手把手教你学Simulink--基于调制解调技术的场景实例：自适应调制编码(AMC)在NR下行链路中的应用

目录

手把手教你学Simulink

一、引言：AMC是5G NR的“智能变速器”

二、AMC核心机制：MCS索引表

三、系统设计目标

四、建模过程详解

第一步：创建 Simulink 模型

必备工具箱：

第二步：定义AMC系统参数

第三步：构建闭环AMC系统架构

子系统划分：

第四步：UE端建模 —— CQI上报机制

1. 信道质量估计（SNR/CQI）

2. CQI上报延迟建模

第五步：gNB端建模 —— MCS自适应选择

使用 Stateflow 实现MCS决策逻辑：

调制编码实现：

第六步：动态信道建模（用户移动）

第七步：性能评估模块

1. 吞吐量计算

2. 误块率（BLER）

3. MCS切换记录

第八步：完整 Simulink 模型搭建

推荐结构：

关键技巧：

五、仿真运行与结果分析

场景设置：

预期结果：

图表输出建议：

六、扩展：链路级仿真与MCS表优化

七、总结

附录：所需模块清单

---

手把手教你学Simulink--基于调制解调技术的场景实例：自适应调制编码(AMC)在NR下行链路中的应用

手把手教你学Simulink

——基于调制解调技术的场景实例：自适应调制编码（AMC）在NR下行链路中的应用

---

一、引言：AMC是5G NR的“智能变速器”

在 5G 新空口（New Radio, NR） 系统中，无线信道环境瞬息万变：用户移动、遮挡、干扰、多径效应等因素导致信道质量动态波动。

如果固定使用一种调制编码方案（MCS），将面临两难困境：

• ❌ 高阶MCS（如256-QAM）：信道好时高效，但信道差时大量误码
• ❌ 低阶MCS（如QPSK）：始终可靠，但信道好时浪费容量

自适应调制编码（Adaptive Modulation and Coding, AMC） 技术应运而生。它像汽车的“智能变速器”，根据实时信道质量动态调整MCS，实现：

✅ 信道好时：高速传输（高阶调制 + 高码率）
✅ 信道差时：稳定连接（低阶调制 + 低码率）

本文将手把手教你使用 MATLAB/Simulink 搭建一个完整的AMC闭环系统，模拟用户移动场景，验证AMC如何最大化吞吐量并保障通信可靠性。

---

二、AMC核心机制：MCS索引表

3GPP 定义了 MCS Table（如 MCS Table 1），将调制方式与编码速率组合编号：

MCS Index	调制方式	代码率 (R)	频谱效率 (b/s/Hz)	适用SNR
0	QPSK	1/4	0.5	< 5 dB
1	QPSK	1/2	1.0	~8 dB
...	...	...	...	...
16	64-QAM	3/4	4.5	~22 dB
27	256-QAM	3/4	6.0	~32 dB

📊 MCS越高 → 效率越高 → 可靠性越低

---

三、系统设计目标

通过 Simulink 仿真验证：

1. ✅ 构建闭环 AMC 系统：gNB ↔ UE
2. ✅ 模拟用户移动导致的 SNR 动态变化
3. ✅ UE 上报 CQI（信道质量指示）
4. ✅ gNB 根据 CQI 动态选择 MCS
5. ✅ 对比 固定MCS vs AMC 的吞吐量与误块率（BLER）

---

四、建模过程详解

第一步：创建 Simulink 模型

matlab

编辑

% 创建模型
modelName = 'NR_AMC_Simulation';
new_system(modelName);
open_system(modelName);

必备工具箱：

• Simulink
• Communications Toolbox
• DSP System Toolbox
• 5G Toolbox（推荐）
• Stateflow（状态控制）

---

第二步：定义AMC系统参数

matlab

编辑

% AMC 参数
amc_params = struct();
amc_params.SimulationTime = 10;        % 10秒仿真
amc_params.SymbolRate = 1e5;           % 100 ksym/s
amc_params.PacketLength = 1024;        % 每TTI数据量（bit）
amc_params.NumTTI = amc_params.SimulationTime * amc_params.SymbolRate;

% MCS 表（简化版）
mcsTable = [
    0,  'QPSK',    0.25,  0.5;   % MCS 0
    1,  'QPSK',    0.5,   1.0;   % MCS 1
    2,  'QPSK',    0.67,  1.3;   % MCS 2
    4,  '16-QAM',  0.33,  1.6;   % MCS 4
    7,  '16-QAM',  0.67,  3.0;   % MCS 7
    12, '64-QAM',  0.5,   3.6;   % MCS 12
    16, '64-QAM',  0.75,  4.5;   % MCS 16
    27, '256-QAM', 0.75,  6.0    % MCS 27
];

---

第三步：构建闭环AMC系统架构

text

编辑

                    ┌───────────────────────┐
                    │       gNB (基站)       │
                    └───────────────────────┘
                             ▲        ▼
                      CQI反馈 │        │ 下行数据
                             │        ▼
                    ┌───────────────────────┐
                    │         UE (用户)       │
                    └───────────────────────┘

子系统划分：

1. UE端：信道估计 → CQI计算 → 上报 → 解调
2. gNB端：CQI接收 → MCS选择 → 调制编码 → 发射

---

第四步：UE端建模 —— CQI上报机制

1. 信道质量估计（SNR/CQI）

matlab

编辑

% 在MATLAB Function中实现
function cqi = estimate_CQI(receivedSignal, transmittedPilot)
    % 计算信道响应
    H_est = receivedPilot ./ transmittedPilot;
    % 计算噪声功率
    noisePower = var(receivedPilot - transmittedPilot .* H_est);
    % 计算SNR (dB)
    snr = 10*log10(abs(H_est)^2 / noisePower);
    % 查表映射为CQI
    if snr < 5
        cqi = 1;
    elseif snr < 10
        cqi = 3;
    elseif snr < 15
        cqi = 6;
    elseif snr < 20
        cqi = 9;
    elseif snr < 25
        cqi = 12;
    else
        cqi = 15;  % 最高CQI
    end
end

2. CQI上报延迟建模

• 使用 Transport Delay 模块模拟上报时延（如 2–4 TTI）

---

第五步：gNB端建模 —— MCS自适应选择

使用 Stateflow 实现MCS决策逻辑：

text

编辑

[状态] MCS_Selection:
  if CQI >= 14 → MCS = 27 (256-QAM 3/4)
  elseif CQI >= 11 → MCS = 16 (64-QAM 3/4)
  elseif CQI >= 8  → MCS = 12 (64-QAM 1/2)
  elseif CQI >= 5  → MCS = 7  (16-QAM 2/3)
  else            → MCS = 2  (QPSK 2/3)

调制编码实现：

• 使用 Switch 模块选择不同 QAM Modulator 和 Convolutional Encoder
• 或使用 comm.PSKModulator / comm.RectangularQAMModulator + comm.ConvolutionalEncoder

---

第六步：动态信道建模（用户移动）

模拟用户移动导致的 SNR变化：

matlab

编辑

% SNR 随时间变化（模拟进入/离开建筑物）
t = 0:0.1:10;
snr_profile = 30 - 20*exp(-(t-5).^2/2) + 5*randn(size(t));  % 高斯凹陷 + 噪声

在 Simulink 中使用 Signal Builder 或 From Workspace 输入 SNR 曲线。

---

第七步：性能评估模块

1. 吞吐量计算

matlab

编辑

throughput(t) = (有效传输比特数) / (TTI周期)

使用 Moving Average 模块平滑。

2. 误块率（BLER）

• 每TTI判断是否解码成功
• 统计 BLER = 错误块数 / 总块数

3. MCS切换记录

• 记录每TTI使用的MCS索引
• 绘制 MCS vs Time 曲线

---

第八步：完整 Simulink 模型搭建

推荐结构：

text

编辑

[SNR Profile] → [AWGN Channel] ← [gNB TX]
                     ↓
                [UE: CQI Estimator] → [CQI Feedback (Delay)] 
                     ↓                        ↑
              [OFDM Demod] ← [MCS Selector (Stateflow)] ← [CQI In]
                     ↓
              [Throughput & BLER]

关键技巧：

• 使用 Enabled Subsystem 控制每TTI处理
• 使用 To Workspace 记录 MCS、SNR、吞吐量
• 使用 Dashboard 实时显示 MCS 切换动画

---

五、仿真运行与结果分析

场景设置：

• SNR变化：0–30 dB 动态变化
• TTI长度：1 ms
• 对比模式：
  • 固定MCS（如 MCS=7）
  • AMC（自适应）

预期结果：

指标	固定MCS（MCS=7）	AMC
平均吞吐量	~2.5 Mbps	~4.8 Mbps
BLER	< 1%（SNR高时浪费）	< 1%（始终保障）
频谱效率	恒定	动态最优

✅ AMC 提升吞吐量近 100%！

---

图表输出建议：

1. SNR vs Time：显示信道动态
2. MCS Index vs Time：显示自适应过程
3. 吞吐量 vs Time：AMC 明显更高
4. BLER vs Time：两者均低，AMC 更稳定

---

六、扩展：链路级仿真与MCS表优化

1. 链路级仿真：

   • 集成完整 NR 物理层（PDSCH, DM-RS）
   • 使用 5G Toolbox 的 hNRDownlinkChannel 信道
   • 支持 HARQ 重传

2. MCS表优化：

   • 基于实测SNR-BLER曲线，拟合 SNR-BLER Lookup Table
   • 实现 BLER目标（如10%）下的最优MCS选择

---

七、总结

通过本次 Simulink 仿真，你已掌握：

1. ✅ AMC 闭环系统架构
2. ✅ CQI 估计与上报机制
3. ✅ 基于Stateflow的MCS动态选择
4. ✅ 动态信道与用户移动建模
5. ✅ 吞吐量与BLER性能评估

核心收获：

• AMC 是提升5G系统容量的关键技术
• “好时多发，差时稳发”是核心思想
• 闭环反馈 + 快速决策 = 高效通信

掌握 AMC 仿真技术，你将具备设计智能无线链路、自适应通信系统、AI驱动的物理层的坚实基础。

---

附录：所需模块清单

功能	Simulink 模块
CQI 估计	MATLAB Function
CQI 上报	Transport Delay
MCS 选择	Stateflow Chart
调制	QAM/PSK Modulator
编码	Convolutional Encoder
吞吐量	Moving Average + Math Function
BLER	Error Rate Calculation
信道	AWGN Channel + Signal Builder
数据记录	To Workspace

立即动手，在 Simulink 中构建你的“智能通信大脑”，让网络随信道起舞！