1.软件版本
matlab2017b
2.本算法理论知识
对于大规模MIMO，通常情况下，采用3D-MIMO信道来实现。这是由于3D-MIMO一般采用大规模的二维天线阵列，不仅天线端口数较多，而且可以在水平和垂直维度灵活调整波束方向，形成更窄、更精确的指向性波束，从而极大的提升终端接收信号能量并增强小区覆盖。所以采用3DMIMO信道，可以符合大规模MIMO的信道特点。这里，我们设置为h2.。
然后对于随机阵列，则采用如下的方式：
SCM中，天线之间的位置是固定的，而在随机整列中，我们需要将阵元的位置参数进行随机化分布处理。通过随机化处理之后，那么其对应的位置参数，角度参数等都会随机化。
那么，根据上面的分析，我们对信道模型做如下的改进：
网络发送端
以大规模MIMO系统，天线阵列随机分布的方式产生测试信号。
多用户
信道编码(turbo编码)
调制QPSK+OFDM，
信道
这个就是之前的给你的信道模型；
网络接收端
解调QPSK+OFDM
信道估计，来估算信道的h。
译码
性能评价指标
计算误码率。
3.部分源码
clc;
clear;
close all;
warning off;
addpath 'func\'
%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%网络半径
Radius = 100;
%水平方向天线数
Nh = 5;
%垂直方向天线数
Nv = 5;
%天线间距,随机分布
Scale1 = (rand(Nh,1)/2+0.5);
Scale2 = (rand(Nv,1)/2+0.5);
%是否加入多径,多径信道H1
%以下根据实际情况进行设置
%速度
v = 200;
%载波频率
fc = 128e6;
%光速
c = 3e8;
fd = v*fc/c;
%采样间隔为1us
timeval = 1e-5;
%多径时延
delay_multi = [0,1,3,6]*timeval;
%多径增益
Pow_avg = [0,-20,-40,-60];
%多径个数
Nmultipath = length(Pow_avg);
%多径平均延迟
delay_avg = 100e-6;
%多普勒频偏
Fre_offset = 0.0001;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%用户数量
Nc = 8;
%多载波
Sub = Nc;
Len = 1024;
%信号带宽
BW = 180e3;
T = 1/BW;
TG = T/4;
%间隔
BWs = 3.75e3;
%信号采样率
Fd = 8;
SNR_dB = [0:7];
%仿真指标保持变量
Err_Rate = zeros(1,length(SNR_dB));
%PILOT设置
pilot_type = 1;
%仿真循环次数，循环次数越大，仿真效果越好
nloop = [40,40,40,40,40,60,60,300];
%turbo编码参数
N = 512;
M = 167;
%FFT
fftlen = 512;
%每个SNR点上仿真若干次
for i=1:length(SNR_dB)
i
Error = 0;
err_all = 0;
for iii=1:nloop(i)
iii
rng(iii);
%%
%以单天线方式产生测试信号
msg = rand(Len*Nc/4,1)>=0.5;
%turbo编码
seridata1 = func_turbo_code(msg,N,M);
seridata = [seridata1,zeros(1,Len*Nc-length(seridata1))]';
%QPSK映射
[Qpsk0,Dqpsk_pilot,symbol_bit] = func_piQPSK_mod(seridata);
%变换为矩阵
Qpsk_matrix = reshape(Qpsk0,fftlen,Nc);
[Pilot_in,pilot_num,Pilot_seq,pilot_space] = func_insert_pilot(Dqpsk_pilot,Qpsk_matrix,pilot_type,T,TG);
Pilot_in = fft(Pilot_in);
%sub carrier mapping
Pilot_in = func_subcarrierMap(Pilot_in);
%IFFT transform，产生OFDM信号
ifft_out = ifft(Pilot_in);
%插入包含间隔
Guard_int = ceil(BWs/fftlen);
Guard_int_ofdm = func_guard_interval_insert(ifft_out,fftlen,Guard_int);
%将矩阵数据转换为串行进行输出
Guard_int_ofdm_out = reshape(Guard_int_ofdm,1,(fftlen+Guard_int)*(Nc+pilot_num));
%%
%Step1：大规模MIMO信道
[Hm,Hmmatrix] = func_mychannels(Radius,Scale1,Scale2,Nh,Nv);
%Step2：多径参数和大规模MIMO参数输入到信道模型中
%信道采样点数，每个调制符号采一个点
[passchan_ofdm_symbol] = func_conv_channels(Hmmatrix,Guard_int_ofdm_out,Nmultipath,Pow_avg,delay_multi,Fre_offset,timeval,iii);
%Step3：噪声信道
Rec_ofdm_symbol = awgn(passchan_ofdm_symbol,SNR_dB(i),'measured');
%%
%开始接收
Guard_int_remove = func_guard_interval_remove(Rec_ofdm_symbol,(fftlen+Guard_int),Guard_int,(Nc+pilot_num));
%FFT
fft_out = fft(Guard_int_remove);
%sub carrier demapping
fft_out = func_desubcarrierMap(fft_out);
fft_out = ifft(fft_out);
%信道估计
%lmmse
[Sig_Lrmmse,Hs] = func_lmmse_est(fft_out,pilot_space,Pilot_seq,pilot_num,delay_avg/timeval,4e-6/timeval,10^(SNR_dB(i)/10));
%解调
Dqpsk = func_pideMapping(Sig_Lrmmse,fftlen*Nc);
%turbo解码
Dqpsk_decode = [func_turbo_decode(2*Dqpsk(1:end-(Len*Nc-length(seridata1)))-1,N,M)]';
%计算误码率
err_num = Len*Nc/4-length(find(msg==Dqpsk_decode(1:Len*Nc/4)));
Error = Error + err_num;
end
%计算误码率
err_all = err_all+Len*Nc/4;
Err_Rate(i) = Error/err_all/nloop(i);
end
%误码率
figure
semilogy(SNR_dB,Err_Rate,'b-o');
grid on
xlabel('SNR');
ylabel('BER');
axis([-0.0001,8,1e-5,1]);
save R1.mat SNR_dB Err_Rate
4.仿真结论
5.参考文献
[1]江爱珍. CRAHNs网络中基于Massive MIMO的资源分配方案研究[D]. 南京邮电大学, 2016.A01-147