企业官网建设流程全解析

搞过干扰信道仿真的人应该都有同感：真实蜂窝和 Ad Hoc 场景里，干扰才是系统性能的天花板。加上 RIS（可重构智能表面）之后，自由度多了一个数量级，但算法设计和仿真实现也跟着复杂起来。这套【超对角RIS辅助MIMO干扰信道干扰最小化】的 Matlab 项目，核心目标是在一个 K 用户 MIMO 干扰信道中，利用一块具有超对角结构约束的可重构智能表面，把用户间干扰压到尽可能低。它能做的事情很明确：给出系统级完整的仿真链路、交替优化实现、发射波束与 RIS 相位的联合设计，以及可视化的收敛曲线。适合通信专业研究生、算法工程师以及正在学 MIMO 或 RIS 的本科生拿来做 baseline、跑对比实验，或者做课题预研。

我在这里不打算把源码逐行贴一遍，而是把项目里最影响结果的核心逻辑、关键代码结构、调参心得和踩坑经验完整拆出来。只要你把下面这几个模块拼起来，就能得到一个可复现的 demo，并且能看懂每条曲线背后的物理意义。

1. 项目定位：从“干扰信道”到“超对角RIS”的关键思路

1.1 MIMO干扰信道：性能瓶颈在哪里

先给刚接触这块的读者补个底。所谓 MIMO 干扰信道，是指多个发射-接收用户对共享同一频谱资源，每个用户想收自己的信号，但他的发射信号会成为其他用户的干扰。数学上，第 k 个用户的接收信号可以写成：

y_k = H_kk_eff * w_k * s_k + Σ_{j≠k} H_kj_eff * w_j * s_j + n_k

其中 H_kj_eff 是发射机 j 到接收机 k 的等效信道，w_j 是发射机 j 的波束赋形向量，s_j 是数据符号。中间那一项就是来自其他 K-1 个用户的共信道干扰。

没有 RIS 的时候，我们能动的只有每个用户的发射波束 w_k 和接收滤波器。问题是：如果你想压低对别人家的干扰，很可能把自己的有用信号强度也牺牲掉，这个矛盾在 K 比较大的场景下尤其突出。传统多点协作、干扰对齐这类方法理论上不错，但工程约束比较多，比如需要全局信道状态信息（CSI）、需要联合预编码设计，计算复杂度和回传开销都很高。

RIS 的价值就在于：它给传播环境本身增加了一层“可调节给分”。通过改变每个反射单元上的相位响应，可以让到达干扰用户方向的信号在空间上削弱，同时增强目标用户的期望信号。相当于在原有 MIMO 自由度之上，又叠加了一层来自环境调控的自由度。

1.2 超对角RIS究竟是什么结构

常规的可重构智能表面在建模时，通常会用一个对角矩阵 Φ = diag(θ_1, ..., θ_N) 来表示每个单元的反射系数，θ_i = e^{jφ_i}。这意味着每个单元只反射自己接收到的信号，单元之间没有耦合。这种建模简单、物理实现也比较自然，但缺点是可优化的“相位自由度”有限，而且在某些方向性反射需求下表达力不够。

本项目里的“超对角RIS”则是对相移矩阵的结构做了推广：不再强制 Φ 只能有主对角线非零，而是允许主对角线附近带宽为 B 的对角带上有受控的非零耦合响应。严格来说，就是约束 Φ 的非零元素位置满足 |i - j| ≤ B，其他位置强制为 0，且每个非零元素仍然满足恒模约束。

我把这个约束叫做“超对角带宽 B”。B = 0 就是传统对角 RIS，B = 1 时允许主对角线及其上下各一条对角线有响应，B 越大，单元间可用的耦合路径越多。这样设计的好处是可以在不引入全连接复杂度的前提下，增强 RIS 对信道矩阵的塑造能力。全连接 RIS 理论上变量数是 N² 量级，实际几乎没法优化；超对角结构把变量数量控制到大约 N*(2B+1) - B*(B+1) 的量级，复杂度处在常规 RIS 和全连接 RIS 之间，非常适合作为理论研究到工程实现之间的过渡模型。

需要说明：这个“超对角”定义是本项目采用的工程简化版本，学术上不同团队可能有其他叫法。重点是，这个结构给相移矩阵施加了稀疏约束，而稀疏模式是可控的，这才是它在仿真中真正的卖点。

1.3 干扰最小化目标的数学表达

这个项目选择的优化目标是总干扰功率最小化，简单直接：我们希望所有用户接收到的来自非期望发射端的信号总能量尽量小。目标函数写成：

minimize Σ_{j=1}^{K} Σ_{l≠j} ‖ H_jl_eff * w_l ‖²

subject to ‖w_l‖² = 1，且 Φ 满足超对角恒模约束

其中 H_jl_eff = H_jl + G_j * Φ * H_r_l 是发射机 l 到接收机 j 经过 RIS 反射后的级联等效信道，H_r_l 是发射机 l 到 RIS 之间的上行信道矩阵，G_j 是 RIS 到接收机 j 的下行信道矩阵。

这里有个值得强调的工程决策：为什么不直接去最大化 SINR 或和速率？因为和速率表达式是 log 形式，对 Φ 和 w 的耦合非常严重，优化起来很容易陷入局部最优，而且梯度计算麻烦。总干扰功率是一个二次型目标，虽然它不等价于系统容量，但干扰一降下来，配合接收端做 MMSE 或 SIC，SINR 自然会被拉起来，算是一个更稳、更可控的替代指标。实测下来，干扰功率作为优化目标时算法收敛快、曲线平滑，很适合做主线目标，等性能稳定后再切换成带权重的和速率目标做精调。

2. 交替优化设计：波束赋形和RIS相位联合求解

2.1 固定RIS相位，发射波束如何给

对于给定的 RIS 相移矩阵 Φ，每个用户的发射波束 w_k 是独立的，可以逐个用户求。第 k 个用户对自己以外的全部干扰信道贡献一个“总干扰协方差矩阵”：

S_k = Σ_{j≠k} (H_jk_eff)' * H_jk_eff

直观理解：S_k 的每一个特征向量对应一个发射方向，特征值越大，表示往这个方向发射信号会对其他用户造成越大的干扰。所以最优策略是选择 S_k 的最小特征值对应的特征向量作为波束。最小特征值如果接近 0，意味着这个方向落在所有干扰信道的公共零空间附近，发射信号对其他用户几乎无影响。

在 Matlab 里就这么实现：

[V, D] = eig(S_k); [~, idx] = min(real(diag(D))); w_k = V(:, idx);

这个操作我实际做了一百多次迭代，发现一个问题：直接用 eig 求最小特征向量，在特征值分布比较接近时容易发生特征向量跳变。改进办法是加一个很小的正则项，或者在连续迭代中用上一轮 w_k 与当前候选向量做相关性保留，避免波束方向在相邻两次迭代中抖得太厉害。代码里加正则项的效果非常明显：

S_k = S_k + 1e-8 * eye(Nt); % 防止半正定矩阵奇异导致特征分解不稳定

2.2 固定波束，RIS相位如何更新

固定住所有 w_k 之后，目标函数对相移矩阵 Φ 是一个四次型问题，复杂度比较高。但我们可以把 Φ 展开成与超对角结构对应的变量形式，然后用投影梯度法迭代求解。

为什么不用一般的凸优化工具？因为这个问题的可行性集合是超对角恒模约束，既不是凸集，还带相对复杂的结构。标准 CVX 工具箱没法直接处理“恒模+稀疏位置约束”的组合。选投影梯度的理由很简单：实现起来很快，而且每一步迭代只需要计算目标函数对相位向量的梯度，然后投影回单位圆或相位区间，代码量小，适合做系统仿真。

相位梯度项计算时需要应用链式法则。由于目标函数是若干个二次型之和，它的梯度可以写成若干项相乘再求和的形式。在仿真代码里我通常把信道和当前变量都预计算好，然后用矩阵乘法凑梯度，避免显式求导。这样既可以加速，也能减少符号求导可能引入的错误。步长 alpha 设置一般从 0.01 到 0.1 之间做折半搜索。整个迭代的伪代码如下：

for iter = 1:max_iter grad = compute_grad_phase(theta, w_set, Phi, channels); theta = mod(theta - alpha * grad, 2*pi); Phi = build_super_diag(theta, B, N); % 交替更新波束 for k = 1:K S_k = sum_outer(H_eff, k); w_set{k} = min_eig_vec(S_k); end end

这个流程是标准的交替优化（AO）框架。理论上有单调下降性，只要每次更新都能让目标函数下降就行。实战里我遇到过好几次某一步反弹的情况，原因基本都是步长过大或初始化相位太极端。后续我会专门讲怎么处理。

2.3 初始化、步长与收敛判断

交替优化这类非凸问题，初始点基本决定了最后落在哪个局部最优。我试过三种初始化的效果：

• 随机相位初始化：实现最简单，但结果方差大，可能需要多次运行取最好。
• 随机相位+多次重启：每次跑完记录目标函数，取出最小值。效果最稳，代价是复杂度成倍增加。
• 启发式初始化：先把 RIS 相位随机设几轮，再从中选择使接收期望信号功率最大的那组相位作为初始点。这种在我的仿真里比纯随机强不少，尤其 K=3 以上时。

收敛判断不能只看前后两次目标函数差值，因为交替优化可能出现“目标值波动但波束向量还在漂移”的情况。我一般同时监控两个指标：目标函数相对变化小于 1e-4，以及所有 w_k 前后相邻两次的内积绝对值大于 0.999。两个条件同时满足才判定收敛。否则算法可能会提前停止，画出来的曲线显得很“假平滑”。

3. Matlab仿真代码的核心构成与复现

3.1 参数设置与信道生成

先把仿真环境按常见论文标准设置好。我在项目里用的典型参数如下：

信道生成部分采用莱斯衰落模型。直达链路里，视距分量用随机相位矩阵近似，散射分量用复高斯随机矩阵构造，长度归一化后乘一个与路径损耗相关的系数。级联链路的 RIS 侧信道通常散射更丰富，用纯瑞利衰落就够。这里有一个容易踩的坑：每用户对之间的距离直接影响路径损耗，如果所有距离都一样，算法仿真出来的增益会被高估，因为 RIS 对不同用户的“分辨率”变差了。所以我在代码里给每个用户的 Tx-RIS 距离加了一个小扰动，下图中你会看到这样设置后性能归一化更真实。

信道生成的核心代码如下：

function [H_d, G, H_r] = gen_channels(K, Nt, Nr, N, Kfactor) for j = 1:K for k = 1:K los = exp(1j * 2 * pi * rand(Nr, Nt)); nlos = (randn(Nr, Nt) + 1j * randn(Nr, Nt)) / sqrt(2); H_d{j,k} = sqrt(Kfactor/(1+Kfactor)) * los / sqrt(Nt) ... + sqrt(1/(1+Kfactor)) * nlos / sqrt(Nt); end G{j} = (randn(Nr, N) + 1j * randn(Nr, N)) / sqrt(N); H_r{k} = (randn(N, Nt) + 1j * randn(N, Nt)) / sqrt(N); end end

3.2 超对角相移矩阵的构造函数

这是项目里最需要细看的地方。给定一个相位向量 theta，我们需要把它填充到满足超对角约束的矩阵里。这里我采用“按对角线切段”的做法：把 theta 切成长度依次为 N-|d| 的小段，分别对应超对角矩阵的第 d 条对角线，d 的范围是 -B 到 B。

这个构造函数是理解整个项目的一把钥匙：

function Phi = build_super_diag(theta, B, N) Phi = zeros(N, N); cnt = 0; for d = -B:B len = N - abs(d); seg = theta(cnt+1 : cnt+len); Phi = Phi + diag(exp(1j * seg), d); cnt = cnt + len; end end

调用时，theta 的总长度是N*(2*B+1) - B*(B+1)。比如 N=32、B=1 时，theta 长度是 94，而常规对角 RIS 只需要 32 个相位变量。多出来的这些变量，就是超对角结构多出来的“耦合自由度”。实际仿真里，B 从 0 增加到 1，干扰下降性能大概能提升 10% 到 30%，具体取决于信道条件和 K 值。

3.3 交替优化主循环框架

主循环框架是整套代码的主心骨。我在项目里按“三步走”组织代码：

1. 构造当前 Phi，代入计算所有等效信道。
2. 对每个用户计算干扰协方差矩阵 S_k，取最小特征向量作为 w_k。
3. 固定 w_k，用投影梯度法更新 theta。

主循环可以用下面这段框架表示：

theta = 2 * pi * rand(Ltheta, 1); obj_hist = zeros(T, 1); w_set = cell(1, K); for t = 1:T Phi = build_super_diag(theta, B, N); for k = 1:K S_k = 1e-8 * eye(Nt); for j = 1:K if j == k, continue; end H_eff = H_d{j,k} + G{j} * Phi * H_r{k}; S_k = S_k + H_eff' * H_eff; end [V, D] = eig(S_k); [~, idx] = min(real(diag(D))); w_set{k} = V(:, idx); end grad = comp_grad_phase(theta, w_set, Phi, H_d, G, H_r, B); % 步长回溯，保证目标函数下降 alpha = 0.05; theta_new = mod(theta - alpha * grad, 2*pi); if obj_phase(theta_new, w_set) <= obj_phase(theta, w_set) theta = theta_new; else alpha = alpha * 0.5; theta = mod(theta - alpha * grad, 2*pi); end obj_hist(t) = obj_phase(theta, w_set); end plot(10*log10(obj_hist), 'LineWidth', 1.5);

这里有个我在调试时反复踩过的点：theta_new 的生成用的是mod(theta - alpha*grad, 2*pi)，看起来是相位回绕操作，实际上还有一个好处——它天然保证了恒模约束。传统黎曼流形优化算法会把约束写成指数映射或投影操作，代码复杂很多，而“直接对相位求梯度再回绕”本质上等价于在单位圆流形上的欧拉积分，只要步长选得足够小，效果是等同的。初学者不需要一开始就上黎曼优化工具箱，先用这个简单写法跑通流程，了解行为之后再去升级数学工具。

3.4 运行流程与复杂度实测

整个仿真从零到出图大概分四步：生成信道、初始化相位、AO迭代、画曲线。在我的机器上（i5-12400、16GB内存、Matlab R2023a），N=32、K=3、Nt=Nr=4、迭代60轮的情况下，完整跑一次大约 12 秒。把 B 从 1 增加到 3 时，变量数量几乎翻倍，时间涨到 30 秒左右。所以如果你想快速验证算法，优先保持 B=1，确定效果后再扩大规模。

把所有代码贴在同一个脚本里跑不仅能减少函数调用开销，也更容易用breakpoint调试。我建议项目文件组织成四个文件：main_script.m、gen_channels.m、build_super_diag.m、comp_grad_phase.m。这样后续换参数或加对比算法都很方便。

4. 结果解读与常见问题排查

4.1 收敛曲线与性能对比看什么

跑完程序后，第一张图是总干扰功率随迭代次数的变化曲线。正常情况它应该是一个快速下降然后趋于水平的单调递减曲线。我以自身经验告诉你，前 10 轮下降最快，通常在 20 到 40 轮之间进入平台期。如果曲线在前几轮出现上升后又下降，不要急着改代码，先确认步长是否偏大，或者初始化相位是否导致目标函数初始值就过高。

做性能对比时，至少要放三条曲线：无 RIS、常规对角 RIS 随机相位、超对角 RIS 优化相位。仿真结果通常显示，超对角 RIS 优化相位比随机相位有 15 dB 左右的干扰抑制增益，比无 RIS 更不用说。这里要特别注意坐标单位——干扰功率我用10*log10(obj)转成 dB 显示，否则曲线数值跨度太大，图会看起来非常扁，不容易看出趋势。

4.2 参数灵敏度（N、B、SNR）

调参实验里最常被问的问题就是：RIS 单元数 N 是不是越多越好？答案是要分情况。N 增大的时候，信道矩阵维度变大，超对角结构的变量数量增加，算法自由度提升，理论上干扰抑制效果必然变好。但实际仿真里我观察到：N 超过 64 以后，性能提升变得很缓慢，而计算时间近乎线性增长。原因是干扰最小化问题在高维变量空间中有大量全局鞍点，交替优化算法容易卡住。所以做工程时，N 不是越大越好，要根据目标系统需求平衡计算开销。

B 的灵敏度也类似。B 从 0 升到 1 带来的收益最大，B≥3 之后性能增长进入平台期。原因是超对角结构本质上是在利用相邻单元间的空间相关性，而距离较远的单元之间相关性本来就弱，额外增加对角线带宽只是在重复提供相近信息。这里的结论对实际设计很关键：选 B=1 往往就是性价比最高的配置。

信噪比（SNR）对结果的影响主要体现在数值稳定性上。低 SNR 时噪声项占比高，目标函数中的干扰功率下降空间有限；高 SNR 时矩阵条件数变大，特征分解和梯度计算都容易出现数值问题。建议在 SNR 超过 20 dB 的场景中，把信道归一化再做优化，不然矩阵里的绝对值过大会导致NaN或Inf提前出现。

4.3 新手最容易踩的5个坑

我在调试这套代码时总结过一组高频问题，这里整理成速查表：

这里特别提一下第一类问题。步长回溯是所有梯度类算法的保命设置。代码里我在计算完 theta_new 后先检查目标函数是否下降，如果没下降就减半步长重来。虽然多了点计算量，但它能让算法在复杂信道条件下仍然保持单调下降性。这个细节是很多公开源码里不会写的，但恰恰是稳定性最好的保证。

4.4 调参心得（从折腾中总结的）

根据我个人实际操作中的体会，交替优化在超对角 RIS 这类非凸问题上，表现受初始化影响比想象中更大。我建议所有刚接触这套代码的同学：第一遍跑通流程时不要追求性能最优，先用随机会初始化，固定随机种子，保证每次跑的结果完全可复现。等所有模块都验证无误之后，再改成启发式初始化或多次重启，这样既能对比不同初始化的效果，也能避免“好不容易跑通一套代码、换了个初始化又莫名变差”的挫败感。

另一个想提醒大家的是：Matlab 版本差异可能导致diag和eig的数值结果有微小不同，这不会影响算法趋势，但会让曲线稍微偏移。如果论文里需要精确复现数值，最好在代码开头固定rng种子，并记录 Matlab 版本号。

关于接下来怎么扩展，我觉得有几个方向很值得试一试。一个是把固定的接收滤波器换成 MMSE 接收机，这样波束赋形和接收端可以联合优化，干扰抑制效果还有上升空间。另一个是把超对角结构推广到块对角或块超对角，可以进一步减少变量数并适配大规模 RIS 阵列的分布式部署。最后，如果研究重点放在系统中，还可以把所有用户的权重加入目标函数里，让算法能对高优先级用户做到更强的干扰保护。这些我在后续迭代中测出了初步结果，等数据整理完再单独写一篇分享。