📡 Massive MIMO 检测

统一主引擎驱动 · 多算法并行对比 · 工程级可扩展架构*支持 17 类检测器 · Rayleigh/LoS/BEACHES 信道链路 · BER/EVM 自动评估与出图*

📌 为什么选择本项目？

做 Massive MIMO 检测仿真时，最常见的问题不是“没有算法”，而是：算法很多、口径不统一、代码难扩展、结果难复现。

本项目提供了一个 统一评估框架：同一套数据流、同一套误码口径、同一套结果输出，把线性检测、树搜索、迭代优化、SDP 松弛和格约减方法放到同一平台可比。

🎯 核心价值

🔬 学术研究价值

• • 算法谱系完整：线性、树搜索、迭代、SDP、格约减五大类检测器同台评测。
• • 口径统一：统一 SNR 定义、统一硬判决映射、统一 BER/EVM 统计，结果可横向复核。
• • 实验复现友好：默认参数集中在 default_params.m，示例脚本直接可跑。
• • 理论与工程连接：对应文档 docs/算法文档.md 给出完整推导，便于论文与实现对照。

💼 工程应用价值

• • 模块解耦：config/modulation/channel/detectors/utils 分层明确。
• • 扩展成本低：新增检测器不需要改统计模块和绘图模块。
• • 输出标准化：MAT 数据 + PNG 曲线双产物，便于自动化报告流程。
• • 场景覆盖广：支持 Rayleigh、LoS、Quadriga+BEACHES 等多种信道入口。

⚡ 技术亮点

🏗️ 完整模块架构

massiveMIMO_detection/ ├── main_sim.m                      # 主仿真引擎（trial/snr/detector 三重循环） ├── demo_quick_compare.m            # 小规模快速对比 ├── demo_standard_ber.m             # 标准 BER 评估 ├── demo_modulation_compare.m       # 调制方式对比 ├── config/ │   └── default_params.m            # 参数总控与检测器超参数 ├── modulation/ │   └── gen_constellation.m         # 星座与 Gray 比特映射 ├── channel/ │   ├── gen_rayleigh.m              # iid Rayleigh 信道 │   ├── gen_los.m                   # LoS 平面波模型 │   └── est_beaches.m               # BEACHES 波束空间信道估计 ├── detectors/ │   ├── linear/                     # SIMO/MRC/ZF/MMSE │   ├── tree_search/                # ML(K-best) │   ├── iterative/                  # OCD/BOX/ADMIN/LAMA │   ├── sdp_relaxation/             # SDR/TASER/RBR │   └── lattice/                    # LR-LLL-DFE ├── utils/ │   ├── compute_errors.m            # VER/SER/BER/MSE/EVM 累加 │   └── plot_results.m              # 自动绘图与保存 └── results/                        # 输出图像目录

🧠 检测器全景（17 个）

• • 线性基线：SIMO, MRC, ZF, MMSE
• • 树搜索：ML, KBEST
• • 迭代优化：OCD_MMSE, OCD_BOX, BOX, ADMIN, LAMA
• • SDP 家族：SDR_RAND, SDR_R1, TASER, TASER_R, RBR
• • 格约减：LR_LLL_DFE_rZF

📊 性能实测（项目内现有 MAT 结果）

场景 A：demo_quick_8x4_QPSK_1000Trials_0.mat

结论：在小规模场景中，MMSE 在中高 SNR 明显优于 MRC，并在 20 dB 收敛到零误码。

场景 B：demo_standard_32x16_QPSK_5000Trials_0.mat

结论：在 32×16 QPSK 场景，LAMA/TASER/KBEST 在 6 dB 区间表现突出，高 SNR 下可达到零误码。

💻 核心代码展示

🔥 主引擎三重循环（main_sim.m）

for t = 1:par.trials     idx = bi2de(bits(:, :, t), 'left-msb') + 1;     s = par.symbols(idx).';     H = gen_rayleigh(par.MR, par.MT);     x = H * s;     for k = 1:num_snr         N0 = par.Es * norm(H, 'fro')^2 * 10^(-par.SNRdB_list(k)/10) / par.MR;         y = x + sqrt(N0) * n;         Hest = H;  % 可切换 PERF/ML/BEACHES         for d = 1:num_det             shat = run_detector(par, par.detector{d}, Hest, y, s, N0);             res = compute_errors(res, par, d, k, s, idx, shat, bits(:, :, t));         end     end end

🚀 插件式检测器分发（run_detector）

switch detector_name     case 'MMSE'         shat = detect_mmse(par, H, y, N0);     case 'LAMA'         shat = detect_lama(par, H, y, N0);     case 'TASER'         shat = detect_taser(par, H, y);     case 'OCD_BOX'         shat = detect_ocd_box(par, H, y);     ...     otherwise         error('未定义的检测器: %s', detector_name); end

📈 统一误码统计（compute_errors.m）

dist_matrix = abs(shat * ones(1, length(par.symbols)) - ...                   ones(par.MT, 1) * par.symbols).^2; [~, idxhat] = min(dist_matrix, [], 2); bithat = par.bits(idxhat, :); err = (idx ~= idxhat); res.VER(d, k) = res.VER(d, k) + any(err); res.SER(d, k) = res.SER(d, k) + sum(err) / par.MT; res.BER(d, k) = res.BER(d, k) + sum(sum(bits_tx ~= bithat)) / (par.MT * par.Q); res.MSE(d, k) = res.MSE(d, k) + norm(shat - s)^2; res.VM(d, k)  = res.VM(d, k)  + norm(s)^2;

🎬 一键运行

% 进入项目目录后： % 1) 小规模快速对比（线性检测器） >> demo_quick_compare % 2) 标准规模 BER 评估（多类检测器） >> demo_standard_ber % 3) 调制方式对比（BPSK/QPSK/16QAM） >> demo_modulation_compare % 4) 默认主引擎（按 default_params） >> main_sim

输出预览

`

🖥️ 运行环境

• • MATLAB 版本：R2020a 或更高版本（建议 R2022a+）
• • 必需依赖：基础 MATLAB 数值与绘图能力
• • 可选依赖：
• • CVX（用于 SDR_RAND、SDR_R1）
• • Statistics Toolbox（mvnrnd 用于随机化 SDR）
• • Quadriga 信道数据（当 par.quadriga = 1 时）

🛒 获取方式