示例结构

这个例子检验了这个收发信机系统在MATLAB中的各种实现。

该系统由发射机、信道模型和接收机组成。发射机用卷积编码器、交织器、调制器和MIMO空时块编码器处理输入比特流(见[1.]， [2.])。传输信号通过2x2 MIMO块衰落信道和加性高斯白噪声(AWGN)信道处理。接收机用2x2 MIMO空时块解码器、解调器、解交错器和维特比解码器处理其输入信号，以恢复接收机输入比特流的最佳估计。

该示例遵循以下工作流:

创建运行仿真算法的函数

从表示此算法的第一个版本或基线实现的函数开始helperAccelBaseline功能是 $$E_B/N_o$$当前帧的值(EbNo)，最小错误数(minNumErr)以及处理的最大位数(maxNumBits)． $$E_B/N_o$$是每比特能量与噪声功率谱密度之比。函数输出是每比特的误码率（BER）信息 $$E_B/N_o$$点。

类型helperAccelBaseline

函数数量= helperAccelBaseline (EbNo、minNumErr maxNumBits) = % helperAccelBaseline模拟通信链路%误码率helperAccelBaseline (EbNo, MINERR MAXBIT)返回的位错误%率(ber)通信链路,其中包括卷积编码、%交错,QAM调制,Alamouti时空分组码,和带AWGN的% MIMO块衰落信道。EBNO是%的每一点能量噪声功率谱密度比(Eb /不)AWGN信道在dB, % MINERR收集的最低数量是错误,和MAXBIT %最大数量的模拟部分,以便模拟不会无限期地%如果Eb /不值太高了。版权所有The MathWorks, Inc.M = 16;%调制阶k = log2(M);每符号编码%位= 1/2;%编码率adjSNR = EbNo - 10*log10(1/codeRate) + 10*log10(k);Trellis = poly2trellis(7，[171 133]);tblen = 32; dataFrameLen = 1998; % Add 6 zeros to terminate the convolutional code chanFrameLen=(dataFrameLen+6)/codeRate; permvec=[1:3:chanFrameLen 2:3:chanFrameLen 3:3:chanFrameLen]'; ostbcEnc = comm.OSTBCEncoder(NumTransmitAntennas=2); ostbcComb = comm.OSTBCCombiner(NumTransmitAntennas=2,NumReceiveAntennas=2); mimoChan = comm.MIMOChannel(MaximumDopplerShift=0,PathGainsOutputPort=true); berCalc = comm.ErrorRate; % Run Simulation ber = zeros(3,1); while (ber(3) <= maxNumBits) && (ber(2) < minNumErr) data = [randi([0 1],dataFrameLen,1);false(6,1)]; encOut = convenc(data,trellis); % Convolutional Encoder intOut = intrlv(double(encOut),permvec'); % Interleaver modOut = qammod(intOut,M,... 'InputType','bit'); % QAM Modulator stbcOut = ostbcEnc(modOut); % Alamouti Space-Time Block Encoder [chanOut, pathGains] = mimoChan(stbcOut); % 2x2 MIMO Channel chEst = squeeze(sum(pathGains,2)); rcvd = awgn(chanOut,adjSNR,'measured'); % AWGN channel stbcDec = ostbcComb(rcvd,chEst); % Alamouti Space-Time Block Decoder demodOut = qamdemod(stbcDec,M,... 'OutputType','bit'); % QAM Demodulator deintOut = deintrlv(demodOut,permvec'); % Deinterleaver decOut = vitdec(deintOut(:),trellis, ... % Viterbi Decoder tblen,'term','hard'); ber = berCalc(decOut(1:dataFrameLen),data(1:dataFrameLen)); end

作为起点，测量在MATLAB中运行这个基线算法所需的时间。使用MATLAB定时函数(抽搐和toc)来记录经过的运行时，以完成遍历的for循环的处理 $$E_B/N_o$$值从0到7 dB。

minEbNodB=0；maxEbNodB=7；EbNoVec=minEbNodB:maxEbNodB；minNumErr=100；maxNumBits=1e6；N=1；str=“基线”；%运行该函数一次，将其加载到内存中，并从%运行时测量HelperAccelbBaseline（3,10,1e4）；berBaseline=0（大小（minEbNodB:maxebNodeb））；disp(“处理基线算法。”)；

处理基线算法。

抽搐;为EbNoIdx=1:length(EbNoVec);y = helperAccelBaseline (EbNo minNumErr maxNumBits);berBaseline (EbNoIdx) = y (1);结束rtBaseline=toc；

结果显示了基线算法的仿真时间(以秒为单位)。使用此计时度量与后续加速模拟运行时进行比较。

helperAccelReportResults (N, rtBaseline rtBaseline str, str);

----------------------------------------------------------------------------------------------收发器版本|运行时间（秒）|加速比1.基线| 4.4886 | 1.0000----------------------------------------------------------------------------------------------

使用MATLAB Profiler应用程序识别速度瓶颈

利用MATLAB Profiler确定基线算法的处理瓶颈和问题区域。执行以下脚本获取分析器信息:

轮廓在y = helperAccelBaseline(6100年,1 e6);轮廓从轮廓查看器

这个性能分析报告给出算法的每个函数调用的执行时间。您可以按照自生时间降序对函数进行排序。Profiler窗口所描述的前几个函数代表了算法的速度瓶颈。在这种情况下vitdec功能被确定为主要的速度瓶颈。

用MATLAB加速仿真到C代码生成

MATLAB编码器生成可移植和可读的C代码，从算法，是MATLAB代码生成子集的一部分。的MATLAB可执行文件(MEX)helperAccelBaseline，因为它使用支持代码生成的函数和System对象。金宝app使用编码基因(MATLAB编码器)函数编译helperAccelBaseline函数转换为MEX函数。在codegen成功生成代码之后，您将在工作区中看到一个MEX文件，该文件将'_mex'附加到函数中，helperAccelBaseline_mex.

编码基因(“helperAccelBaseline.m”,“参数”，{EbNo，minNumErr，maxmnumbits}）

代码生成成功。

测量算法MEX版本的仿真时间。记录在同一个for循环中运行此函数所需的时间。

N = N + 1;str =MATLAB到C的代码生成；标签=“Codegen”；1 e4 helperAccelBaseline_mex(10日);berCodegen = 0(大小(berBaseline));disp ('处理算法的MEX函数')；

处理算法的MEX函数。

抽搐;为EbNoIdx=1:length(EbNoVec);y = helperAccelBaseline_mex (EbNo minNumErr maxNumBits);berCodegen (EbNoIdx) = y (1);结束rt = toc;

这里的结果表明，该算法的MEX版本比该算法的基线版本运行得更快。实现的加速量取决于该算法的性质。确定加速的最佳方法是使用MATLAB编码器生成MEX函数，并直接测试加速比。如果您的算法包含单个precision数据类型、定点数据类型、具有状态的循环或无法矢量化的代码，您可能会看到加速。另一方面，如果您的算法包含MATLAB隐式多线程计算，例如fft和svd，调用IPP或BLAS库的函数，为在PC（如FFTs）上的MATLAB中执行而优化的函数，或可对代码进行矢量化的算法，加速的可能性较小。

helperAccelReportResults（N、rtBaseline、rt、str、tag）；

----------------------------------------------------------------------------------------------收发器版本|运行时间（秒）|加速比1。基线| 4.4886 | 1.0000 2。MATLAB到C代码生成| 1.6402 | 2.7367----------------------------------------------------------------------------------------------

使用并行处理运行实现更快的模拟

利用多个核，通过并行运行任务来增加模拟加速。使用并行处理运行(帕弗循环）以对可用工作人员的数量执行工作。并行计算工具箱使您能够并行运行模拟的不同迭代。使用gcp(并行计算工具箱)函数获取当前并行池。如果池可用但未开放，则gcp打开池并保留几个MATLAB工作者来执行后续的迭代帕弗循环。在本例中，六个工作人员在MATLAB客户机上本地运行。

池=gcp

NumWorkers: 6 Cluster: local attachdfiles: {} AutoAddClientPath: true IdleTimeout: 30 minutes (5 minutes remaining) SpmdEnabled: true . pool = processspool with properties: Connected: true NumWorkers: 6 Cluster: local attachdfiles: {} AutoAddClientPath: true IdleTimeout: 30 minutes (5 minutes remaining

并行运行Eb/No值

跑 $$E_B/N_o$$点平行使用六个工人使用帕弗-循环，而不是前面案例中使用的for循环。测量模拟时间。

N = N + 1;str ='Parallel runs with parfor over Eb/No'；标签=“Parfor Eb /不”; HelperAccelbBaseline_-mex（3,10,1e4）；berParfor1=零（大小（BERB基线））；disp(在parfor循环中处理算法的MEX函数)；

在parfor循环中处理算法的MEX函数。

抽搐;帕弗EbNoIdx=1:length(EbNoVec);y = helperAccelBaseline_mex (EbNo minNumErr maxNumBits);berParfor1 (EbNoIdx) = y (1);结束rt = toc;

结果添加了在一个时间段内执行的MEX版本算法的模拟时间帕弗-循环到前面的结果。请注意，通过在帕弗-循环时，完成模拟的时间更短。a的基本概念帕弗-loop与标准MATLAB for loop相同，不同之处在于帕弗将循环迭代划分为组，以便每个工作人员执行总迭代数的一部分。由于几个MATLAB工作人员可以在同一个循环上并发计算，因此，a帕弗-loop提供了比普通串行for循环更好的性能。

helperAccelReportResults（N、rtBaseline、rt、str、tag）；

---------------------------------------------------------------------------------------------- 版本的收发机|运行时间(sec) |加速度比1。基线| 4.4886 | 1.0000 2。MATLAB到C的代码生成| 1.6402 | 2.7367 3。并行运行与parfor Eb /不| 1.0943 | 4.1020  ----------------------------------------------------------------------------------------------

并行运行比特数

在前一节中，总的模拟时间主要由最高决定 $$E_B/N_o$$点。您可以进一步加速模拟，方法是将每个模拟的位数相乘 $$E_B/N_o$$指向工人们，每个人都跑 $$E_B/N_o$$点并行使用六位工人使用帕弗循环。测量模拟时间。

N = N + 1;str =' parfor并行运行超过位数'；标签=“Parfor#Bits”；HelperAccelbBaseline_-mex（3,10,1e4）；berParfor2=零（大小（berBaseline））；显示(“在parfor循环中处理第二版算法的MEX函数。”)；

在parfor循环中处理算法第二版本的MEX函数。

抽搐;%计算每个worker上要模拟的位数minNumErrPerWorker = minNumErr / pool.NumWorkers;maxNumBitsPerWorker = maxNumBits / pool.NumWorkers;为EbNoIdx=1:length(EbNoVec);numErr = 0 (pool.NumWorkers, 1);帕弗w = 1:池。NumWorkers y=helperAccelBaseline_mex(EbNo,minNumErrPerWorker,maxNumBitsPerWorker); numErr(w)=y(2); numBits(w)=y(3);结束berParfor2（EbNoIdx）=总和（numer）/总和（numBits）；结束rt = toc;

结果添加了在一个时间段内执行的MEX版本算法的模拟时间帕弗-loop，此时每个worker模拟相同 $$E_B/N_o$$点。请注意，通过在帕弗-loop我们得到最快的模拟性能。区别在于帕弗除以工人需要模拟的比特数。这种方法减少了甚至最高的模拟时间 $$E_B/N_o$$通过将负载（特别是要模拟的比特数）均匀分布在工人身上来计算。

helperAccelReportResults（N、rtBaseline、rt、str、tag）；

---------------------------------------------------------------------------------------------- 版本的收发机|运行时间(sec) |加速度比1。基线| 4.4886 | 1.0000 2。MATLAB到C的代码生成| 1.6402 | 2.7367 3。与parfor并行运行的Eb/No | 1.0943 | 4.1020 4。并行运行与parfor | 0.6501 | 6.9043的比特数  ----------------------------------------------------------------------------------------------

总结

通过结合MATLAB到C代码生成和并行处理运行的效果，可以显著加快通信算法的模拟。

下面的条形图显示了所有四种方法的运行时。结果可能会根据具体的算法、可用的工作者以及最小错误数和最大比特数的选择而有所不同。

结果=helperAccelReportResults；

该图显示了不同模拟处理方法的误码率曲线彼此非常匹配 $$E_B/N_0$$该算法的四个版本中，每个版本的最大输入位数设置为1000万(maxNumBits=1e7）且最小位错误数设置为5000(minNumErr= 5000)。

进一步的探索

本示例使用gcp函数用于保留在MATLAB客户机机器上本地运行的几个MATLAB工作程序。通过修改并行配置，您可以在不在您的MATLAB客户机上的更大的工作集群上运行算法，从而进一步加速模拟。有关如何管理和使用并行配置的描述，请参阅发现集群并使用集群配置文件(并行计算工具箱)的话题。

本例中使用了以下函数。

选定的参考资料