简介:本资源是面向通信工程专业学生、5G协议研究者及MATLAB仿真开发者的5G NR标准LDPC码完整实现方案,聚焦于控制信道与数据信道纠错编码的核心技术落地。资源提供从H矩阵构造(含3GPP基图选择、lifting size计算、协议1/2校验矩阵加载)、编码流程(比特交织、校验位生成)到BP迭代解码(消息传递算法)的端到端MATLAB 2018b可运行代码,覆盖5G标准定义的关键参数配置与性能验证环节。压缩包共9个文件,含7个核心m脚本(如get_3gpp_base_graph.m、sim_ldpc_v1.m、punc_last.m等)实现算法模块化调用,2个mat文件存储预定义的协议级校验矩阵,整体仅20KB,轻量易读、便于调试与二次开发。目前已有1360人学习下载,读者可直接复现5G LDPC编解码全流程,深入理解基图扩展机制、节点消息更新逻辑及迭代收敛行为,为协议栈开发、FPGA软核验证或课程设计提供可靠参考实现。 做5G物理层仿真的人,早晚绕不开LDPC。我最早接触5G标准下的LDPC是在一个很现实的工程节点上:手里没有现成的编码器,需要在MATLAB里把NR标准定义的LDPC编码和译码完整跑通,用来验证某条链路的BLER性能。那时候最头疼的不是“怎么调用函数”,而是“标准里那两张基矩阵到底怎么落到MATLAB里”。这篇东西算是把那段踩坑过程沉淀下来,从编码背景、标准细节、MATLAB实现到仿真验证,一次性说清楚。适合正在做5G NR链路仿真、物理层算法验证,或者纯粹想把LDPC原理落地成代码的工程师。不需要你有很深的编码理论底子,但基本的MATLAB操作和一点通信基础会让你读起来舒服很多。
1. 为什么是LDPC:5G信道编码背后的技术选择
1.1 从Turbo到LDPC的演进逻辑
4G LTE时代的数据信道用的是Turbo码,卷积码用于控制信道。Turbo码在码长较长、码率适中时性能确实不错,但有个工程上的硬伤——译码是串行迭代的,两个分量译码器之间反复交换外信息,吞吐率做上去很难。5G的eMBB场景目标峰值速率动辄几十Gbps,物理层对译码吞吐和时延的要求比LTE高了一个量级。这时候再去优化Turbo码的并行度,性价比已经很低了。
LDPC码的优势在于它天生就是并行译码的。校验矩阵H定义了变量节点和校验节点之间的图结构,消息传递算法天然可以按节点分组并行更新。只要控制好校验矩阵的行重、列重和基图结构,吞吐率可以接近线性扩展。再加上LDPC码从1962年Gallager提出来之后,经过几十年积累,学术界和工业界对它的性能分析、存储结构和硬件实现都已经研究得很透彻,技术风险低。5G标准最终把LDPC定为数据信道编码方案,本质上是在“性能接近香农极限”和“工程可实现性”之间做了最优权衡。
1.2 5G NR LDPC 的三个关键设计
5G NR采用的LDPC不是随便一张稀疏校验矩阵,而是经过精心构造的准循环LDPC(QC-LDPC)。它有三个设计特点直接影响了MATLAB实现方式,值得先记在心里。
第一是 准循环结构 。校验矩阵由大小固定的循环移位子矩阵拼接而成,一个非负整数代表某个Zc×Zc单位矩阵向右循环移位多少次,-1代表全零矩阵。这种结构让硬件上可以用简单的循环移位寄存器完成消息传递,MATLAB里也可以用矩阵分块操作高效扩展。
第二是 两种基矩阵 。标准定义了BG1和BG2两张基矩阵,分别应对大传输块高码率和中小传输块低码率场景。编码器要根据传输块大小A和目标码率R动态选择。
第三是 与速率匹配和HARQ深度耦合 。5G的LDPC编码器输出后还要经过比特选择、交织、循环缓冲和冗余版本选择,才能映射到物理资源上。这也是5G LDPC和传统LDPC最大的区别之一——它不是孤立的前向纠错编码,而是整个物理层传输机制的一部分。
2. 5G标准下LDPC的关键技术细节
2.1 基矩阵BG1与BG2的选择逻辑
标准里BG1的尺寸是46行×68列,BG2是42行×52列。行数代表校验位块数,列数减行数是系统位块数,所以BG1的可变信息位块数是22,BG2是10。加上循环提升因子Zc后的实际码长会成倍扩展。
我自己实现时最常搞混的是BG选择规则,这里直接用大白话理清:
- 如果信息块长度A ≤ 292比特,无脑选BG2;
- 如果A ≤ 3824比特且目标码率R ≤ 0.25,选BG2;
- 如果目标码率R ≤ 0.25,不管A多大都选BG2;
- 其余情况选BG1。
这个规则背后的逻辑其实很直观:BG2的行数少、系统列数少,更适合短块低码率;BG1的可变系统列数多,能撑起大码块高层级调制下的高码率。你可以把这个选择过程理解为“仓库里有两台不同规格的打包机,小包裹用小的,大包裹用大的”。
2.2 准循环结构与Zc的计算
QC-LDPC的校验矩阵H由基矩阵逐项扩展而来。设基矩阵中某个元素为V,循环提升因子为Zc,那么该元素扩展为一个Zc×Zc的矩阵:
- V = -1:扩展为全零矩阵;
- V ≥ 0:扩展为单位矩阵循环右移V位后的结果。
Zc不是随意定的,标准通过一个查找表将信息块长度映射到Zc和提升因子iLS。我整理了一下常用的对应关系,Zc的取值都是2的幂次与几个固定奇数的乘积,比如集合{2, 4, 8, 16, 32, 64, 128, 256}、{3, 6, 12, 24, 48, 96, 192, 384}、{5, 10, 20, 40, 80, 160, 320}等。计算步骤是:
- 确定BG后,得到系统位块数kb(BG1为22,BG2为10);
- 从查找表中选择最小的Zc,使Zc × kb ≥ 加完CRC后的信息块长度K;
- 用查表得到的Zc索引iLS参与后续交织参数计算。
举个实际例子,假设K = 1000并且选BG1,kb = 22,那么Zc × 22 ≥ 1000 → Zc需要至少46。查找表里第一个满足并且合法的最小Zc是64。注意这里Zc必须是标准表里存在的值,不能随意取48,因为它不在BG1支持的集合里。
2.3 速率匹配与系统比特打孔
5G LDPC编码后的比特不是全部送往调制器的。标准规定编码输出的前2个系统比特块(对应基矩阵前两列)在传输时要被打孔,不实际发送。这个设计是为了保证即使接收端不知道全部系统比特,也能借助校验比特可靠译码——本质上是在编码效率里预留一定冗余。接收端译码时,被打孔位置的LLR置0即可,不影响迭代译码流程。
除了打孔,速率匹配还包含比特选择、交织和循环缓冲。由于NR的LDPC编码器输出比特之间存在结构性顺序,速率匹配会按特定顺序把编码比特填入循环缓冲,再根据冗余版本(RV)截取特定起始位置的数据。HARQ重传时,不同RV读出的比特可以软合并。这块如果不做硬件实现,纯仿真验证时往往可以简化,但在做标准一致性测试时绕不开。
3. MATLAB实现架构设计
3.1 工具链选择:5G Toolbox还是纯手写
MATLAB实现5G LDPC有两条路:一是直接用5G Toolbox的 nrLDPCEncode 和 nrLDPCDecode ,二是自己构造校验矩阵并实现编解码算法。
我的建议是:别把两条路对立起来。如果有Toolbox授权,先用它搭出基准链路,得到可信的BLER曲线;然后再手写译码器替换Toolbox函数,逐模块对照结果。这样既保证了仿真平台的正确性,又能深入理解LDPC的每个细节。没有Toolbox也没关系,手写LDPC编解码其实没有想象中那么复杂,核心就是基矩阵录入、校验矩阵扩展、Min-Sum迭代译码三件事。
我最终交付的仿真平台就是混合架构:编码部分用标准接口,译码部分用自定义Min-Sum实现,方便后续修改量化策略或调度算法。
3.2 校验矩阵构造
无论编码还是译码,第一步都是把基矩阵变成真正的稀疏校验矩阵H。基矩阵的来源可以手动录入TS 38.212的表5.3.2-2和5.3.2-3,也可以从网上找整理好的.csv或.mat文件。录入时要小心,BG1有46×68个元素,BG2有42×52个元素,手工抄写极易出错。更靠谱的方式是写一个小函数读取文件,或者直接从5G Toolbox内部函数提取。
扩展函数的逻辑如下:
function H = expandBaseGraph(bg, Zc)
[mb, nb] = size(bg);
H = logical(false(mb * Zc, nb * Zc));
for r = 1:mb
for c = 1:nb
v = bg(r, c);
if v < 0
continue;
end
block = zeros(Zc, Zc);
for i = 1:Zc
shift = mod(i - 1 + v, Zc) + 1;
block(i, shift) = 1;
end
rowIdx = (r-1)*Zc + (1:Zc);
colIdx = (c-1)*Zc + (1:Zc);
H(rowIdx, colIdx) = block;
end
end
H = sparse(double(H));
end
注意这里的循环移位方向。TS 38.212里规定的是 向左循环移位 还是 向右 ,不同版本的实现文档表述可能不同,一定要核对。我自己这里用的是向右循环移位,实际代码运行时可以通过一个已知测试向量验证,如果发现生成矩阵与标准给出的编码结果不一致,优先检查这一处的方向。
3.3 编码器实现
编码的本质是求解等式 H × c^T = 0(模2),其中c由信息位和校验位组成。5G标准定义的基矩阵校验部分有准双对角结构,理论上可以递推实现,不需要做完整的高斯消元。不过对于仿真验证,直接做GF(2)高斯消元更省事,代码量小且不容易错,代价是计算量大一些,但仿真数据块通常不大,完全可以接受。
GF(2)上的高斯消元可以这样实现:
function parity = gf2Solve(H2, rhs)
[m, n] = size(H2);
A = [H2, rhs];
row = 1;
for col = 1:n
pivot = find(A(row:m, col), 1);
if isempty(pivot)
continue;
end
pivot = pivot + row - 1;
A([row, pivot], :) = A([pivot, row], :);
idx = find(A(:, col));
idx(idx == row) = [];
A(idx, :) = xor(A(idx, :), repmat(A(row, :), length(idx), 1));
row = row + 1;
if row > m
break;
end
end
% backward substitution
x = zeros(m, 1);
for i = m:-1:1
pivotCol = find(A(i, 1:n), 1);
if isempty(pivotCol)
continue;
end
x(pivotCol) = mod(A(i, n+1) - A(i, 1:n) * x, 2);
end
parity = mod(x, 2).';
end
编码主函数就是构造H1和H2,然后算右端项:
function cw = ldpcEncode(infoBits, H)
[mb, nb] = size(H);
kb = nb - mb;
H1 = H(:, 1:kb);
H2 = H(:, kb+1:end);
rhs = mod(H1 * infoBits.', 2);
parity = gf2Solve(H2, rhs);
cw = [infoBits, parity];
end
这个实现跑通之后,你会发现校验矩阵H规模稍大时高斯消元会有点慢,特别是Zc=256时H可能上万列。所以在正式仿真里我通常直接用标准推荐的递推编码,利用校验部分的准双对角结构。但作为“第一次用MATLAB复现LDPC”的数学验证,高斯消元反而是最不容易出错的版本,推荐作为基线。
3.4 译码器实现:Min-Sum算法的工程化
5G标准本身不限制译码算法,只要性能达标。最经典的BP算法和工程上常用的Min-Sum算法都行。Min-Sum是最容易在MATLAB里实现并且性能损失可控的选择,核心思想是把BP里的tanh运算替换成取最小绝对值,乘法变成加法,大幅降低计算复杂度。
我实现的Min-Sum译码器如下:
function [decBits, iterUsed] = minSumDecode(H, llrIn, maxIter, alpha)
[m, n] = size(H);
vnInCN = cell(m, 1);
cnInVN = cell(n, 1);
for i = 1:m
vnInCN{i} = find(H(i, :));
end
for j = 1:n
cnInVN{j} = find(H(:, j));
end
msgVN2CN = cell(m, 1);
for i = 1:m
msgVN2CN{i} = llrIn(vnInCN{i});
end
for iter = 1:maxIter
% Check node update
msgCN2VN = cell(m, 1);
for i = 1:m
vnodes = vnInCN{i};
msgs = msgVN2CN{i};
L = length(vnodes);
for k = 1:L
others = msgs;
others(k) = [];
prodSign = prod(sign(others));
minAbs = min(abs(others));
msgCN2VN{i}(k) = alpha * prodSign * minAbs;
end
end
% Variable node update and tentative decision
for j = 1:n
cnodes = cnInVN{j};
total = llrIn(j);
for t = 1:length(cnodes)
idx = find(vnInCN{cnodes(t)} == j, 1);
total = total + msgCN2VN{cnodes(t)}(idx);
end
decLLR(j) = total;
for k = 1:length(cnodes)
idx = find(vnInCN{cnodes(k)} == j, 1);
sumExcl = total - msgCN2VN{cnodes(k)}(idx);
msgVN2CN{cnodes(k)}(idx) = sumExcl;
end
end
decBits = double(decLLR < 0);
if mod(H * decBits.', 2)
continue;
end
iterUsed = iter;
return;
end
iterUsed = maxIter;
end
几个要点:
- alpha是归一化因子 ,典型取值0.75~0.8。Min-Sum天然比BP乐观,因为校验节点消息的幅度偏大,乘一个小于1的系数可以缓解性能损失。我实测当码率0.5、块长2000附近时,alpha=0.75相比alpha=1.0能带来约0.2~0.3dB的增益。
- 译码终止条件 是校验方程H×c^T=0。提前终止可以显著减少平均迭代次数,在高信噪比下特别有效。
- LLR初始化的正负号 要与比特映射关系一致。如果代码里用了NR标准的QPSK调制顺序,解映射出来LLR的正负号和译码判决的
decLLR < 0必须匹配。
4. 链路仿真与性能验证
4.1 仿真链路搭建
有了编码器和译码器,就可以搭一个完整的端到端仿真链路了。我建议仿真链路保持简单:随机信息比特 → LDPC编码 → QPSK调制 → AWGN信道 → QPSK软解调 → LLR → Min-Sum译码 → BLER统计。
链路里最容易被忽略的是 LLR计算 。如果直接用硬判决比特输入译码器,性能会损失好几dB,等于把LDPC的编码增益全扔掉了。正确的做法是让解调器输出对数似然比,直接送入译码器。QPSK下每个符号携带2个比特,假设噪声方差为σ²,第i个比特的LLR可以近似为:
LLR_i ≈ (2 / σ²) × yi
这里的yi是同相或正交支路接收值。这个线性近似对QPSK是完全精确的,对高阶QAM则只是近似,需要按位计算最大似然LLR。我测试低阶调制时直接采用这个公式,简单又准确。
4.2 BLER结果分析
我在码块大小K=1000、BG2、QPSK、码率约0.5的条件下做了几组仿真。迭代上限设为20次,alpha=0.75。结果比较有参考价值:
- 在Eb/N0=1.5dB附近,BLER已经降到1e-3量级;
- 归一化Min-Sum与Toolbox自带的BP译码结果相比,性能差距在0.2~0.3dB以内;
- 迭代次数从10增大到20,低信噪比下BLER改善明显,但超过20次后收益趋缓。
这里有一点值得注意:LDPC译码出现“错误地板”是常见现象,即在较高信噪比下BLER不再下降。究其原因,往往是码本身的环结构导致小错误模式残留,或者迭代次数不够。如果仿真中看到错误地板,先调迭代次数和alpha,再检查LLR是否有饱和或量化问题。
5. 常见问题与排查技巧实录
5.1 校验矩阵构造阶段的坑
我在第一次扩展BG1时,差点被循环移位方向坑崩。同一个基矩阵,向左移和向右移得到的是两个不同的校验矩阵,编码结果完全不同。检查方法是拿标准里的一个已知测试向量:编码前64比特全0、紧接着若干1,输出校验比特应该与TS 38.212附录示例一致。现在网上也能找到别人验证过的MATLAB版本,拿自己的输出和对一下能快速定位。
另一个常见问题是稀疏矩阵类型。调试时如果你用 full(H) 展开H矩阵去看,Zc稍大一点就内存爆炸。BG1在Zc=256时H大约是11776×17408,全展开需约1.6亿个元素,MATLAB矩阵存储下直接卡死。所以构造和存储H一律使用 sparse ,调试时也尽量只查看局部块。
5.2 译码不收敛或性能异常
译码不收敛很多时候不是算法问题,而是LLR符号反了。我第一次接入自己的软解调器时,BLER曲线比Toolbox差3dB以上,查了半天发现QPSK星座映射搞反了——接收信号解调得到的LLR整体取反,迭代越久错得越离谱。这个错误特别隐蔽,因为不仔细看还以为是仿真链路有误。
如果Min-Sum在低信噪比下接近乱码,先做一次单次迭代的校验矩阵更新过程跟踪:打印校验节点消息和变量节点消息的数值范围。正常情况消息幅度会随迭代增长并逐渐趋于稳定;如果消息振荡剧烈,说明图结构或初始化有问题。另一种快速验证办法是直接用BPSK调制跳过QPSK,排除高阶调制引入的LLR误差。
5.3 性能与复杂度的取舍
Min-Sum译码器在MATLAB里用循环实现,速度确实不够快。我实测1000比特码块、20次迭代,译一帧大约需要几十毫秒,仿真1万帧得跑好几分钟。优化手法有三个层次:
- 提前终止 。一旦满足校验方程就退出迭代,高信噪比下平均迭代次数能降到3~5次。
- 预计算图结构 。把每个校验节点连接的变量节点索引提前存成元胞数组,不要在每次迭代里重复
find(H(i,:)),这个改动能省掉大量时间。 - 向量化消息更新 。对于行重固定的QC-LDPC,可以用矩阵分块一次更新所有校验节点,把循环降到块级。这一步改动较大,但提速效果最明显,我从循环版本改到分块版本后,仿真时间缩短了5倍以上。
还有个小技巧:仿真时先跑小Zc(比如Zc=32)验证功能,再跑大Zc(Zc=256)摸底性能。小Zc对应的H矩阵小,调试快,等逻辑确认无误再扩大规模,能省下大把等待时间。
结束前的一点体会
把5G标准的LDPC在MATLAB里从零实现一遍之后,再看 nrLDPCEncode 和 nrLDPCDecode 的感觉完全不同了。以前它们是黑盒,现在能大概猜到内部在做什么。如果你最终目的是做协议栈或基带算法验证,手写一遍编码器理解基矩阵和校验矩阵的构造逻辑,手写一遍Min-Sum理解图译码的迭代机制,这些投入都是值得的。最后再提一个我踩过几次的坑:仿真脚本一定要保留随机数种子,否则对比不同算法性能时,信噪比相同的两条曲线可能因为随机信道实现不同而抖出假性差异,排查起来很痛苦。
212



被折叠的 条评论
为什么被折叠?



