简介：SCMA-ML-master 是一份面向无线通信与机器学习交叉方向研究者的开源代码资源，聚焦稀疏码多址（SCMA）技术与机器学习方法的结合。SCMA 作为码域非正交多用户接入方案，可提升频谱效率与抗干扰能力，而该资源尝试用机器学习模型优化其编码、检测与解码流程，适合具备通信原理与 Python 编程基础的学习者研读。压缩包共 9 个文件，以 .m 脚本为主体，辅以 LICENSE、README.md 及一个 .s 文件，整体约 6KB，体量轻巧但结构完整，涵盖码本生成、SCMA 编解码、ML 检测及四进制与二进制映射转换等核心模块。目前已有 227 人学习下载。读者可从中获取一套可运行的 SCMA 仿真链路，理解码本设计、信号检测与机器学习融合的实现思路，并借助 README 快速上手，为后续模型调优与性能评估提供参考。

1. 从一份 SCMA 稀疏码多址的 ML 检测工程说起

如果你手上正好有一份名为SCMA-ML-master的工程目录，里面散落着SCMA、ML、morehsq这类命名，第一反应大概率是：这是一套用最大似然（Maximum Likelihood, ML）做 SCMA 多用户检测的 MATLAB 实现。SCMA 是稀疏码多址（Sparse Code Multiple Access），5G 非正交多址里被讨论得最多的一支；ML 检测则是它性能上界的那把尺子。问题在于，ML 检测的复杂度随用户数和码本维度指数爆炸，工程里真正能跑起来的，往往是加了球形译码、码本剪枝或者近似消息传递的变体。这份工程的价值不在于它多完美，而在于它把「码本 → 信道 → 接收信号 → ML 判决」这条链路完整摆出来了，你能顺着它把 SCMA 的检测逻辑从公式落到矩阵。这篇笔记就按这个思路走：先讲清 SCMA 和 ML 检测到底在算什么，再拆工程里最可能的结构和关键参数，最后把踩过的坑和验证方法交给你。适合正在做多址接入仿真、想复现 SCMA 链路、或者被 ML 复杂度卡住的人。

2. SCMA 码本与 ML 检测：先把数学对象对齐

2.1 SCMA 到底稀疏在哪，码本怎么定义

SCMA 的核心是把比特流映射到一个多维稀疏码字上。假设系统有K个资源单元（RE，比如子载波）和J个用户层，每个用户占用N个非零资源，通常N < K，这就是「稀疏」的来源。过载因子λ = J / K，典型配置是K = 4, J = 6, N = 2，过载 150%。每个用户有一本码本CB_j，大小是K × M，M是码本码字数，等于2^{log2(M)}，常见M = 4或8。

码本不是随便填的，它由母星座图经过相位旋转、资源映射和功率分配生成。工程里你看到的SCMA_codebook或类似变量，本质就是一个三维数组[K, M, J]。理解这一点很关键：后面 ML 检测的搜索空间，就是所有用户码字组合的笛卡尔积，规模是M^J。M = 4, J = 6时是 4096 种组合，还能暴力搜；M = 8, J = 6就是 262144 种，单次符号检测就够呛，这就是为什么工程里必须做剪枝或近似。

2.2 ML 检测的目标函数与复杂度来源

接收信号模型写成y = Σ_j diag(h_j) x_j + n，h_j是用户j的信道向量，x_j是从码本里选出的码字，n是噪声。ML 检测就是在所有可能的码字组合上最小化欧氏距离：

[x_1*, ..., x_J*] = argmin || y - Σ_j diag(h_j) x_j ||^2

这个式子看着简单，复杂度却是O(M^J)。工程里SCMA-ML这个名字直接点明了它用的是穷举 ML，所以它的定位是「性能基准」而不是「可部署接收机」。你在读这份工程时，要带着这个判断：它的检测结果可以用来验证 MP（消息传递）或 MPA（消息传递算法）近似得够不够好，而不是拿去对标实时吞吐。

2.3 为什么工程里常见 ML 而不是直接上 MPA

MPA 是 SCMA 的标准低复杂度检测，基于因子图做迭代消息传递，复杂度随J和M线性增长。但 MPA 有几个工程上绕不开的问题：迭代次数、阻尼因子、消息初始化都会影响收敛，调不好就出现误码平台。ML 没有这些玄学参数，它给的是硬下界。所以一份叫SCMA-ML的工程，通常承担两个角色：一是给 MPA 提供 BER 对比曲线，二是用来验证码本设计本身好不好——如果 ML 都跑不出低误码，那码本或信道模型一定有问题。这也是我建议你先跑通 ML 再碰 MPA 的原因，先有一个可信的参照系。

2.4 从目录名推断工程结构

SCMA-ML-master这种命名，大概率是 GitHub 上直接下载的 zip 解压结果，morehsq可能是作者 ID 或分支标记。常见目录会包含：码本生成脚本、主仿真脚本、ML 检测函数、BER 统计脚本、可能的 MPA 对比脚本。你拿到手第一件事不是跑主脚本，而是先确认码本维度和用户数配置，因为后面所有矩阵索引都依赖它。如果码本是硬编码的.mat文件，先load出来看size，确认是[K, M, J]还是[J, M, K]，这个顺序搞反了，检测结果会全错但又不报错，属于最隐蔽的翻车点。

3. 把 SCMA-ML 工程在本地跑通的最小路径

3.1 环境准备与目录确认

MATLAB 版本建议 R2018b 以上，因为工程里可能用到argmin类的隐式扩展或者pagemtimes。不需要额外工具箱，SCMA 仿真基本是纯矩阵运算。如果你只有 Python，也能复现，后面会给 NumPy 版本。先确认目录结构：

# 进入工程根目录，列出所有 .m 和 .mat 文件 cd SCMA-ML-master find . -maxdepth 2 -name "*.m" -o -name "*.mat" | sort

这一步的目的是找到主入口和码本文件。常见主脚本叫main.m、SCMA_sim.m或test_ML.m。如果目录里同时有ML和MPA两个文件夹，先只跑 ML，别混着调。

3.2 码本加载与维度校验

% 加载码本，假设文件名为 codebook.mat load('codebook.mat'); % 变量名可能是 CB 或 codebook K = 4; J = 6; M = 4; % 典型配置，按实际改 % 校验维度，兼容两种常见存储顺序 if size(CB,1) == K && size(CB,2) == M && size(CB,3) == J fprintf('码本维度 [K,M,J] = [%d,%d,%d] 正确\n', K, M, J); elseif size(CB,1) == J && size(CB,2) == M && size(CB,3) == K CB = permute(CB, [3 2 1]); % 转成 [K,M,J] fprintf('已从 [J,M,K] 转为 [K,M,J]\n'); else error('码本维度不符合预期，检查 size(CB)'); end

维度校验是整条链路的地基。K是资源数，M是每用户码字数，J是用户层数。permute那行是后悔药，很多下载来的工程存储顺序和你的索引习惯不一致，不转就等着 BER 恒为 0.5。

3.3 生成接收信号与穷举 ML 检测

N = 2; % 每用户非零资源数 numSym = 1000; % 仿真符号数 bitsPerSym = log2(M); % 每用户每符号比特数 BER = zeros(1, length(1:2:16)); snrIdx = 1; for EbN0 = 1:2:16 errCount = 0; totalBits = 0; for s = 1:numSym % 随机比特 -> 每用户码字索引 txIdx = randi(M, 1, J); % 叠加所有用户码字，h 为信道（此处设全 1，可换成瑞利） y = zeros(K, 1); for j = 1:J y = y + CB(:, txIdx(j), j); end % 加高斯噪声 noiseVar = 10^(-EbN0/10); y = y + sqrt(noiseVar/2) * (randn(K,1) + 1i*randn(K,1)); % 穷举 ML：遍历 M^J 种组合 bestDist = inf; bestIdx = zeros(1, J); for c = 0:M^J-1 idx = dec2base(c, M, J) - '0' + 1; % 组合索引 yhat = zeros(K, 1); for j = 1:J yhat = yhat + CB(:, idx(j), j); end d = norm(y - yhat)^2; if d < bestDist bestDist = d; bestIdx = idx; end end % 统计误比特 errCount = errCount + sum(txIdx ~= bestIdx); totalBits = totalBits + J * bitsPerSym; end BER(snrIdx) = errCount / totalBits; snrIdx = snrIdx + 1; end semilogy(1:2:16, BER, 'o-'); grid on; xlabel('Eb/N0 (dB)'); ylabel('BER'); title('SCMA ML 检测 BER');

这段代码是整个工程的心脏。dec2base把十进制组合号转成M进制索引向量，实现M^J穷举。noiseVar按Eb/N0换算，注意这里用的是符号级噪声方差，如果你要精确到比特级Eb/N0，还要除以bitsPerSym和码率。bestDist用平方欧氏距离，避免开根号。参数上，numSym至少 1000 才能让高 SNR 点的 BER 有统计意义，低 SNR 点 500 就够。J和M一改，内层循环次数指数变化，M=8, J=6时单符号 26 万次距离计算，MATLAB 里跑 1000 符号会非常慢，这时候要么减numSym，要么上向量化。

3.4 向量化加速：把 M^J 循环压成矩阵

% 预生成所有组合索引矩阵，大小 M^J x J allIdx = zeros(M^J, J); for c = 0:M^J-1 allIdx(c+1, :) = dec2base(c, M, J) - '0' + 1; end % 预生成所有组合的叠加码字，K x M^J allCodewords = zeros(K, M^J); for c = 1:M^J for j = 1:J allCodewords(:, c) = allCodewords(:, c) + CB(:, allIdx(c,j), j); end end % 检测时只需一次矩阵运算 dist = sum(abs(y - allCodewords).^2, 1); [~, bestC] = min(dist); bestIdx = allIdx(bestC, :);

预生成allCodewords是拿空间换时间，K × M^J的复数矩阵，K=4, M^J=4096时约 256KB，完全可接受。M=8, J=6时是 4 × 262144，约 16MB 复数，也能扛。这样每个符号的检测从M^J次循环降到一次sum，速度提升几十倍。注意allCodewords只和码本有关，和y无关，所以放在 SNR 循环外面生成一次即可。

3.5 Python 复现的关键差异

import numpy as np K, J, M = 4, 6, 4 # CB 形状 [K, M, J] CB = np.load('codebook.npy') # 或从 mat 转 all_idx = np.array(np.unravel_index(np.arange(M**J), [M]*J)).T # M^J x J all_cw = np.zeros((K, M**J), dtype=complex) for c in range(M**J): for j in range(J): all_cw[:, c] += CB[:, all_idx[c, j], j] # 检测 dist = np.sum(np.abs(y[:, None] - all_cw)**2, axis=0) best = np.argmin(dist)

Python 里np.unravel_index直接生成所有组合，比 MATLAB 的dec2base更干净。注意y[:, None]做广播，all_cw是K × M^J，相减后是K × M^J，沿 axis=0 求和得到每个组合的距离。MATLAB 用户转 Python 最容易错的是索引从 0 开始，all_idx直接就是 0-based，喂给CB时不用加 1。

4. 参数怎么设：码本、信道与 SNR 的实操边界

4.1 码本维度与过载因子的取舍

M=4时M^J=4096，MATLAB 单符号检测约几毫秒；M=8时M^J=262144，单符号可能上百毫秒。如果你只是验证码本，M=4足够；如果要发论文对比，M=8才有说服力，但必须向量化。N=2是 SCMA 稀疏性的体现，N越大码字越密，MPA 的因子图越复杂，但 ML 不受N影响，只受M^J影响。

4.2 信道模型：AWGN 与瑞利的切换

上面代码用的是全 1 信道，等价 AWGN。要切瑞利，把y = y + CB(:, txIdx(j), j)改成y = y + h(j) * CB(:, txIdx(j), j)，h是每用户独立的复高斯。注意 ML 检测端必须知道h，否则距离计算里的yhat也要乘h。工程里常见错误是发端加了h，收端yhat没乘，结果 BER 曲线在高 SNR 下不降，查半天以为是码本问题。瑞利信道下 ML 检测的allCodewords不能预生成，因为每个符号的h不同，yhat要实时算，向量化时把h广播进去。

4.3 SNR 范围与统计样本数

Eb/N0从 1 到 16 dB，步进 2，是 SCMA 文献的常见画法。低 SNR 段 BER 接近 0.5，样本可以少；高 SNR 段 BER 到 1e-4 以下，需要至少 1e6 比特才能看到稳定点。numSym=1000, J=6, bitsPerSym=2时总比特 12000，高 SNR 下可能一个错误都没有，BER 显示为 0，semilogy会断线。解决办法是设一个错误数下限，比如累计 100 个错误就停，或者直接加大numSym到 10000。我一般先小样本跑通流程，再大样本出曲线，别一上来就 10000 符号干等。

4.4 码本功率归一化

码本每个码字的功率应该归一化到 1，否则不同用户的发射功率不一致，ML 距离会被功率大的用户主导。检查方法：mean(sum(abs(CB(:,:,j)).^2, 1))应该接近 1。如果工程里码本没归一化，检测前先除。这个坑很隐蔽，因为 BER 曲线形状可能看起来正常，只是整体偏移，你不对比就发现不了。

5. 避坑与排查：SCMA-ML 工程里最容易翻车的五件事

5.1 现象：BER 恒为 0.5，完全不随 SNR 下降

原因：码本维度顺序错了，[J,M,K]当成[K,M,J]用，导致CB(:, idx, j)取出的码字完全错位。或者dec2base的索引起点搞错，MATLAB 里dec2base(0,M,J)返回全 0，加 1 后才是 1-based，漏加就全取到第 0 列报错或取错。解决：先跑size(CB)校验，再用固定txIdx手动算一次y和yhat，确认距离最小的是真实索引。

5.2 现象：低 SNR 正常，高 SNR 出现误码平台

原因：噪声方差换算错了。Eb/N0转噪声方差时，如果忘了除以bitsPerSym或码率，高 SNR 段实际噪声比设定值大，BER 降不下去。另一个可能是码本未归一化，用户间功率不平衡。解决：打印实际noiseVar，和理论值对比；检查码本功率。

5.3 现象：MATLAB 报「索引超出矩阵维度」

原因：M^J组合遍历时dec2base返回的是字符数组，M=8时字符'7'减'0'得 7，加 1 得 8，没问题；但M>10时dec2base会用字母，减'0'就错了。SCMA 里M一般不超过 8，但如果你改到 16，必须换base2dec或手动进制转换。解决：用ndgrid或allcomb生成索引，别依赖dec2base。

5.4 现象：向量化后结果和循环版不一致

原因：allCodewords预生成时用了旧的CB，后面改了码本没重新生成。或者allIdx的行列顺序和allCodewords的列顺序没对齐。解决：把预生成封装成函数，每次改码本强制重算；用一个小规模M=2, J=2手动验证两种实现结果一致。

5.5 现象：跑M=8, J=6时内存爆掉或卡死

原因：allCodewords是K × M^J，M=8, J=6时 4 × 262144 复数，约 16MB，不该爆；但如果K=8或J=8，就是 8 × 16M，直接上 GB。解决：分块计算距离，每次只生成一部分组合，或者改用球形译码剪枝。ML 穷举本来就不适合大J，工程里如果硬要跑，先降numSym到 100 看趋势。

6. 进阶：用球形译码把 ML 复杂度压下来

穷举 ML 的M^J在J=6, M=8时已经吃力，再大就没法用。球形译码（Sphere Decoding, SD）的思路是只搜索落在以接收信号y为球心、半径r的球内的码字组合，把复杂度从指数降到接近多项式。在 SCMA 里做 SD，关键是把叠加码字写成树结构：第j层对应第j个用户的码字选择，每层累加部分欧氏距离，一旦部分距离超过r^2就剪枝。

实现上，先设一个初始半径，比如用迫零或最小均方误差检测的结果距离作为r。然后按用户逐层展开，每层遍历M个码字，累加||y_partial - sum||^2，超半径就回退。半径可以动态收紧：找到一个可行解后，把r更新为当前最小距离，后续剪枝更狠。这个策略在M=8, J=6时通常能把搜索节点数从 26 万降到几千，速度提升两个数量级。

验证 SD 是否正确，最直接的方法是和穷举 ML 对比 BER：在相同码本、相同信道下，SD 的 BER 应该和 ML 几乎重合，如果有偏差，说明剪枝把最优解剪掉了，半径设太小。我一般先用M=4, J=4这种小规模，穷举和 SD 各跑一遍，确认曲线重合，再上大配置。另一个技巧是记录平均搜索节点数，如果它随 SNR 升高而下降，说明剪枝在起作用；如果一直等于M^J，说明半径没收紧，SD 退化成穷举。

最后说个习惯：每次改码本或信道模型，先跑M=2, J=2的最小用例，手动算一遍期望结果，确认链路无误再放大。SCMA 的矩阵索引多，错一处不报错但结果全错，这个最小用例就是你的后悔药。希望帮到你。

本文还有配套的精品资源，点击获取