【MATLAB源码】近场 XL-MIMO 一体化接入检测、信道估计与协作定位仿真平台

近场 XL-MIMO 一体化接入检测、信道估计与协作定位仿真平台

面向 ISAC 场景的 MMV/GMMV 稀疏恢复与多子阵协作定位统一实现

近场球面波建模 · 结构化块稀疏恢复 · MUSIC/WLS 定位闭环

为什么选择

在近场超大规模天线场景中，传统“远场平面波 + 单任务估计”流程难以同时兼顾活动用户检测、信道恢复与定位精度。本项目以统一的近场几何信道模型为基础，将 AUD、CE 与定位 串联为闭环仿真链路，并支持 MMV/GMMV 多算法对照。工程实现采用参数集中、过程可追踪、结果可复现的脚本化组织方式，适用于科研复现实验与算法迭代。

痛点	方案
近场模型与算法实现割裂	统一近场球面波建模，直接驱动观测与恢复流程
算法单一，难以横向评估	同时提供 BSP、BSAMP、MMV-OMP、StrBOMP、Oracle-LS
MMV/GMMV 场景切换成本高	通过统一脚本模式参数完成路径切换
指标统计分散，复现实验困难	固化 `Pe/NMSE/MSE` 统计流程并自动归档 `.mat` 结果
定位链路与通信恢复脱节	基于恢复信道直接进入 MUSIC + WLS 协作定位

核心价值

学术研究价值

面向近场 ISAC 的“模型-算法-指标”一体化实验平台。

近场多径几何建模
块稀疏恢复机制对比
MMV/GMMV 统一框架分析
通信恢复到定位的闭环验证

工程应用价值

强调可运行、可追踪、可复现实验的工程化组织方式。

参数集中式脚本结构
关键流程日志追踪
结果文件自动归档
图形输出风格统一

技术亮点

近场 ISAC 链路：分离式流程 vs 一体化流程

特性	传统方案	本方案
信道建模	远场或弱几何抽象	近场球面波 + 子阵可见性
观测建模	单场景、单字典	MMV/GMMV 双模式统一
稀疏恢复	单算法验证	BSP/BSAMP/OMP/StrBOMP 全链对比
结果指标	单点输出	`Pe + NMSE + 定位误差` 联合统计
代码组织	分散脚本、复现成本高	参数集中 + 主流程简洁 + 末尾函数模块化

性能指标（实测数据）

数据来源：ISAC-XMIMO/output/AUD_CE_MMV_Results.mat，配置为 num_sim=200、K=60、Ka=6

场景	基线	本方案	结论
`Ptx=0 dBm`	MMV-BOMP：`Pe=0.0140`，`NMSE=-7.65 dB`	MMV-BSOMP-改进：`Pe=0.0046`，`NMSE=-14.92 dB`	低功率区检测与估计明显改善
`Ptx=10 dBm`	MMV-BOMP：`Pe=0.0035`，`NMSE=-14.01 dB`	MMV-BSOMP-改进：`Pe=0.0009`，`NMSE=-23.03 dB`	中功率区优势持续扩大
`Ptx=20 dBm`	MMV-BOMP：`Pe=0.0026`，`NMSE=-18.34 dB`	MMV-BSOMP-改进：`Pe=0.0002`，`NMSE=-25.57 dB`	高功率区逐步逼近理想支持
`Ptx=30 dBm`	MMV-BOMP：`Pe=0.0030`，`NMSE=-18.58 dB`	MMV-BSOMP-改进：`Pe=0.0002`，`NMSE=-25.82 dB`	误检率保持低位且估计稳定

协作定位能力

协作定位链路由“GMMV 恢复 + MUSIC 角距估计 + WLS 坐标反演”组成，可直接复用通信恢复阶段得到的信道估计结果。

参数	配置	性能
活动用户检测入口	`K=60, Ka=6` ，GMMV 子阵级恢复	为定位提供稳定候选用户集合
角距估计方式	`music_angle + music_distance`	在子阵级观测上提取几何参数
坐标反演方式	加权最小二乘（WLS）	输出用户坐标估计与 `MSE_Loca` 统计

参数

配置

性能

活动用户检测入口

K=60, Ka=6

，GMMV 子阵级恢复

为定位提供稳定候选用户集合

角距估计方式

music_angle + music_distance

在子阵级观测上提取几何参数

坐标反演方式

加权最小二乘（WLS）

输出用户坐标估计与 MSE_Loca 统计

运行环境

项目采用 MATLAB 脚本化科研仿真形态，默认以单机离线方式运行。

语言：MATLAB（推荐 R2023b 及以上）
依赖：Statistics and Machine Learning Toolbox（cdfplot），Parallel Computing Toolbox（可选）
硬件：Windows/Linux 开发工作站（建议 16GB 内存及以上）

项目结构

Near-Field-XMIMO/ ├── ISAC-main/                  # 原始参考实现 │   ├── Joint_AUD_CE_XLMIMO/    # AUD+CE 参考算法与主脚本 │   ├── MultiSubarrayCollabLoc/ # 协作定位参考算法与主脚本 │   └── ...                     # 其他参考文件 ├── ISAC-XMIMO/                 # 重构后的主工程目录 │   ├── run_aud_ce.m            # 联合 AUD+CE 主脚本（MMV/GMMV） │   ├── run_collab_loc.m        # 协作定位主脚本 │   └── output/                 # 结果文件与图形输出 ├── docs/                       # 项目文档目录 │   ├── 算法文档.md             # 原理与公式推导 │   └── 代码文档.md             # 代码结构与函数说明 └── Plan.md                     # 协作计划与阶段记录

文档体系

文档按“理论先行 + 代码落地”双轨组织，覆盖算法推导、实现映射与运行指引。

算法文档

docs/算法文档.md：系统模型、近场信道推导、MMV/GMMV 稀疏恢复、MUSIC/WLS 定位与附录级公式分析。

代码文档

docs/代码文档.md：目录职责、主流程时序、函数输入输出、数据结构维度与参考实现映射关系。

核心代码展示

近场信道生成模块

该模块根据用户位置、子阵几何与 LoS/NLoS 多径关系生成三维信道张量，是整条仿真链路的物理基础。

# 初始化子阵位置、用户位置、散射体位置 # 对每个活动用户循环 #   采样路径数并生成路径复增益 #   若 LoS: #       计算子阵距离、角度、相位延迟、阵列响应 #   若 NLoS: #       叠加 UE->散射体->子阵双段传播 #   对所有有效子载波累积路径贡献 # 输出 H_set(N_BS, P_subc, K)

MMV/GMMV 观测构造与稀疏恢复模块

该模块将信道映射到观测域，构建字典矩阵（或张量），并调用块稀疏恢复算法输出活动集合与信道估计。

# 逐导频块生成随机相位合并矩阵 W_RF # MMV: 使用共享导频列构造统一字典 Z # GMMV: 每子载波单独构造字典切片 Z(:,:,p) # 叠加噪声并注入发射功率缩放 # 调用 BSP/BSAMP/OMP/StrBOMP 等算法 # 计算 Pe 与 NMSE 指标

协作定位模块（MUSIC + WLS）

该模块先由恢复信道估计角度与距离，再通过加权最小二乘反演用户二维坐标。

# 对命中用户提取子阵级信道块 # 依据子阵能量筛选高可信子阵 # 对每个子阵: #   调用 MUSIC 角度估计 #   调用 MUSIC 距离估计 # 构建几何约束矩阵 A,b 与权重矩阵 Omega # 通过 WLS 求解用户坐标 # 统计定位误差 MSE_Loca

一键运行

cd('D:/10_存储库/OneDrive/15.代码归档/01.施工中/Near-Field-XMIMO/ISAC-XMIMO') run('run_aud_ce.m') run('run_collab_loc.m')

结果预览

🛒 获取方式

参考文献

E. J. Candès and M. B. Wakin, “An Introduction to Compressive Sampling,” IEEE Signal Processing Magazine, vol. 25, no. 2, pp. 21-30, 2008.
J. A. Tropp and A. C. Gilbert, “Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit,” IEEE Transactions on Information Theory, vol. 53, no. 12, pp. 4655-4666, 2007.
R. O. Schmidt, “Multiple Emitter Location and Signal Parameter Estimation,” IEEE Transactions on Antennas and Propagation, vol. 34, no. 3, pp. 276-280, 1986.
S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall, 1993.
T. L. Marzetta, E. G. Larsson, H. Yang, and H. Q. Ngo, Fundamentals of Massive MIMO, Cambridge University Press, 2016.