简介：这份压缩包聚焦非正交多址接入（NOMA）与正交频分多址（OFDMA）的对比仿真，面向无线通信、5G技术方向的研究者与学生，用于理解两种多址接入方案的原理与性能差异。包内共18个文件，包含11个MATLAB脚本、3个fig图形、3个png图片及1个mat数据文件。脚本覆盖数据生成、编码解码、OFDM发射接收、误码率绘制等核心流程，fig与png文件直观展示BPSK、4PSK、8PSK调制下NOMA与OFDMA的性能对比。压缩包整体仅147KB，轻量易用。目前已有266人学习下载。通过运行main_v2_ber.m等程序，可复现误码率仿真结果，观察调制方式与多址技术对系统可靠性的影响，为选择NOMA或OFDMA提供数据参考。

1. 为什么仿真一上来就要拿 NOMA 和 OFDMA 对比？

做 5G/6G 物理层仿真，绕不开一个基线问题：NOMA 相比 OFDMA 到底赢在哪、赢多少、在什么条件下会输。这个“compare NOMA OFDMA”的仿真包，就是把两套多址方案放在同一套信道模型下，跑和速率曲线和 BER 曲线，让你用数据回答这三个问题。适合正在做毕业设计复现论文、或者准备预研报告的一线工程师。一个反直觉的结论先说在前面：NOMA 并不是所有 SNR 区间都比 OFDMA 好，在用户信道差异不够大、信噪比偏高的时候，OFDMA 反而能追回来。想看清这个交叉点，手里必须有一个能改参数、能逐行解释的代码工程。

2. 先立住理论：NOMA 与 OFDMA 的容量边界和数学差异

2.1 从正交到非正交：OFDMA 的频谱利用率瓶颈在哪

OFDMA 的核心思想是把可用频带切成一组正交子载波，每个用户独占其中一部分。下行链路里，基站对不同用户分配互不重叠的子载波组，接收端拿 FFT 解调，正交性让用户间干扰趋近于零。这个设计在工程上非常干净，但也埋了一个天然瓶颈：用户的频谱资源是被物理隔离的，强弱用户之间没法“互相帮忙”。

假设两个用户各占一半带宽。近用户信道好，能跑 10 bps/Hz；远用户信道差，只能跑 1 bps/Hz。系统总频谱效率就是平均值 5.5 bps/Hz。如果换成功率域 NOMA，近用户可以让出一部分功率给远用户，同时保留全部带宽，整体和速率往往高于 OFDMA。OFDMA 的容量公式可以写成：

% 计算 OFDMA 两用户下行和速率，等带宽分配 function sum_rate = ofdma_sum_rate(snr_user1, snr_user2, bandwidth_ratio) % snr_user1: 用户1接收信噪比（线性值，不是 dB） % bandwidth_ratio: 用户1分到的带宽占比，用户2自动拿剩余带宽 rate1 = bandwidth_ratio * log2(1 + snr_user1); rate2 = (1 - bandwidth_ratio) * log2(1 + snr_user2); sum_rate = rate1 + rate2; end

这个函数的逻辑很直白：先按带宽比例把频谱切成两份，各自用香农公式算容量，再相加。参数bandwidth_ratio通常取 0.5，代表不考究的等带宽基线。如果要做更公平的对比，可以对 OFDMA 用注水功率分配，给信道好的用户多分带宽，但代价是弱用户速率进一步下降，公平性变差。很多对比仿真包里的 OFDMA 基线只做等带宽分配，这是一个保守下限，NOMA 对上它才显得增益明显。

2.2 NOMA 的功率域复用：叠加编码与串行干扰消除的数学模型

NOMA 的做法和 OFDMA 完全相反：两个用户占用完全相同的时频资源，用功率把他们区分开。基站发送的符号是两个用户的叠加：

% NOMA 下行发送端：叠加编码 function x = noma_tx(s1, s2, alpha) % alpha: 近用户的功率占比，小于0.5 % 远用户自动获得 (1-alpha) 的功率 x = sqrt(alpha) * s1 + sqrt(1-alpha) * s2; end

关键参数alpha是近用户的功率占比。注意这里有一个反直觉设定：信道好的近用户只拿小功率，信道差的远用户拿大功率。原因是远用户信道衰减大，需要更多功率才能维持基本速率；近用户信道好，小功率也够用。发送端的sqrt(alpha)和sqrt(1-alpha)是幅度加权，功率加起来正好是 1，这是仿真里最容易出错的地方。

接收端才是 NOMA 的核心。近用户接收信号里同时包含两个用户的符号，而且都经过了近用户的信道h1：

% 近用户接收端：SIC 先解远用户，再解自己 function [s1_hat, s2_hat] = sic_decode_near(y1, h1, alpha, M) % y1 = h1 * (sqrt(alpha)*s1 + sqrt(1-alpha)*s2) + n1 % M: 调制阶数，4 表示 QPSK % 步骤1：均衡信道，先解调远用户 s2 z = y1 / h1; s2_hat = qamdemod(z / sqrt(1-alpha), M, 'UnitAveragePower', true); % 步骤2：重建远用户信号，从 y1 中减掉 y_remain = y1 - sqrt(1-alpha) * h1 * s2_hat; % 步骤3：在残余信号里解调近用户 s1 s1_hat = qamdemod(y_remain / (sqrt(alpha) * h1), M, 'UnitAveragePower', true); end

这段代码对应的数学过程是：近用户先把远用户当作目标解调，因为远用户功率大、SINR 高，容易解对；拿到s2_hat后重建出远用户信号sqrt(1-alpha)*h1*s2_hat，从原始接收信号里减掉；剩下的信号就只有近用户自己的符号加噪声，解调几乎没有同道干扰。远用户接收端则不做 SIC，直接把近用户信号当噪声，解调自己的符号。

这里有一个常见的原理性误解：SIC 的“先解谁”不是按用户的信道好坏排序，而是按接收端的信号功率排序。下行 NOMA 中远用户功率大，所以先解的是远用户。近用户的容量在理想 SIC 后是log2(1 + alpha*P*|h1|^2 / N0)，远用户直接解码的容量是log2(1 + (1-alpha)*P*|h2|^2 / (alpha*P*|h2|^2 + N0))。这时alpha就是一对权衡：alpha越小，近用户给远用户的干扰越小，但近用户自己的速率也越低。

2.3 对比仿真的量化指标：和速率、公平性和用户配对

判断 NOMA 和 OFDMA 谁好，光看一条曲线不靠谱，至少要看三个指标。

和速率是第一位，也是大多数论文里那张主图。两用户下行场景，NOMA 的和速率 = 近用户 SIC 后的速率 + 远用户直接解码的速率。OFDMA 的和速率 = 两个用户各自带宽切片的速率之和。和速率曲线的交叉点位置，就是两个方案的分水岭。

公平性排在第二位。NOMA 对远用户友好，但可能把近用户牺牲得太狠。工程上常用 Jain 公平性指数：

% Jain 公平性指数 function jf = jain_fairness(rates) % rates: 各用户速率向量 jf = sum(rates)^2 / (length(rates) * sum(rates.^2)); end

这个指数越接近 1 代表用户间越公平。NOMA 通过调alpha可以逼近 OFDMA 达不到的公平-和速率边界，这也是做对比时要强调的价值点。

用户配对是第三个维度。两用户 NOMA 如果两个用户信道增益相近，叠加后的功率差不足，SIC 第一步就容易出错。配对越“极端”（一个强一个弱），NOMA 增益越明显，但过度的极端配对并不符合真实用户分布。仿真包里通常会提供固定配对和随机配对两种模式，固定配对用于复现论文理想场景，随机配对用于评估平均增益。

3. 拆解 compare 仿真包：代码结构与核心模块

3.1 入口脚本与目录结构：从 zip 解压开始找 main

拿到compare_NOMA_OFDMA.zip，第一件事是解压到纯英文路径。我见过太多次因为把 zip 解压在“下载”目录导致 MATLAB 乱码的事故，别让路径问题卡住第一步。

unzip compare_NOMA_OFDMA.zip -d noma_ofdma_compare cd noma_ofdma_compare ls -la

这个包通常包含一个主脚本main.m、几个功能函数（信道生成、NOMA 收发、OFDMA 收发）和一个画图脚本。入口是main.m，它负责设置仿真参数、循环 SNR、调用链路函数，最后画图。打开main.m，先看它的循环结构：

% main.m 骨架：主循环遍历 SNR 点 snr_db = 0:2:20; for idx = 1:length(snr_db) snr_linear = 10^(snr_db(idx)/10); % 生成同一组信道和符号，保证两个方案公平对比 [h1, h2] = generate_channel(numUsers, numIter); s1 = randi([0 M-1], numIter, 1); s2 = randi([0 M-1], numIter, 1); % OFDMA 链路 rate_ofdma(idx) = ofdma_link(s1, s2, h1, h2, snr_linear); % NOMA 链路 rate_noma(idx) = noma_link(s1, s2, h1, h2, snr_linear, alpha); end plot(snr_db, rate_ofdma, snr_db, rate_noma);

这个骨架最关键的一点是：OFDMA 和 NOMA 共用同一组s1/s2/h1/h2。如果它们各自生成随机信道，相当于两次独立实验，曲线上的差异会混入随机性，结论没法自洽。所有正经的对比仿真都会把“随机数共用”写进主循环。

3.2 信道生成模块：瑞利衰落、路径损耗和噪声基底怎么配

信道模型直接决定仿真结论的适用范围。默认配置是瑞利衰落，适合市区多径场景；如果要加基站距离差异，给远用户叠加一个固定的路径损耗偏置。

% 瑞利衰落信道生成，返回复信道增益 function h = rayleigh_channel(numUsers, numIter) % numUsers: 用户数 % numIter: 蒙特卡洛迭代次数 % 每个信道系数独立同分布，服从 CN(0,1) h = (randn(numUsers, numIter) + 1j*randn(numUsers, numIter)) / sqrt(2); end

除以 sqrt(2)很重要。如果不做这个归一化，信道幅度的均值会偏大，等效 SNR 整体抬升，NOMA 和 OFDMA 的差距会被夸大。加上路径损耗偏置的写法是：

% 给远用户叠加 6dB 路径损耗偏置 function h = channel_with_pathloss(h, pathlossDb) loss = 10^(-pathlossDb/20); h(2,:) = h(2,:) * loss; end

噪声基底由 SNR 推导：当前 SNR 为snr_linear时，噪声方差按P / snr_linear设置，发射功率 P 归一化为 1。这样每个 SNR 点都能保证发射功率一致，只改变噪声强度。信道模块是这些公式落地的统一入口，配置得不一致，后面的容量和 BER 全是错的。

3.3 发送端与接收端：OFDMA 资源分配和 NOMA SIC 解码的实现差异

OFDMA 的发送端让两个用户各占一半子载波，互不重叠：

% OFDMA 发送端频域资源分配 function tx = ofdma_tx(sym1, sym2, numCarriers) % sym1, sym2: 两个用户各 numCarriers/2 个符号 tx = zeros(1, numCarriers); tx(1:numCarriers/2) = sym1; tx(numCarriers/2+1:end) = sym2; end

接收端则只提取自己那份子载波解调。这个链路里没有任何干扰消除，复杂度低，性能也直观。NOMA 链路则要在发送端做叠加、接收端做 SIC，代码量多出一截，但原理已经在前面章节写了。实际包里的 NOMA 接收函数可能同时支持近用户和远用户两种分支：

% 根据用户类型选择解码方式 function s_hat = noma_rx(y, h, alpha, M, isNearUser) if isNearUser % 近用户：SIC，先消除远用户符号 [s_hat, ~] = sic_decode_near(y, h, alpha, M); else % 远用户：直接把对方信号当噪声，解调自己 z = y / h; s_hat = qamdemod(z / sqrt(1-alpha), M, 'UnitAveragePower', true); end end

写代码时最容易忽略的是isNearUser和alpha的关联：近用户拿sqrt(alpha)，远用户拿sqrt(1-alpha)。一旦把两个用户的幅度加权写反，整个 SIC 解码顺序都会颠倒，BER 曲线直接变成一条 0.5 的横线。

4. 跑通最小复现：MATLAB 下的参数配置与结果读取

4.1 最小可运行配置：解压、加路径、运行 main 脚本

跑通这个包只需要三句 MATLAB 命令。第一步确保解压路径纯英文，第二步把当前目录和所有子目录加进 MATLAB 搜索路径，第三步运行主脚本。

cd('C:\workspace\noma_ofdma_compare'); addpath(genpath(pwd)); % 递归添加所有子目录，防止函数找不到 main; % 运行主脚本

addpath(genpath(pwd))是这里最关键的一句。很多仿真包把函数放在utils/、lib/这种子目录里，不加路径，MATLAB 会直接报Undefined function 'generate_channel'。运行后如果弹出图窗，说明链路跑通了；如果只打印几行日志就报错，先看错误信息里是不是提到了某个函数名，然后检查main.m顶部是不是还有单独的configure或init语句需要先执行。

4.2 必调参数表：用户数、SNR 范围、功率分配因子和调制阶数

仿真参数集中在主脚本开头，改参数前先理解每个变量的含义。

alpha是最需要小心的参数。它定义的是近用户的功率占比，取值小于 0.5，远用户自动拿1-alpha。如果把alpha改成 0.8，近用户拿了大功率，远用户信道差还拿小功率，SIC 第一步解码对象就错了。我一般先把alpha的合法性检查写进配置：

% config.m assert(alpha > 0 && alpha < 0.5, 'alpha must be less than 0.5 for near user'); assert(abs(alpha + (1 - alpha) - 1) < 1e-12, 'power split not normalized');

4.3 输出结果怎么看：和速率曲线、BER 曲线和日志关键行

跑完main.m后，图窗里通常有两条和速率曲线，命令行会打印每个 SNR 点的数值。先看日志再看图，因为日志里的具体数值能帮你判断交叉点在哪。

如果日志长这样：

SNR=0dB NOMA=2.1 bps/Hz OFDMA=1.8 bps/Hz SNR=6dB NOMA=3.9 bps/Hz OFDMA=3.6 bps/Hz SNR=12dB NOMA=5.8 bps/Hz OFDMA=5.9 bps/Hz

可以直观看到：低 SNR 时 NOMA 领先约 0.3~0.4 bps/Hz，12dB 附近被 OFDMA 反超。这是非常典型的曲线形态。如果 NOMA 在所有 SNR 点都压着 OFDMA 打，优先怀疑 OFDMA 链路写得太弱，比如带宽切片忘乘 0.5，而不是 NOMA 真的这么强。

采样点数据要留存的话，在main.m末尾加一句：

save('compare_result.mat', 'snr_db', 'rate_noma', 'rate_ofdma', 'ber_noma', 'ber_ofdma');

这样写报告时不需要重新跑仿真，直接load这个 mat 文件去画图。导出论文图用exportgraphics(gcf, 'noma_vs_ofdma.png', 'Resolution', 300)，比截图清晰得多。

5. 避坑指南：NOMA 与 OFDMA 仿真里最容易翻车的 5 个细节

5.1 现象：SIC 解码顺序错乱导致 BER 暴高

现象：BER 曲线在低 SNR 段直接贴到 0.5，怎么调 SNR 都不下降。

原因：SIC 的解码顺序是按“接收信号功率”排序，不是按用户的远近或 alpha 大小排序。如果代码里不分青红皂白先解调近用户，叠加信号里功率大的远用户反而成了残留干扰，两步解码全部失效。

解决：在接收端动态计算每个用户信号的接收功率排名，再决定先解谁。经验法是写一个排序函数：

% 按接收功率排序，得到解码顺序 power_rank = sort(abs(h).^2 .* [alpha, 1-alpha], 'descend'); % power_rank 第一位对应的用户先被 SIC 解码

注意这里必须同时乘上信道增益模平方和功率占比，只排 alpha 或只排信道都会出错。

5.2 现象：上下行 NOMA 模型混用，信道卷积对象出错

现象：和速率曲线看着有增益，但 BER 怎么都降不到预期，某个用户的星座图有异常。

原因：下行 NOMA 里，基站发一个叠加信号，近用户接收时两个符号都经过近用户自己的信道h1；而上行 NOMA 里，两个用户的符号分别经过h1和h2到达基站，基站收到的信号是y = h1*sqrt(alpha)*s1 + h2*sqrt(1-alpha)*s2 + n。代码里把这两个场景的接收表达式混在一起，SIC 消除出来的信号就是错的。

解决：先在文件注释里写清楚这个模块是上行还是下行。下行模型的近用户接收表达式就是y1 = h1*(sqrt(alpha)*s1 + sqrt(1-alpha)*s2) + n1，任何让 s2 乘h2的写法都属于上行模型，不要混用。

5.3 现象：功率分配因子未归一化，和速率虚高

现象：NOMA 和速率在高 SNR 时比理论香农容量还高，明显不物理。

原因：发送端sqrt(alpha)和sqrt(1-alpha)写成了两个独立的魔法数，比如sqrt(0.2) + sqrt(0.9)，叠加后的信号平均功率超过 1，等于偷偷给系统加了发射功率。和速率当然虚高。

解决：只定义alpha，远用户功率显式计算为1-alpha，并且在发送端加一个功率校验：

% 发送功率归一化校验 assert(abs(mean(abs(x).^2) - 1) < 0.05, 'Tx power not normalized');

如果校验失败，加一个缩放系数让x的平均功率回到 1。这样才能保证 NOMA 和 OFDMA 在同等发射功率下对比。

5.4 现象：用户配对不随机，对比结果带偏

现象：NOMA 稳定有增益，但把随机种子换一个，增益消失甚至变负。

原因：仿真包可能把近远用户的信道固定成同一个seed，导致每次迭代的近用户信道增益都正好是远用户的几倍，人为制造了最有利 NOMA 的配对。这种“最优配对”在单次仿真里能复现论文曲线，但不能说明平均增益。

解决：每轮迭代重新生成两个用户的信道，改成随机种子：

rng(shuffle); % 每轮使用不同随机种子 h = rayleigh_channel(2, numIter);

然后把整个 SNR 扫描跑 5 次取平均，看增益是否还有。如果平均增益缩水不少，说明原来那个漂亮曲线确实靠配对挑出来的。

5.5 现象：解压后路径含中文或空格，脚本批量报错

现象：main.m运行时报错找不到文件，或者load数据时路径拼接异常。

原因：zip 包解压到“下载”或“桌面”目录后，路径里包含中文字符，MATLAB 的脚本在遍历目录时编码不对，函数文件路径识别失败。

解决：把 zip 包解压到纯英文路径再运行。这是个 10 秒钟能解决的操作，却让很多人卡了一晚上，也算血泪经验。遇到已经解压到中文目录的，直接copyfile('D:\下载\noma_ofdma_compare', 'C:\work\noma_ofdma_compare')搬过去，别在原目录里折腾。

6. 把一次对比仿真做扎实：曲线解读、SIC 边界验证和下一步扩展

6.1 曲线解读：NOMA 的增益是出现在低 SNR 还是高 SNR

经验规律是：NOMA 的增益集中在中低 SNR 区间，高 SNR 时会被 OFDMA 追平甚至反超。原因是高 SNR 下香农容量的对数曲线已经接近饱和，NOMA 通过功率复用获得的自由度变小，而 SIC 的实际误差传播始终在拖后腿。跑完曲线后先定位交叉点，交叉点越靠右，说明这个场景里 NOMA 的优势区间越大。如果全区间没有交叉，不要急着庆祝，回头检查 OFDMA 是不是用了等带宽且没做任何优化的最弱基线。一个可信的结论应该是：NOMA 在低 SNR 有正增益，高 SNR 持平或略亏，工程取舍才有依据。

6.2 用理想 SIC 和实际 SIC 做算法边界验证

如果代码里同时保留了理想 SIC 和实际 SIC 两种模式，你就能画出算法的上下边界。

% 理想 SIC：假设远用户信号被完美消除 if strcmp(sicMode, 'ideal') rate_near = log2(1 + alpha * snr_user1); % 远用户仍受近用户干扰 rate_far = log2(1 + (1-alpha) * snr_user2 / (1 + alpha * snr_user2)); else % 实际 SIC：把残余干扰误差也计入 SINR rate_near = log2(1 + alpha * snr_user1 / (1 + residual_noise)); end

理想 SIC 的和速率曲线是理论上限，实际 SIC 的曲线是落地下限，两条曲线的间距就是 SIC 误差传播的代价。这个间距越小，说明你实现的 SIC 越接近理想算法，代码的可信度越高。

6.3 从两用户对比转向多用户配对：下一步可以这么走

两用户跑通之后，自然的方向是把用户分成多个簇，每个簇内两个用户做 NOMA，簇间用 OFDMA 隔离。代码上只需要在现有的noma_tx和sic_decode_near外面套一层簇循环，再把不同簇分配到不同子载波组。先固定配对策略（比如“近+远”的固定配对），记录一组和速率；再改成按信道增益差动态配对，对比增益变化。这样能快速定位提升是来自 SIC 算法本身还是来自配对策略。

我做这类对比仿真最后一步永远是固定随机种子的全量复跑，确认三组曲线交叉点的位置完全一致后，才敢把数据放进报告。随机种子这东西有时候挺玄学，同一套代码换个 seed 结论就跑偏。希望这一套从解压、理论到参数和踩坑的流程能帮到你，把这个方向的对比仿真做成一组可信、能写进文档的基线数据。

本文还有配套的精品资源，点击获取