选定的F_RF支撑下，使||F_opt - F_RF F_BB||_F最小化的最优F_BB。注意此时F_RF是固定的，F_BB不受恒模约束限制，可以直接用最小二乘闭式解。
随后更新残差：
F_res = F_opt - F_RF F_BB
然后进入下一轮迭代，重复选原子、最小二乘、更新残差的循环，直到选满NRF个支撑向量为止。迭代结束后，对F_BB做功率归一化，使得整体发射矩阵满足||F_RF F_BB||_F^2 = Ns。
算法中有两个细节值得注意。第一，为什么每次迭代后要做最小二乘而不是只更新增量系数？因为新加入支撑集的方向会和已有的方向有相关性，单独更新的系数可能会覆盖不了前面选出的方向所带来的贡献，只有对整个支撑集重新做一次最小二乘，才能保证残差在当前字典子空间下是最小的。第二，停止条件除了“达到NRF”之外，也可以加一个残差阈值判断，比如当残差范数小于某个门限就提前停止。但在混合预编码场景里，通常直接用固定迭代次数NRF，这样可控性更好。
3.4 OMP方案的局限性与改进方向
OMP方法虽然是混合预编码设计中最经典的基准算法，但它不是万能的。它的核心假设是信道路径数不超过射频链路数，这样稀疏重构才能成功。如果信道有10条路径而NRF只有4，OMP选出的4个方向肯定无法覆盖所有到达角，残差会比较大。
此外，OMP在满秩矩估计上的表现取决于码本栅格分辨率。如果码本角度间隔太大，实际到达角落在两个码本栅格之间，OMP选出的方向就会发生偏移，导致波束增益损失。这个问题的直接解决办法是增加码本密度，但码本越大计算复杂度越高。实操中还有一个技巧：第一轮OMP选用粗码本快速找到大致方向范围，第二轮在以该方向为中心的局部细栅格上重新生成码本再跑一次OMP，这种方式在保持性能的同时能控制复杂度，我实测下来比直接上高频码本节省30%左右的运行时间。
需要补充的是，OMP的每次迭代都要选一个码本列加入支撑集，这个算法天然保证了F_RF的每一列都是合规的移相器向量，所以恒模约束被自动满足了。这一点正是它被广泛使用的原因——它把约束条件和优化框架融合得天衣无缝。
4. 关键参数设计：天线数、射频链数与数据流数如何权衡
4.1 射频链路数NRF怎么定
NRF的选择直接影响成本和性能的矛盾。理论上，NRF至少等于数据流数Ns，否则数字预编码部分的自由度不够，无法支持多流传输。工程上，NRF通常取Ns到Ns+Nt/8之间，甚至一些文献里的经验值是NRF ≈ 4Ns到8Ns。
从仿真角度，我的建议是固定数据流数，然后扫描NRF观察频谱效率变化趋势，这样能直观看出边际收益在哪里递减。比如Ns=2时，NRF从2提升到4，频谱效率提升非常明显；但从4提升到8，增益就开始放缓。这个现象背后的道理是：新增射频链路只有在能捕捉到新的信道空间方向时才有价值，而毫米波信道路径有限，能利用的方向就那么几束，再多RF链就开始打空转了。在仿真报告中画出NRF与频谱效率的关系曲线，往往比单纯给出一个最终频谱效率值更有说服力，因为这个趋势本身就是对信道稀疏性的验证。
4.2 天线阵列几何与天线间距
天线间距是阵列设计中一个极为重要的物理参数。标准做法是取半波长间距d = λ/2，这是为了避免栅瓣效应。如果天线间距过大，阵列响应会在非目标方向产生相同相位的叠加，形成增益虚高的栅瓣，这在实际通信中会造成严重的干扰。
在二维均匀线性阵列中，半波长间距下的阵列响应向量为：
a_t(θ) = (1/sqrt(Nt)) * [1, e^(jπsinθ), ..., e^(jπ(Nt-1)sinθ)]^T
这里θ是离开角。这个式子可以在Matlab中写成一行向量化代码，用exp(1jpisin(theta)*(0:Nt-1))实现，但要注意Matlab中sin函数的输入是弧度，角度转弧度这一步漏掉是最常见的错误来源之一。我就见过有人把角度直接传进sin函数然后波束方向全偏的案例，最后曲线怎么调都不对，排查半天才发现是单位问题。
4.3 Ns的选择与多流传输的代价
数据流Ns越大，单次传输携带的比特数越多，频谱效率理论上越高。但Ns增大同时也意味着需要更多的射频链路，而且干扰管理复杂度急剧上升。在毫米波信道中，由于路径稀缺，信道矩阵的秩本身就受限于路径数L，即使天线规模再大，有效并行传输的流数都不可能超过L。强行提升Ns只会让后续流的等效SNR下降，最终表现在频谱效率曲线上就是增加值的收益越来越小。
实操中，单用户场景常用的Ns是2到4，配合NRF取4到8，这是性能和复杂度比较均衡的区间。如果你的信道模型设置L=5条路径，Ns取4就已经占满了信道的绝大多数自由度，再往上加意义不大。项目报告的结论部分如果能把这一层趋势解释清楚，分量会重很多。
5. Matlab代码实现与模块拆解：从信道生成到仿真曲线
5.1 代码结构总览
整个Matlab工程建议拆成四个文件，各司其职：
- mmwave_channel.m：生成毫米波稀疏信道矩阵H
- codebook_ula.m：生成ULA的码本矩阵A
- hybrid_precoding_omp.m：OMP混合预编码设计函数
- main_run.m：主脚本，负责参数设置、算法调用、频谱效率计算和画图
这样拆分的好处是每个模块都能独立测试，调参时不用全文乱改。尤其是信道生成和预编码设计分开之后，你可以先检查H的维度、条件数是否合理，再验证预编码算法，定位问题会快得多。
5.2 毫米波信道生成模块
信道生成函数首先要接收几个核心参数：Nt、Nr、L、角度散布范围。路径来向角和离开角的角度散布一般设定在一定的分布范围里，经典做法是角度在特定区间内随机生成，为的是模拟不同散射体分布的场景。
核心代码如下：
function H = mmwave_channel(Nt, Nr, L) alpha = sqrt(1/sqrt(2)) * (randn(1, L) + 1j*randn(1, L)); theta_t = unifrnd(-pi/2, pi/2, 1, L); theta_r = unifrnd(-pi/2, pi/2, 1, L); At = zeros(Nt, L); Ar = zeros(Nr, L); for l = 1:L At(:, l) = (1/sqrt(Nt)) * exp(1j*pi*sin(theta_t(l))*(0:Nt-1).'); Ar(:, l) = (1/sqrt(Nr)) * exp(1j*pi*sin(theta_r(l))*(0:Nr-1).'); end H = sqrt(Nt*Nr/L) * Ar * diag(alpha) * At'; end这里有一个折算关系要说清楚：路径增益alpha乘的是sqrt(Nt*Nr/L)系数，这个系数的目的是让信道总增益归一化，使得不同Nt、Nr情况下接收信噪比公平可比。如果去掉这个因子，Nt增大之后信道矩阵的F范数也会随之变大，频谱效率虚高，不同天线规模之间的比较就失真了。这种归一化在各种通信系统仿真中都是通用惯例，务必保持。
5.3 码本生成模块
码本矩阵A的每一列就是某个特定方向的阵列响应向量：
function A = codebook_ula(Nt, N_grid) theta_grid = linspace(-pi/2, pi/2, N_grid); A = zeros(Nt, N_grid); for idx = 1:N_grid A(:, idx) = (1/sqrt(Nt)) * exp(1j*pi*sin(theta_grid(idx))*(0:Nt-1).'); end end角度栅格数N_grid通常取64到256之间。太密会导致OMP每次迭代的关联系数矩阵计算量增大，太疏会导致方向精度不够。仿真中如果没有特殊说明，用128个栅格点左右覆盖±90度是稳妥的选择。
5.4 OMP混合预编码主函数
这个函数是项目的核心逻辑所在。输入是信道H、码本A、数据流数Ns和射频链路数NRF，输出是F_RF和F_BB。
function [F_RF, F_BB] = hybrid_precoding_omp(H, A, Ns, NRF) [U, ~, V] = svd(H); F_opt = V(:, 1:Ns); Nt = size(A, 1); F_RF = zeros(Nt, NRF); F_res = F_opt; for i = 1:NRF C = A' * F_res; [~, idx] = max(sum(abs(C).^2, 2)); F_RF(:, i) = A(:, idx); F_BB = pinv(F_RF) * F_opt; F_res = F_opt - F_RF * F_BB; end F_BB = sqrt(Ns) * F_BB / norm(F_RF * F_BB, 'fro'); end这段代码用了pinv（伪逆）来计算最小二乘解，好处是即使F_RF列之间有轻度相关性，也不会因为矩阵奇异而中断运行，这在码本栅格较密时特别有用。要注意的是，伪逆的结果代价是略微偏离严格意义上的最小二乘解，但在实际仿真中这个偏差完全可以忽略，而稳定性带来的收益更明显。
5.5 主脚本搭建与仿真流程
主脚本做的事情很清晰：设置参数、调用信道函数、调用预编码算法、计算频谱效率、画图对比。
clear; close all; clc; Nt = 64; Nr = 16; Ns = 2; NRF = 4; L = 5; N_grid = 128; SNR_dB = -20:5:0; SNR_linear = 10.^(SNR_dB/10); A = codebook_ula(Nt, N_grid); rate_hybrid = zeros(length(SNR_dB), 1); rate_full = zeros(length(SNR_dB), 1); num_trials = 50; for s = 1:length(SNR_dB) rho = SNR_linear(s); rate_tmp_hybrid = 0; rate_tmp_full = 0; for trial = 1:num_trials H = mmwave_channel(Nt, Nr, L); [F_RF, F_BB] = hybrid_precoding_omp(H, A, Ns, NRF); F_hybrid = F_RF * F_BB; rate_tmp_hybrid = rate_tmp_hybrid + compute_rate(H, F_hybrid, Ns, rho); [U, ~, V] = svd(H); F_full = V(:, 1:Ns); rate_tmp_full = rate_tmp_full + compute_rate(H, F_full, Ns, rho); end rate_hybrid(s) = rate_tmp_hybrid / num_trials; rate_full(s) = rate_tmp_full / num_trials; end plot(SNR_dB, rate_hybrid, 'b-o', 'LineWidth', 1.5); hold on; plot(SNR_dB, rate_full, 'r-s', 'LineWidth', 1.5); grid on; xlabel('SNR (dB)'); ylabel('Spectral Efficiency (bps/Hz)'); legend('混合预编码', '全数字预编码');每个SNR点跑50次蒙特卡洛平均是习惯做法，因为信道的随机生成导致单次结果有波动，不平均的话曲线会有明显毛刺，影响结论的清晰度。蒙特卡洛次数太少曲线不平滑，太多则仿真时间过长，50次是我反复试过的平衡点。如果你的目标只是验证代码逻辑正确性，可以先跑5次把流程跑通，最后出图之前再跑完整次数。
谱效率计算函数实现如下：
function rate = compute_rate(H, F, Ns, rho) HF = H * F; W = (HF' * HF) \ HF'; rate = log2(det(eye(Ns) + (rho/Ns) * inv(W' * W) * W' * HF * HF' * W)); end这里用左除而不是显式求逆来解ZF接收矩阵，数值稳定性更好。Matlab的inv函数在处理病态矩阵时容易出现很大的数值误差，左除运算在底层用的是LU分解或QR分解，稳定性好得多，这也是我在无数次仿真中踩过的坑之一。
5.6 仿真结果解读
运行完主脚本之后，典型的曲线形状应该是混合预编码的频谱效率始终低于全数字预编码，但差距随着SNR增大而增大还是收窄取决于具体参数。在低SNR区间，噪声是主要矛盾，预编码的细微差别对系统性能影响不大；在高SNR区间，干扰和矩阵条件数的影响开始占据主导，如果NRF足够大、码本栅格够细，两种方案的差距会稳定在一个较小的范围内。
如果你的仿真结果中混合预编码在高SNR下比全数字差得过多，可以优先检查NRF是否等于Ns。如果NRF等于Ns，模拟预编码已经占用了全部自由度，而数字部分只能做功率分配，此时混合方案接近纯模拟波束成形的性能瓶颈，差距变大是正常的。反之如果NRF明显大于Ns，比如4个RF链服务2条流，混合方案就应该非常接近全数字性能，此时差距还很大，大概率是码本栅格太粗或者角度范围设置有问题。
6. 常见问题与调试技巧：那些仿真里才会遇到的坑
6.1 矩阵维度不匹配
混合预编码代码最常见的问题就是维度对不上。三维四维矩阵相乘时，任何一个维度写错都会让Matlab直接报错。建议在预编码函数入口处加一句断言检查：
assert(size(A, 1) == Nt, '码本行数必须等于发射天线数'); assert(size(F_RF, 2) == NRF, '模拟预编码列数必须等于RF链数');这种防御式编程在算法调试中能省下大量时间。另一个常见维度坑是信道矩阵H的方向写反，H的维度应该是Nr×Nt，发射预编码F的维度是Nt×Ns。如果H写成了Nt×Nr，F与H乘在一起就直接维度爆炸，报错很容易，但如果H写反却乘成功了（比如Ns恰好等于Nr），结果就是荒谬的，而且很难一眼看出来。因此每生成一组H，建议用size(H)检查一次维度，别嫌麻烦。
6.2 频谱效率曲线异常
如果曲线严重低于理论预期，或者混合预编码曲线出现凹陷，建议按以下顺序排查：
第一，确认功率归一化是否生效。打印norm(F_RF * F_BB, 'fro')的值，应该等于sqrt(Ns)。如果这个值不对，频谱效率肯定整体偏移。
第二，检查恒模约束。画出F_RF所有元素的幅度，理论上是完全相同的值1/sqrt(Nt)。如果幅度不均匀，说明某些列在赋值过程中破坏了恒模性质，F_RF的列不是纯移相器向量，波形就会出现畸变。
第三，确认码本A的列数是否足够。如果N_grid取得太小，方向分辨率不够，OMP选出的是“差不太多”的方向而不是真实到达方向，性能会明显下降。我推荐的检查方法很简单：把信道某条主路径的到达角打出来，再打印OMP每轮选出的码本索引对应的角度，人工对比一下误差有多大。误差应该在栅格分辨率的一半以内，如果偏差超过了栅格间隔，那就要怀疑OMP迭代中残差更新或者相关性计算出了问题。
6.3 仿真运行时间过长
蒙特卡洛次数太多是运行时间失控的最大原因。特别是OMP每次迭代都要计算A' * F_res，当N_grid取256、Nt取128时，这个矩阵乘法的开销会显著拖慢仿真。可行的优化方案有三个。
一是降码本栅格密度，比如从256降到128，速度提升接近一倍，性能损失非常有限。二是向量化角度扫描，尽量减少for循环。三是提前预计算码本，如果多个SNR点都使用同一个码本，不要每次调用函数都重新生成一遍A。预计算可以放到主脚本中，把A作为参数传给预编码函数，这样能省去大量重复计算。
6.4 调参与实验设计建议
如果你拿这个项目做课程设计、论文复现或者毕设扩展，建议实验设计围绕以下几组对比来展开：
- 固定Ns=2，对比NRF=2/4/8时混合预编码与全数字预编码的性能差距，画出三条混合曲线与一条全数字曲线
- 固定NRF=4，对比Ns=1/2/4时的频谱效率，观察多流增益的递减趋势
- 固定天线数比例，对比Nt=32/64/128下的性能，分析天线增益带来的系统性提升
- 固定其他参数，对比不同码本分辨率（64/128/256）下的性能差距，验证栅格误差的影响
这几组实验做完，整个项目的内容就足够立体了，既有算法基准对比，又有架构参数分析，还有实现细节讨论，无论用于什么场合都拿得出手。
7. 项目扩展方向与个人实操体会
代码跑通、曲线画出来之后，这个项目其实才完成了一半。后面可扩展的方向非常多，我个人比较推荐以下几个方向，难度依次递增：
第一个是接收端也换成混合架构，收发端联合设计。这需要把OMP的逻辑同时应用到发射和接收两侧，或者采用交替优化的方式，问题复杂度会明显上升，但更贴合真实毫米波系统的实现形态。原有的代码会自动发现，单纯优化发射端时接收端自由度过多，联合优化之后性能曲线的拟合度会更好。
第二个是换成部分连接架构。本项目的码本设计基于全连接架构，每根天线和每个RF链之间都有移相器连接。部分连接架构里每个RF链只连接一组天线子阵，F_RF变成块对角结构，稀疏重构的目标和约束都由“选方向”变成了“选子阵加权”，问题性质完全变了，OMP算法不再直接适用，需要改成逐子阵求解或者流形优化的思路。
第三个是从单用户扩展到多用户。多用户场景下，发射端的预编码目标从“最大化单个用户接收功率”变成“抑制用户间干扰并最大化总速率”，OMP算法里的残差更新逻辑需要重写，复杂度又要上一个台阶。但多用户是实际部署绕不开的场景，做一次扩展对你的理解提升会非常明显。
就我个人经验而言，做这类通信仿真项目，最大的教训是不要一上来就写完整代码。拿这个项目来说，正确顺序应该是：先用最简单的场景，假设L=1，即只有一条直达径，1条射频链路，1条数据流，把信道、码本、OMP全部跑通，出图确认没问题；然后再逐步增加路径数、数据流数和射频链路数，每一步都验证中间结果的合理性。这样做的好处是，一旦最终结果出了问题，你能很清楚地判断是哪一步引入的bug。我见过太多人一口气写完整个仿真系统，结果曲线不对，从头排查到尾花了两三天才定位到一个漏掉的归一化因子。
另外一个很实用的小技巧是：在调试阶段，把每次OMP迭代选出的角度结果用disp打到命令行里，手动跟信道设置的到达角对比。信道是你自己生成的，你知道真实的主路径方向是什么，如果OMP选出方向和实际方向差距过大，算法实现大概率有问题。这个检查方法整个项目阶段只用几分钟，但每次都能把问题定位到具体环节，远比对着曲线猜强得多。就凭这个技巧，调试速度提升一倍不止——不用谢我，这是踩了不知道多少坑才总结出来的。
