主动RIS辅助ISAC系统联合波束成形MATLAB仿真实现详解

简介：本资源面向电子信息、通信工程及应用数学等专业的本科生与初阶研究者，聚焦主动可重构智能表面（RIS）辅助的集成感知与通信（ISAC）系统，提供波束成形联合设计与性能验证的完整MATLAB实现方案。资源包含69个文件，主体为49个功能模块化.m脚本（如波束图绘制plotbeampattern.m、信干噪比计算calcommSINR2.m、RIS功率分配calactRISpower.m等），辅以3个.mat仿真数据集、11个.zbak备份文件及规范README.md与Read me.txt说明文档，整体压缩包仅2.5MB，轻量易部署。已有70人学习下载，代码采用高度参数化架构，关键变量（如RIS单元数、UE位置、雷达目标角）均可灵活配置；算法逻辑分层清晰，每函数均含中文注释，覆盖信道建模、等效信道求解、凸优化可行性检验、雷达/通信双目标性能联合评估等核心环节，特别适合作为课程实验、综合设计或毕业论文的仿真实践基础。 把第一版仿真里的被动RIS换成主动RIS之后，我盯着感知SNR曲线愣了半天——提升确实是有的，但真正有意思的不是那几dB收益，而是整个系统设计的重心变了。ISAC要在同一个发射波形里同时完成通信和感知，基站的功率本来就紧张，再用传统RIS去搭反射链路，BS-RIS-用户这种双跳信道会把路径损耗乘起来，远距离场景几乎没法用。主动RIS在每个反射单元上加了放大环节，等于在空间里布了一排“有增益的镜子”，信号在反射过程中被放大一次，这条链路才算真正立得住。这篇文章就把我调通“主动RIS辅助ISAC系统”这段MATLAB实现的过程完整拆开，从系统建模、联合波束成形的交替优化算法，到性能验证的仿真参数和结果解读，全部按可复现的工程路径写出来。适合刚入手RIS/ISAC方向的研究生、做通感一体化的工程师，以及想用MATLAB快速验证算法的人。

1. 主动RIS为啥是ISAC的“加分项”：从乘性衰落和放大器噪声说起

1.1 被动RIS在ISAC场景里的乘性衰落问题

被动RIS的经典增益逻辑是：用大量反射单元把信号能量“聚焦”到某个方向，靠阵列增益换覆盖。这个逻辑在通信场景里成立，因为它优化的是一条单向链路。但在ISAC里，问题变味了。感知任务需要发射信号打到目标，再由目标反射回接收端，来回两条路径都可能有RIS的参与。如果把RIS放在基站和目标之间的反射链路上，等效路径损耗是“基站到RIS”和“RIS到目标”两段损耗的乘积，而不是加和。

具体算一笔账就清楚了。假设基站到RIS距离30米，RIS到目标距离5米，路径损耗指数取2.2，那么两段各自的损耗分别约10 * 2.2 * log10(30) ≈ 32.5 dB和10 * 2.2 * log10(5) ≈ 15.4 dB，级联之后总损耗接近48 dB。这个数字意味着，即使基站的发射功率有30 dBm，经过RIS反射后到达目标的信号功率也只有-18 dBm左右，回波还要再打一次距离损耗，回到接收端基本就是噪声水平附近。

ISAC系统里基站的功率不是只给一路信号的，要同时支撑下行通信和感知探测，功率预算比纯通信场景更紧。被动RIS的反射系数模值不超过1，它只能调相位，不能补偿这个损失。所以很多ISAC论文把被动RIS当作主推方案，但真放到远距离目标感知的场景里，反射链路往往会成为整个系统的瓶颈。

1.2 主动RIS的“有源增益”怎么进入系统模型

主动RIS的核心区别在于每个反射单元不再是无源相移器，而是带反射型放大器的有源单元。数学上，反射系数从 $\phi_n = e^{j\theta_n}$ 变成 $\phi_n = \beta_n e^{j\theta_n}$，其中 $\beta_n$ 是放大因子，可以大于1。

这个变化带来的直接效果是：RIS反射信号时不只是改变方向，还额外注入了一部分功率。从链路预算的角度看，相当于在中间节点做了一个中继放大，把乘性衰落掰回了一部分。我在实验里把 $\beta_n$ 分布在2到5之间时，感知回波功率比我用同样的被动RIS单元数高出一个量级。

但主动RIS不是白拿的好处。每个放大单元都会引入热噪声，噪声功率和放大器增益正相关。反射信号里叠加的噪声会随着 $\beta_n$ 一起增大，最终在接收端看到的SINR并不一定随着放大因子单调上升。更麻烦的是，每个单元的噪声在接收端是功率累加的，N个主动单元会带来N份噪声，单元数越多，噪声底抬得越高。

所以，主动RIS的波束成形设计不是简单地“把 $\beta_n$ 调到最大”，而是要在一个优化问题里同时权衡信号增强和噪声放大。这也是这个项目跟传统RIS波束成形最本质的区别：多了有源增益变量，问题从纯相位优化变成了幅度-相位联合优化。

1.3 为什么ISAC比纯通信系统更需要主动RIS

纯通信场景对被动RIS的容忍度高，因为接收端只有一个，链路是单向的，增加单元数N可以借助阵列增益把能量集中到用户方向，效果依然可观。ISAC场景里，感知回波要经过目标散射，回波路径损耗更大，而且目标位置未知，无法像通信用户那样提前精确对准。

如果感知目标是低RCS（雷达散射截面）的小型物体，例如无人机或行人，被动RIS辅助的ISAC系统往往在仿真里遇到一个尴尬情况：通信速率指标很好，但感知SNR一直上不去。原因就是回波信号淹没在噪声里。主动RIS相当于给感知链路加了一级可控制的增益，让回波在到达接收端之前被放大一次，感知目标才真正可检测。

另一个容易被忽略的点：主动RIS可以缓解基站发射功率的矛盾。ISAC里发射波形既要送数据又要测目标，把发射功率完全偏向感知会牺牲通信速率。主动RIS在RIS端补了一部分增益，基站就不需要把全部功率压在感知方向上，通信和感知之间的功率分配更从容。

2. 系统建模：通信链路、感知回波和三个被优化对象

2.1 下行通信和单目标感知的信号模型搭建

我搭建的仿真系统考虑一个单基站多天线、单个RIS和K个通信用户的ISAC场景。基站配备M根发射天线，RIS部署在基站和目标之间，配备N个主动反射单元，每个单元都能独立调整相位和放大因子。通信用户假设为K个单天线用户，感知目标是空间中一个点目标，目标是静止或慢速移动，回波在同一个符号周期内可观测。

基站发射的信号向量表示为所有用户的通信符号叠加：

$$ \mathbf{x} = \sum_{k=1}^{K} \mathbf{w}_k s_k $$

其中 $\mathbf{w}_k$ 是第 $k$ 个用户对应的发射波束成形向量，$s_k$ 是通信符号。感知信号不额外分配功率，完全复用通信信号。这样做的好处是频谱效率高，但代价是感知方向上的能量分布受通信波束成形的限制，这也是ISAC波束成形设计里最核心的矛盾点。

用户 $k$ 的接收信号可以写成：

$$ y_k = \left(\mathbf{h}{\mathrm{d},k}^H + \mathbf{h}{\mathrm{r},k}^H \boldsymbol{\Phi} \mathbf{H}{\mathrm{br}}\right) \mathbf{w}k s_k + \sum{i \neq k} \left(\mathbf{h}{\mathrm{d},k}^H + \mathbf{h}{\mathrm{r},k}^H \boldsymbol{\Phi} \mathbf{H}{\mathrm{br}}\right) \mathbf{w}_i s_i + z_k $$

其中 $\mathbf{h}{\mathrm{d},k}$ 是基站到用户 $k$ 的直射信道，$\mathbf{H}{\mathrm{br}}$ 是基站到RIS的信道矩阵，$\mathbf{h}_{\mathrm{r},k}$ 是RIS到用户 $k$ 的信道向量，$\boldsymbol{\Phi} = \mathrm{diag}(\phi_1, \ldots, \phi_N)$ 是RIS反射系数对角阵，$z_k$ 是接收端噪声。需要留意的是：RIS反射的路径中还包含了RIS自身放大产生的噪声，这个噪声在接收端表现为额外的干扰项，建模时不能漏掉。

感知回波在基站接收端可以建模为经过目标反射后的信号。考虑到目标方向或者RIS反射路径，感知信号能量写成：

$$ \gamma_{\mathrm{sense}} = \frac{\left| \mathbf{H}_{\mathrm{s}}(\boldsymbol{\Phi}) \mathbf{W} \right|F^2}{\sigma_s^2 + \sigma{\mathrm{RIS}}^2} $$

这里的 $\mathbf{H}{\mathrm{s}}(\boldsymbol{\Phi})$ 是包含RIS相移和放大因子的感知信道矩阵，$\sigma{\mathrm{RIS}}^2$ 是RIS放大器带来的等效噪声功率，$\sigma_s^2$ 是接收端热噪声功率。

2.2 要优化的三个变量：发射波束、RIS相移和放大因子

这个系统里有三个维度的优化变量，它们互相耦合，这也是整个问题棘手的原因。

第一个是基站的发射波束成形矩阵 $\mathbf{W} = [\mathbf{w}_1, \ldots, \mathbf{w}_K]$，维度是 $M \times K$。它决定了基站从每根天线、往每个用户方向发射多少功率。ISAC场景下，发射波束不仅把信号送给用户，还要保证在感知方向上有足够的能量覆盖。

第二个是RIS的相移矩阵 $\boldsymbol{\Phi}$ 的对角元素 $\theta_n$，取值范围 $[0, 2\pi)$。相位变化决定了反射信号的叠加方向，本质上是在做空间波束调向。这个变量在通信场景和感知场景中作用方式不同：通信关注的是用户方向上的相干叠加，感知关注的是目标方向上的回波增强。

第三个是主动RIS特有的放大因子 $\beta_n$，取值范围 $[0, \beta_{\max}]$，并且整体上要满足功率预算约束 $\sum_{n=1}^{N} \beta_n^2 \le P_{\mathrm{RIS}}$。这个约束的物理含义是：RIS端放大器总的输出功率不能超过硬件允许的上限。

这三个变量不是独立的。发射波束成形会影响照射到RIS上的信号功率，RIS相移会影响反射信号的相干性，放大因子又决定了RIS端注入多少额外的功率。如果单独优化其中一个，另外两个固定，问题会简单很多；但要同时优化三个，问题的复杂度就上来了。

2.3 优化命题：感知SNR最大化、通信QoS约束与功率约束

在ISAC系统中，一个通用的做法是把通信需求作为约束，把感知性能作为目标。这样做的逻辑是：通信速率是系统的基础服务能力，有明确的QoS需求；感知性能是附加价值，在满足通信的前提下尽量做好。反过来做也可以，比如以感知CRB为约束最大化通信速率，但实际调节起来不如前者直观。

我采用的优化命题是：

$$ \max_{\mathbf{W}, \boldsymbol{\Phi}} \gamma_{\mathrm{sense}}(\mathbf{W}, \boldsymbol{\Phi}) $$

$$ \text{s.t.} \quad \mathrm{SINR}_k(\mathbf{W}, \boldsymbol{\Phi}) \ge \gamma_k, \quad k = 1, \ldots, K $$

$$ |\mathbf{W}|F^2 \le P{\max} $$

$$ \sum_{n=1}^{N} \beta_n^2 \le P_{\mathrm{RIS}}, \quad 0 \le \beta_n \le \beta_{\max} $$

这个命题看着简单，实际上是典型的非凸优化问题。相位约束和放大因子约束都定义在复数域的非凸集合上，目标函数关于 $\mathbf{W}$ 和 $\boldsymbol{\Phi}$ 的耦合是非线性的。直接拿CVX求解器去怼，基本跑不动，而且不会有全局最优解。

工程上最常用的解决思路是交替优化（Alternating Optimization, AO）：先把RIS变量固定，优化发射波束成形；再把发射波束成形固定，优化RIS反射系数。每一轮子问题都保证比上一轮好，迭代若干次后收敛到局部最优解。这种思路理论上没有全局最优的保证，但实测下来效果稳定，而且每一轮子问题都有成熟的求解路径。

3. 联合波束成形怎么解：交替优化+SDR的完整推导与MATLAB落地

3.1 固定RIS变量，更新发射波束成形矩阵的闭式解

当RIS的相移和放大因子固定时，感知SNR的表达式中，$\mathbf{H}_s(\boldsymbol{\Phi})$ 变成已知矩阵，此时目标函数可以重新整理为关于 $\mathbf{W}$ 的二次型。通信SINR约束也是关于 $\mathbf{W}$ 的二次型约束，整个子问题变成一个带二次约束的二次优化问题（QCQP）。

为了在MATLAB里高效求解，我把感知SNR写成向量的二次型形式。将 $\mathbf{W}$ 向量化为 $\mathbf{x} = \mathrm{vec}(\mathbf{W})$，则感知SNR的分子可以写成 $\mathbf{x}^H \mathbf{R}_s \mathbf{x}$，分母是噪声功率，是一个常数。通信约束变成 $\mathbf{x}^H \mathbf{A}k \mathbf{x} \ge \gamma_k$ 的形式。功率约束是 $\mathbf{x}^H \mathbf{x} \le P{\max}$。

如果只有一个用户且没有QoS约束，问题退化成最大广义瑞利商，最优解就是矩阵对 $(\mathbf{R}_s, \mathbf{I})$ 的最大特征值对应的特征向量。有多个用户和SINR约束时，不能直接给闭式解，但我实测下来通过CVX求解这种QCQP还是很快的，因为维度只有 $MK$，对于8天线2用户的场景也就是16维。

代码结构大概是这样的：

function [W_opt] = update_W(H_s, H_com, gamma_k, P_max) M = size(H_s, 1); K = size(H_com, 3); % 每个用户的信道矩阵 cvx_begin sdp quiet variable W(M, K) complex minimize( 0 ) % 占位，实际用 maximize感知SNR subject to % 感知SNR目标，写成二次型 % 通信SINR约束 % 功率约束 cvx_end end

但实际实现里CVX对“最大化一个二次型”这种目标支持不好，我一般把问题转化为二分搜索：给定一个感知SNR门限 $\eta$，检查是否存在可行解，然后二分查找最大 $\eta$。这个方法在代码上更稳。

3.2 固定发射波束，更新RIS反射系数：SDR与随机化恢复

这是整个问题里最核心也最费时间的一步。固定 $\mathbf{W}$ 后，感知SNR和通信SINR都变成关于 $\boldsymbol{\Phi}$ 的非凸函数。我先把 $\boldsymbol{\Phi}$ 的对角元素提取成向量 $\mathbf{x} = [\phi_1, \ldots, \phi_N]^T$，目标函数可以重新表达为关于 $\mathbf{x}$ 的二次型。

以感知SNR为例，分子可以展开成：

$$ \left| \mathbf{h}_s^H \boldsymbol{\Phi} \mathbf{G}s \mathbf{W} \right|^2 = \mathbf{x}^H \mathbf{R}{\mathrm{sense}} \mathbf{x} + \mathbf{x}^H \mathbf{r}_s + \text{常数} $$

通信SINR约束类似。这时候问题变成：在 $\mathbf{x}$ 的二次型约束下，优化 $\mathbf{x}$ 的二次型目标。这个形式还是非凸的，因为约束集合是复数单位模和高斯分布的组合。

工程上最成熟的做法是半正定松弛（SDR）。令 $\mathbf{X} = \mathbf{x} \mathbf{x}^H$，则 $\mathbf{x}$ 的二次型变成 $\mathrm{tr}(\mathbf{R}_{\mathrm{sense}} \mathbf{X})$。去掉秩1约束 $\mathrm{rank}(\mathbf{X}) = 1$，问题松弛成一个复半正定规划（SDP），可以用CVX直接求解。

MATLAB里的核心代码：

function [x_opt] = update_RIS(R_sense, R_interf, gamma_k, P_RIS) N = size(R_sense, 1); cvx_begin sdp quiet variable X(N, N) hermitian semidefinite maximize( real(trace(R_sense * X)) ) subject to % 通信SINR约束 real(trace(R_interf * X)) <= gamma_k; % 按实际不等式方向调整 % RIS功率约束，这里简化为迹约束 real(trace(X)) <= P_RIS; cvx_end % 提取秩1解 [V, D] = eig(X); [~, idx] = max(diag(D)); x_hat = sqrt(D(idx, idx)) * V(:, idx); % 对主动RIS做幅度投影：保证放大因子在允许范围内 beta = abs(x_hat); beta = min(beta, sqrt(P_RIS / max(sum(beta.^2), 1e-12)) * beta); x_opt = beta .* exp(1i * angle(x_hat)); end

这里有一个关键细节：SDR求解出来的是矩阵 $\mathbf{X}$，需要恢复成向量 $\mathbf{x}$。我惯用的做法是取最大特征值对应的特征向量，再对幅度做投影。如果最大特征值占比不够高（比如小于总迹的80%），说明SDR松弛得比较松，单次特征向量恢复效果不好，需要用高斯随机化生成多个候选向量，逐一投影后送到目标函数里挑最优。

3.3 交替迭代的收敛判据与初始值设置

交替优化的主循环很简单：

W = init_W(M, K, P_max); Phi = init_RIS(N); for iter = 1:max_iter W_new = update_W(H_s, H_com, Phi, gamma_k, P_max); Phi_new = update_RIS(H_s, H_com, W_new, gamma_k, P_RIS); obj_new = compute_sense_SNR(W_new, Phi_new); if abs(obj_new - obj_old) / obj_old < tol break; end obj_old = obj_new; end

初始值的设置直接影响最终结果。$\mathbf{W}$ 我一般用最大比发射（MRT）或追零（ZF）初始化，这样第一轮通信约束不会卡太紧。$\boldsymbol{\Phi}$ 的初始相位我推荐直接对准目标方向，也就是让RIS反射波束指向感知目标所在方向，这样可以保证第一轮感知SNR不会太差。如果用随机相位初始化，经常会在前几轮迭代时目标值波动较大。

收敛判据我习惯看目标函数的相对变化量，而不是看变量变化量。原因是感知SNR在数值上跨度可能很大，变量微小的变化可能导致目标值大起大落，用目标值做判据更能反映实际状态。迭代次数上限设在50次左右，因为SDR的子问题每轮都要跑CVX，跑太多轮耗时很长，性价比不高。

4. 性能验证怎么设计实验：从对比曲线到蒙特卡洛结果

4.1 仿真参数体系：从信道模型到蒙特卡洛次数

性能验证的第一步是把参数定下来。参数不是随意选的，每一项都要有物理依据。我整理了一份常用的参数表，这份表基本可以支撑一套完整的ISAC仿真实验：

信道生成是仿真里最容易被忽略的环节。我采用莱斯信道模型，直射分量用阵列响应向量外积生成，散射分量用独立同分布的复高斯随机变量生成。基站侧和RIS侧分别设置到达角和离开角，这样RIS的波束成形才真正有“方向”可调。

% 生成ULA阵列响应 function a = array_response(theta, N) a = exp(1i * pi * sin(theta) * (0:N-1).') / sqrt(N); end % 生成BS-RIS信道，包含LOS和散射 H_br = sqrt(PL_br) * ( sqrt(kappa/(1+kappa)) * (a_r * a_b') + ... sqrt(1/(1+kappa)) * (randn(N, M) + 1i*randn(N, M)) / sqrt(2) );

4.2 主流程代码结构：从信道生成、SDP求解到性能统计

完整的仿真主循环大致分成四层：外层蒙特卡洛、中层交替优化、内层CVX求解、最里层性能指标计算。代码结构如果设计不好，很容易变成“改一个参数跑半小时”的尴尬局面。

我的做法是把每个功能模块拆成独立函数，主脚本只做参数设置和循环调度。

% 主脚本伪代码 for mc = 1:MC_trials % 1. 生成信道 [H_br, H_ru, H_bu, H_target] = generate_channels(params); % 2. 交替优化 [W_opt, Phi_opt] = ao_isac(H_br, H_ru, H_bu, H_target, params); % 3. 计算指标：通信速率、感知SNR、BER rate(mc) = compute_sum_rate(W_opt, Phi_opt, H_br, H_ru, H_bu); sense_snr(mc) = compute_sense_snr(W_opt, Phi_opt, H_target, params); % 4. 可选：QPSK BER 统计 [ber(mc), ~] = simulate_ber(W_opt, Phi_opt, H_br, H_ru, H_bu, params); end % 画图 plot_snr_vs_power(sense_snr, params); plot_rate_vs_qos(rate, sense_snr, params);

这里有个性能经验：内层的SDP求解是整个仿真最耗时的地方，尤其在N比较大时，CVX单个SDP可能就要跑好几秒。我建议先把N设成16把整条链路跑通，确认算法和指标没问题后，再扩大到32或64。否则调试阶段会因为等待时间过长而严重拖慢进度。

4.3 结果图怎么看：主动RIS vs 被动RIS的三个关键对比

我验证性能时固定做三组对比曲线，每一组都直接回答一个问题。

第一组是感知SNR随基站发射功率的变化曲线。这组曲线一般意义上是最直观的：主动RIS在低发射功率区的增益明显，因为RIS端的放大弥补了基站功率不足；随着基站功率增大，主动RIS的增益逐渐被放大器噪声限制，曲线斜率比被动RIS略缓，但绝对值仍然领先。如果主动RIS曲线出现“先升后平”甚至下降，就要检查RIS放大因子是否已经触碰了功率上限，或者放大器噪声建模是否合理。

第二组是通信可达速率与感知SNR之间的折中曲线（Pareto前沿）。做法是在通信QoS约束和感知SNR目标之间加权，扫描权重得到一系列点。主动RIS的折中曲线整体会更靠外，说明它在保证通信速率的同时，感知性能的牺牲更小。这是ISAC系统最看重的指标。

第三组是误码率（BER）随SNR的变化曲线。我用QPSK调制做蒙特卡洛仿真，取不同的发射SNR值分别跑。主动RIS在中等SNR区间BER下降很快，但在高SNR区间可能会出现BER地板。原因就是RIS放大器引入的噪声在发射SNR升高后不再被淹没，成为制约误码率的主要因素。如果看到地板，不要急着改代码，先检查主动RIS的放大器噪声功率设置是否合理。

5. 从调通到调优：我在MATLAB仿真里踩过的五个实际坑

5.1 CVX与求解器的版本匹配问题

CVX在较新版本的MATLAB上经常会出现兼容性问题，最典型的报错是“Undefined function or variable 'cvx_begin'”或者求解器初始化失败。我这里强调一下：一定要用和当前MATLAB版本匹配的CVX版本，不要拿好几年前的CVX装到R2022b以上版本里硬跑。CVX官方提供学术免费许可，直接用学术许可注册就好，不需要绕任何其他渠道。

我建议求解器用SDPT3而不是默认的SeDuMi。复数SDP问题里SDPT3的数值稳定性明显更好，尤其在RIS单元数N超过32的时候。切换方法很简单：

cvx_solver sdpt3

如果你发现某个SDP问题求解结果反复出现“Inaccurate”警告，先试试换求解器，往往能解决。

5.2 SDR恢复出来的解不满足RIS物理约束

SDR求解完得到的 $\mathbf{X}$ 是 $N \times N$ 的矩阵，恢复成 $\mathbf{x}$ 后的相位和幅度往往不能直接使用。很多人在这里直接取主特征向量然后用，结果发现目标函数下降一大截，甚至迭代发散。

我的处理流程是：先检查主特征值占总迹的比例，如果大于0.85，直接取特征向量进行幅度投影；如果小于这个值，用高斯随机化生成20到50个候选向量，把每个候选向量投影到可行域内，再逐一代入目标函数选最优。等跑通后再回来研究到底哪个恢复策略对特定场景最有效，不要上来就追求最优。

5.3 主动RIS的放大因子在迭代中膨胀

这是一个隐蔽的坑。交替优化过程中，如果RIS功率约束写得不对，放大因子会在迭代中迅速膨胀，目标值看起来越来越高，但硬件实现完全没有意义。我在初版仿真里就犯过这个错误：约束写成了 $\max_n \beta_n \le \beta_{\max}$，却漏掉了总功率约束 $\sum_n \beta_n^2 \le P_{\mathrm{RIS}}$，结果算法把每个单元的放大因子都推到了上限，感知SNR高得离谱，但实际里这么多个放大器同时满功率输出，热噪声早就把信号淹没了。

正确的做法是在SDR子问题里把RIS功率约束显式写成迹约束，同时在每次恢复向量后做一次投影。如果发现 $\sum_n \beta_n^2$ 明显超过 $P_{\mathrm{RIS}}$，要对整个 $\boldsymbol{\beta}$ 向量做等比缩放，保持相位不变。

5.4 感知SNR的口径不一致，导致不同方法之间无法对比

我在对比自己实现的方法和论文里的结果时，发现感知SNR永远对不上。最后查了半天才发现问题出在 “信号功率” 的定义上：有人用发射功率，有人用接收功率，有人用了归一化后的信道增益，分母上的噪声功率也有的算上了RIS放大器噪声，有的没有算。

统一口径特别重要。我的建议是：感知SNR统一在接收端定义，分子是回波信号实际到达接收端的功率，分母是接收端热噪声功率加上RIS放大器噪声功率。仿真代码里要把所有功率换算到同一个参考点，比如接收端天线端口。这样才能保证主动RIS和被动RIS的对比有意义。

5.5 parfor并行里的CVX求解器坑

如果做了蒙特卡洛仿真，自然想用parfor把循环并行化。但CVX在parfor下运行有几个需要注意的地方。首先是每个worker都要单独初始化CVX，否则会报求解器找不到；其次是CVX的许可验证有时会在并行环境下失败，报“License manager error”，这时候可以把求解器换成Mosek试试，或者把并行环境改为进程数少的配置。

另外，parfor里共享变量要特别小心。我习惯把每次蒙特卡洛的结果存到独立的cell数组或矩阵列里，循环结束后再汇总，这样避免多worker同时写同一个变量造成的竞态条件。如果不想被这些并行问题困扰，小规模仿真直接用for循环串行跑，速度慢一点但胜在稳定。

跑完整套仿真之后，我最大的体会是：主动RIS在ISAC里的收益不是一个固定常数，而是和基站功率预算、RIS功率预算、放大器噪声系数三个量纠缠在一起的系统级结果。单独把beta调大不一定好，单独增加RIS单元数也不一定好，真正有用的方法是把三个变量放进同一个优化框架里一起调。最后再给一个小建议：如果你只是初次接触这个方向，先用N=16、K=1把整条链路跑通，验证代码里每个环节的数值都没有问题，再逐步扩大规模，不然你会把大量时间耗在SDP求解的等待上，而不是花在理解算法本身。

本文还有配套的精品资源，点击获取