LDPC译码算法代码概述

程序说明 V0.0 2015/1/24

LDPC译码算法代码概述

 

概述	本文介绍了包括LDPC_Simulation.m, ldpcdecoderbp1.m,ldpcdecoderminsum.m, ldpcdecoderbp2.m,ldpcdecoderminsum2.m在内的MATLAB代码的编写思路，基本原理和功能，具体代码可见文后。本文暂不涉及LDPC校验矩阵的构造和编码程序，此部分由他人提供。

修订历史

以下表格展示了本文档的修订过程

日期	版本号	修订内容
2015/02/02	V1.0	初始版本，初步仿真正确

简介

本程序基于MATLAB 2014a 编写，本文档中提到的"MATLAB"均指该特定版本MATLAB。本文提到的LDPC编码均指二进制LDPC编码，多进制暂时不进行讨论。 LDPC（低密度奇偶校验）编码，顾名思义有两个特性：纠错编码采用奇偶校验，该种编码方式具有低密度的特点。在学习LDPC编码之前，必须要对线性分组码的基本概念有详细的了解，包括线性分组码的映射思想、生成矩阵、校验矩阵等。这部分内容可参考《通信原理》等书籍。有限域上的编码可不做了解，这一点我现在也不懂。 低密度的意思是对于校验矩阵H而言，1的个数远小于0的个数。这对于译码算法而言是至关重要的，这表现在两个方面。其一是对于一个大的校验矩阵而言，太多的1会导致计算上的困难；其二是译码算法（此处特指置信传播类算法）中的很多假设实际上是不成立的，在H不满足低密度约束下对其性能会有很大影响。 LDPC的置信传播算法包括以下假设： Tanner图无环 各个校验方程独立 矩阵设计过程中各个码字距离足够远 计算条件边缘概率（？） 其他 关于置信传播的具体原理和假设将在《学习笔记：LDPC编译码基本原理》中做具体阐述，此处不再详细说明。（由于《学习笔记：LDPC编译码基本原理》还未开始撰写，该部分内容可能会有较大变动）

程序设计

程序结构 校验矩阵和编码程序已经给定程序（脚本）按顺序由以下几个部分构成 参数设置 随机序列（数据）生成和编码 AWGN信道仿真 译码程序 误比特数等信息统计 校验矩阵已知，且命名为H(800,480).mat，采用load('H(800,480).mat')即可载入，校验矩阵为H。随机序列（数据）生成和编码采用ldpcencoder(H)调用函数，返回数据及其编码。本文仅对AWGN信道和译码程序做说明。   AWGN信道 加性高斯白噪声信道，说明信道的仿真只需要加上一个高斯白噪声就可以了。"白"意味着任意两个不同时刻的噪声都是不相关的，"高斯"即服从高斯分布，满足这两个要求很简单，采用randn生成一组序列即可。唯一不确定的就是噪声的方差了。 对于零均值信号而言，方差代表的就是功率。问题就转变成了如何通过EbN0计算噪声的功率？EbN0是一个比值，每比特能量/噪声功率谱密度。如果我们将信号功率归一化，那么噪声功率就是信噪比SNR的倒数。 在本程序中，校验矩阵为480×800（比特速率为码速率的0.4），采样频率等于码速率（带宽为采样频率的一半），因此有 SNR_dB = EbN0_dB((nEbN0)) + 10*log10(2)+10*log10(0.4);   译码程序编写思想（置信传播为例） 译码算法实际上是很简单的，问题在于呢，如何早到那些要乘的数。就是下式中所表现的 集合中的数据 对于这个问题，有两个考虑方式： 1. 传播都是在边上的，那么从边入手。 H矩阵中有多少个非零元素，就有多少条边，记为L。对于每一条边而言，用两个个长度也为L的向量保存边所连接的变量节点和校验节点的编号（r_Mark，c_Mark）。 初始化： 变量节点传递的信息是P（X|Y），那么只需要知道边所对应的变量节点（c_Mark（l））就知道了传递的信息。 迭代： 对于每一次的迭代，从第一条边开始。找出边的r=r_Mark（l），之后找到所有的r_Mark = r的边，计算校验节点的信息。 同理计算变量节点传播的信息 判决 ……   问题在于： 找在MATLAB中采用find就可以了，但是复杂度到底是多少呢？每个循环都要find一下实在是太浪费了……   2. 利用H矩阵的天然结构 也就是说实际上我们要取的集合是H对应的每一行或每一列的数。如果我们采用和H矩阵完全相同的方式去构造信息传递的两个矩阵，那么在寻址的过程中将会容易很多。 想法1对应的程序是ldpcdecoderbp1和ldpcdecoderminsum，想法2对应的程序是ldpcdecoderbp2和ldpcdecoderminsum2。实验证明，程序对应的校验矩阵如本代码所附时，采用方式1运行效率高。

算法

置信传播 以下内容是置信传播算法的编程具体实现方式，按上述思路1编写对应ldpcdecoderbp1 LDPC译码过程可以用Tanner图直观表示，如图 1所示，接收到的序列表示为 ，校验节点为 ，我们要求的是 的条件后验概率。 图 1 Tanner图   本文不叙述过多原理性问题，仅列出计算步骤，此处假定编码后的星座映射为 。 1.初始化：（P0，P1 = 1-P0） 2.校验消息处理：（校验节点传递信息rmn0，rmn1 = 1-rmn0）      3.变量消息处理：（k为归一化常数）      4.译码判决：（求0，1后验概率之比值qn0_1，大于1判决为0）      如果满足 或达到最大迭代次数，返回译码后结果，退出循环；否者回到步骤2。 最小和算法 以下内容是最小和算法的编程具体实现方式，按上述思路2编写，对应ldpcdecoderminsum2。 对于最小和算法，尤其要注意的是发送端的映射关系。对于置信传播算法而言，如果把关系搞错了，会发现误码率大约是1减正确情况下误码率，这个时候很快就能发现毛病所在；但在最小和中，弄错了的话，误码率会变得怪怪的。 最小和算法本质上和置信传播没有什么区别。正如我们所观察到的，置信传播算法中有两个可以改进的地方：其一是对于概率来说，不是0就是1，没有必要采用两组变量，更好的选项可能是采用比值的形式；其二是算法中采用的乘法取对数之后会变成加法，这样能减少运算量。从这两点出发，提出了对数似然比算法，最小和算法实际上是对数似然比算法的近似。 同置信传播算法的前提假设，但以想法2为例，最小和算法阐述如下。 1.初始化： （按校验矩阵结构对应vl至vnm） 2.校验消息处理：（校验节点传递信息unm）      3.变量消息处理：（变量节点）      4.译码判决：（qn0_1，大于0判决为0）      如果满足 或达到最大迭代次数，返回译码后结果，退出循环；否者回到步骤2。

改进思路	改进的意思是这一程序是对的，但是能够做得更好。译码程序的初步验证过程是将EbN0设置为一个较大的值，在这一情况下迭代次数应该是1。很显然这里的四个译码函数都完成了这一个测试，但是否真正无误还有待更进一步的考验。 做得更好的"好"往往是必须有一个标准的，如果我们将程序计算复杂度和空间复杂度降低、且易于FPGA实现作为"好"的标准，那么可以从以下几个方面改进 采用最小和算法 采用了两种变量存储变量信息和校验信息，但实际上一组足以 可以选择一种综合1、2想法的存储思路 将1想法中需要find的取值预先存起来 多参考译码器实现的学位论文 ……

参考	《LDPC码基础与应用》 贺鹤云 An Introduction to Low-Density Parity Check Codes Daniel J. Costello, Jr.

代码

……