第 12 章信道解码¶

本章预计学习时间： 6 小时
前置知识： 第 1 章（概率论）、第 5 章（检测理论）、第 11 章（解调与软信息）
前置技能： 了解信道编码基础（如卷积码、LDPC、Turbo 码）

📌 本章目标¶

学完本章后，你将能够：

理解信道解码的基本原理
推导最大后验概率（MAP）解码
掌握 BCJR 算法的完整推导
理解置信传播算法（LDPC 解码）
应用软输入解码器分析系统性能

12.1 信道解码问题描述¶

🎯 基础概念（零基础友好）¶

为什么要信道解码？¶

问题： 传输过程中会有错误

发送：10110011
      ↓
    信道（噪声、干扰）
      ↓
接收：10100011（第 4 位错误）

解决方案： 添加冗余（信道编码）

发送：1011 → 编码 → 1011001（添加 3 位冗余）
      ↓
    信道
      ↓
接收：1010001 → 解码 → 1011（纠正错误）

解码器输入¶

硬输入： 比特值（0 或 1）

1	`接收：[1, 0, 1, 0, 0, 0, 1]`

软输入： LLR 值（可靠性信息）

1	`接收：[+8.5, -6.2, +7.1, -2.3, -5.8, -4.9, +9.0]`

优势： 软输入解码性能优于硬输入约 2-3 dB！

📐 问题形式化¶

系统模型¶

发送端：

信息比特 $\mathbf{u} = [u_0, u_1, ..., u_{K-1}]$

编码器：$\mathbf{c} = \text{Encode}(\mathbf{u})$（码长 $N > K$）

调制：$\mathbf{x} = \text{Modulate}(\mathbf{c})$

信道：

\[\mathbf{y} = \mathbf{H}\mathbf{x} + \mathbf{n}\]

接收端：

解调：$\text{LLR}(\mathbf{c}) = \text{Demodulate}(\mathbf{y})$

解码：$\hat{\mathbf{u}} = \text{Decode}(\text{LLR}(\mathbf{c}))$

解码准则¶

最大后验概率（MAP）：

\[\hat{\mathbf{u}} = \arg\max_{\mathbf{u}} P(\mathbf{u}|\mathbf{y})\]

最大似然（ML）：

\[\hat{\mathbf{u}} = \arg\max_{\mathbf{u}} P(\mathbf{y}|\mathbf{u})\]

关系： 若 $P(\mathbf{u})$ 均匀分布，MAP = ML

✏️ 练习题 12.1¶

基础题 12-1：

为什么软输入解码优于硬输入？

答案：

软输入包含可靠性信息（LLR）
解码器可以利用可靠性：
- 高可靠性的比特：更多信任
- 低可靠性的比特：更多依赖校验

硬输入丢失了可靠性信息
性能损失约 2-3 dB

12.2 最大后验概率解码 ⭐⭐⭐¶

🎯 基础概念¶

MAP 准则¶

目标： 最小化比特错误概率

\[\hat{u}_k = \arg\max_{u_k \in \{0,1\}} P(u_k|\mathbf{y})\]

用 LLR 表示：

\[LLR(u_k) = \log \frac{P(u_k=0|\mathbf{y})}{P(u_k=1|\mathbf{y})}\]

判决： - $LLR(u_k) > 0$ → $\hat{u}_k = 0$ - $LLR(u_k) < 0$ → $\hat{u}_k = 1$

📐 卷积码的 MAP 解码¶

卷积码基础¶

编码器：

1
2
3

输入：u = [u₀, u₁, u₂, ...]
移位寄存器：s = [s₀, s₁, ..., s_{K-1}]
输出：c = [c₀, c₁, ...]（编码比特）

状态转移：

时刻 $k$ 的状态 $S_k$ 由移位寄存器内容决定。

输入 $u_k$，状态从 $S_k$ 转移到 $S_{k+1}$，输出 $c_k$。

网格图（Trellis）：

时刻：  0    1    2    3    4
状态：
  00:  •───•───•───•───•
       │ \ │ \ │ \ │ \ │
  01:  •─\─•─\─•─\─•─\─•
       │ \ │ \ │ \ │ \ │
  10:  •─\─•─\─•─\─•─\─•
       │ \ │ \ │ \ │ \ │
  11:  •───•───•───•───•

📐 MAP 解码推导¶

后验概率¶

目标： 计算 $P(u_k=0|\mathbf{y})$ 和 $P(u_k=1|\mathbf{y})$

全概率公式：

\[P(u_k|\mathbf{y}) = \sum_{S_k, S_{k+1}} P(u_k, S_k, S_{k+1}|\mathbf{y})\]

其中求和遍历所有满足 $u_k$ 的状态转移。

用贝叶斯公式：

\[P(u_k, S_k, S_{k+1}|\mathbf{y}) = \frac{P(\mathbf{y}|u_k, S_k, S_{k+1}) P(u_k, S_k, S_{k+1})}{P(\mathbf{y})}\]

分解：

\[P(\mathbf{y}|u_k, S_k, S_{k+1}) = P(\mathbf{y}_{k+1:N}|S_{k+1}) P(y_k|S_k, S_{k+1}) P(\mathbf{y}_{1:k}|S_k)\]

定义：

前向概率：$\alpha_k(S_k) = P(\mathbf{y}_{1:k}, S_k)$
后向概率：$\beta_k(S_k) = P(\mathbf{y}_{k+1:N}|S_k)$
转移概率：$\gamma_k(S_k, S_{k+1}) = P(y_k, S_{k+1}|S_k)$

后验概率：

\[P(u_k|\mathbf{y}) \propto \sum_{(S_k, S_{k+1}): u_k} \alpha_k(S_k) \gamma_k(S_k, S_{k+1}) \beta_{k+1}(S_{k+1})\]

📊 BCJR 算法¶

算法名称¶

BCJR： Bahl, Cocke, Jelinek, Raviv（1974 年提出）

别名： MAP 算法、前向 - 后向算法

算法步骤¶

步骤 1：初始化

\[\alpha_0(S_0) = \begin{cases} 1 & S_0 = 0 \\ 0 & \text{其他} \end{cases}\]

\[\beta_N(S_N) = \begin{cases} 1 & S_N = 0 \\ 0 & \text{其他} \end{cases}\]

（假设终止状态为 0）

步骤 2：前向递归

\[\alpha_{k+1}(S_{k+1}) = \sum_{S_k} \alpha_k(S_k) \gamma_k(S_k, S_{k+1})\]

步骤 3：后向递归

\[\beta_k(S_k) = \sum_{S_{k+1}} \gamma_k(S_k, S_{k+1}) \beta_{k+1}(S_{k+1})\]

步骤 4：计算 LLR

\[LLR(u_k) = \log \frac{\sum_{(S_k, S_{k+1}): u_k=0} \alpha_k(S_k) \gamma_k(S_k, S_{k+1}) \beta_{k+1}(S_{k+1})}{\sum_{(S_k, S_{k+1}): u_k=1} \alpha_k(S_k) \gamma_k(S_k, S_{k+1}) \beta_{k+1}(S_{k+1})}\]

📐 转移概率计算¶

高斯信道模型¶

接收： $y_k = x_k + n_k$，$n_k \sim \mathcal{CN}(0, \sigma^2)$

转移概率：

\[\gamma_k(S_k, S_{k+1}) = P(u_k) P(y_k|c_k)\]

其中 $c_k$ 是由 $(S_k, S_{k+1})$ 决定的输出比特。

高斯 PDF：

\[P(y_k|c_k) = \frac{1}{\pi\sigma^2} \exp\left(-\frac{|y_k - h x_k|^2}{\sigma^2}\right)\]

用 LLR 表示：

\[P(y_k|c_k=0) \propto \exp\left(-\frac{|y_k - h|^2}{\sigma^2}\right)\]

\[P(y_k|c_k=1) \propto \exp\left(-\frac{|y_k + h|^2}{\sigma^2}\right)\]

📝 数值例子¶

例子 12-1：BCJR 算法（简化）¶

参数： - 码率 ½ 卷积码，约束长度 K=3 - 状态数：4（00, 01, 10, 11） - 输入序列：u = [1, 0, 1] - 接收 LLR：[+2.5, -1.8, +3.2, -0.5, +4.1, -2.3]

步骤 1：初始化

\[\alpha_0 = [1, 0, 0, 0]$$ $$\beta_3 = [1, 0, 0, 0]\]

步骤 2：前向递归（简化计算）

\[\alpha_1(S_1) = \sum_{S_0} \alpha_0(S_0) \gamma_0(S_0, S_1)\]

（具体计算略，需要状态转移表）

步骤 3：后向递归

\[\beta_2(S_2) = \sum_{S_3} \gamma_2(S_2, S_3) \beta_3(S_3)\]

步骤 4：计算 LLR

\[LLR(u_0) = \log \frac{\sum_{u_0=0} \alpha_0 \gamma_0 \beta_1}{\sum_{u_0=1} \alpha_0 \gamma_0 \beta_1}\]

输出： $\hat{\mathbf{u}} = [1, 0, 1]$（正确解码）

⚠️ 常见误区¶

误区 1： "BCJR 算法太复杂，无法实现"

纠正： 实际中用 Log-MAP 近似，复杂度可接受。

误区 2： "BCJR 只适用于卷积码"

纠正： BCJR 是通用框架，可用于 Turbo 码等。

误区 3： "BCJR 总是最优的"

纠正： BCJR 是最优的 MAP 解码，但复杂度高。实际中常用次优算法（如 Viterbi）。

✏️ 练习题 12.2¶

基础题 12-2：

BCJR 算法中，前向概率 $\alpha_k$ 和后向概率 $\beta_k$ 的含义是什么？

答案：

α_k(S_k) = P(y₁:ₖ, S_k)
  含义：到时刻 k 为止，接收序列为 y₁:ₖ且状态为 S_k 的联合概率

β_k(S_k) = P(yₖ₊₁:N|S_k)
  含义：从时刻 k+1 到 N，给定状态 S_k 的条件概率

进阶题 12-3：

推导 Log-MAP 近似公式。

提示：

1 2	`log(e^a + e^b) ≈ max(a, b) + log(1 + e^(-\|a-b\|)) ≈ max(a, b)（Max-Log 近似）`

12.3 置信传播算法（LDPC） ⭐⭐⭐⭐¶

🎯 基础概念¶

LDPC 码基础¶

定义： 低密度奇偶校验码（Low-Density Parity-Check）

特点： - 稀疏校验矩阵 - 可用置信传播高效解码 - 性能接近香农限

校验矩阵：

\[\mathbf{H} = \begin{bmatrix} 1 & 1 & 0 & 1 & 0 & 0 \\ 0 & 1 & 1 & 0 & 1 & 0 \\ 1 & 0 & 1 & 0 & 0 & 1 \end{bmatrix}\]

码字条件：

\[\mathbf{H} \mathbf{c}^T = \mathbf{0}\]

Tanner 图¶

定义： LDPC 码的图表示

节点： - 变量节点（Variable Nodes）：对应编码比特 $c_i$ - 校验节点（Check Nodes）：对应校验方程 $h_j$

边：若 $H_{ji} = 1$，则变量节点 $i$ 与校验节点 $j$ 相连。

例子：

校验节点：    变量节点：
   c₁ ────•──── c₂
         / \
        /   \
   c₃ ─•─────•──── c₄

📐 置信传播算法¶

算法思想¶

核心： 在 Tanner 图上传递概率消息

消息类型： - 变量节点 → 校验节点：$Q_{ij}$（比特 $i$ 满足校验 $j$ 的概率） - 校验节点 → 变量节点：$R_{ji}$（基于校验 $j$，比特 $i$ 的概率）

算法步骤¶

步骤 1：初始化

变量节点 $i$ 的初始 LLR（来自解调器）：

\[L(c_i) = \log \frac{P(c_i=0|y_i)}{P(c_i=1|y_i)}\]

步骤 2：校验节点更新

校验节点 $j$ 到变量节点 $i$ 的消息：

\[R_{ji} = 2 \tanh^{-1}\left( \prod_{k \in M(j) \setminus i} \tanh\left(\frac{Q_{kj}}{2}\right) \right)\]

其中 $M(j)$ 是与校验节点 $j$ 相连的变量节点集合。

Min-Sum 近似：

\[R_{ji} \approx \left(\prod_{k \in M(j) \setminus i} \text{sign}(Q_{kj})\right) \cdot \min_{k \in M(j) \setminus i} |Q_{kj}|\]

步骤 3：变量节点更新

变量节点 $i$ 到校验节点 $j$ 的消息：

\[Q_{ij} = L(c_i) + \sum_{k \in N(i) \setminus j} R_{ki}\]

其中 $N(i)$ 是与变量节点 $i$ 相连的校验节点集合。

步骤 4：后验 LLR 计算

变量节点 $i$ 的后验 LLR：

\[L_{post}(c_i) = L(c_i) + \sum_{j \in M(i)} R_{ji}\]

步骤 5：判决

\[\hat{c}_i = \begin{cases} 0 & L_{post}(c_i) > 0 \\ 1 & L_{post}(c_i) < 0 \end{cases}\]

步骤 6：校验子检查

\[\mathbf{s} = \mathbf{H} \hat{\mathbf{c}}^T\]

若 $\mathbf{s} = \mathbf{0}$，解码成功；否则返回步骤 2，继续迭代。

📊 算法收敛性¶

收敛条件¶

理想情况： 无环图（树），BP 算法精确收敛到 MAP

实际情况： 有环图，BP 是近似算法

典型迭代次数：

码型	典型迭代次数
LDPC	10-50
Turbo	6-8
Polar (SCL)	1（但列表大小 L=8-32）

停止准则¶

准则 1：校验子为零

\[\mathbf{H} \hat{\mathbf{c}}^T = \mathbf{0}\]

准则 2：达到最大迭代次数

防止无限循环。

📝 数值例子¶

例子 12-2：Min-Sum 解码（简化）¶

参数： - (3, 6)-LDPC 码 - 接收 LLR：[+2.5, -1.8, +3.2, -0.5, +4.1]

迭代 1：

校验节点更新（Min-Sum）：

\[R_{j1} = \text{sign}(Q_{2j}) \cdot \text{sign}(Q_{3j}) \cdot \min(|Q_{2j}|, |Q_{3j}|)\]

（具体计算需要 Tanner 图结构）

变量节点更新：

\[Q_{i1} = L(c_i) + R_{j1}\]

后验 LLR：

\[L_{post}(c_i) = L(c_i) + \sum_j R_{ji}\]

判决： $\hat{\mathbf{c}} = [0, 1, 0, 1, 0]$

校验子检查： 若 $\mathbf{H}\hat{\mathbf{c}}^T \neq \mathbf{0}$，继续迭代。

⚠️ 常见误区¶

误区 1： "置信传播总是收敛"

纠正： 有环图可能不收敛，需要最大迭代次数限制。

误区 2： "Min-Sum 近似性能损失很大"

纠正： Min-Sum 性能损失约 0.5-1 dB，复杂度大幅降低。

误区 3： "LDPC 解码复杂度太高"

纠正： Min-Sum 近似后，主要是加减法和比较，硬件友好。

✏️ 练习题 12.3¶

基础题 12-4：

Min-Sum 近似中，若输入消息为 [+3, -2, +4]，输出是多少？

答案：

sign = sign(+3) × sign(-2) × sign(+4) = (+) × (-) × (+) = -
min = min(|+3|, |-2|, |+4|) = 2

R = -2

进阶题 12-5：

推导校验节点更新的精确公式（不用 Min-Sum 近似）。

提示：

1 2	`用概率域的乘积规则转换到 LLR 域`

12.4 收敛性分析 ⭐⭐¶

🎯 基础概念¶

密度演化¶

定义： 跟踪 LLR 分布的演化

思想： 假设 LLR 服从高斯分布，跟踪均值和方差的变化。

高斯近似：

\[L \sim \mathcal{N}(\mu, \sigma^2)\]

对于 AWGN 信道：$\sigma^2 = 2\mu$

密度演化方程：

\[\mu_{l+1} = f(\mu_l)\]

其中 $l$ 是迭代次数。

收敛条件¶

稳定固定点：

\[\mu^* = f(\mu^*)\]

若 $\mu^* \to \infty$，解码收敛（错误概率 → 0）

收敛阈值：

存在 SNR 阈值 $\text{SNR}_{th}$： - $\text{SNR} > \text{SNR}_{th}$：收敛 - $\text{SNR} < \text{SNR}_{th}$：不收敛

📊 性能分析¶

误码率曲线¶

典型 LDPC 误码率曲线：

BER
 ↓
10⁻¹ │\
     │ \
10⁻² │  \
     │   \
10⁻³ │    \
     │     \
10⁻⁴ │      \_______（错误平台）
     │
10⁻⁵ │
     │
10⁻⁶ │
     └────────────────→ SNR (dB)
       阈值

错误平台（Error Floor）：

高 SNR 时误码率不再下降。

原因： - 小环结构 - 最小码距限制

✏️ 练习题 12.4¶

基础题 12-6：

为什么 LDPC 码有错误平台？

答案：

错误平台的原因：
1. Tanner 图中的小环（尤其是 4-环）
2. 最小码距有限
3. 置信传播是近似算法

解决方法：
1. 优化码结构（减少小环）
2. 使用更大的码长
3. 改进解码算法

📌 本章小结¶

关键公式速查¶

算法	公式
MAP 准则	$\hat{\mathbf{u}} = \arg\max_{\mathbf{u}} P(\mathbf{u}
BCJR 前向	$\alpha_{k+1}(S_{k+1}) = \sum_{S_k} \alpha_k(S_k) \gamma_k(S_k, S_{k+1})$
BCJR 后向	$\beta_k(S_k) = \sum_{S_{k+1}} \gamma_k(S_k, S_{k+1}) \beta_{k+1}(S_{k+1})$
BCJR LLR	$LLR(u_k) = \log \frac{\sum_{u_k=0} \alpha_k \gamma_k \beta_{k+1}}{\sum_{u_k=1} \alpha_k \gamma_k \beta_{k+1}}$
BP 校验更新	$R_{ji} = 2 \tanh^{-1}\left( \prod_{k} \tanh\left(\frac{Q_{kj}}{2}\right) \right)$
Min-Sum	$R_{ji} \approx (\prod \text{sign}) \cdot \min(
BP 变量更新	$Q_{ij} = L(c_i) + \sum_{k} R_{ki}$

解码器比较¶

解码器	复杂度	性能	应用
Viterbi (ML)	中	好	卷积码
BCJR (MAP)	高	最优	Turbo 码
置信传播	中	接近最优	LDPC
Min-Sum	低	次优（-0.5 dB）	LDPC

🎓 本章完成检查¶

完成本章后，确保你能：

解释 MAP 解码与 ML 解码的区别
说明 BCJR 算法的前向 - 后向思想
推导 BCJR 的递归公式
解释 Tanner 图的结构
推导置信传播的消息更新公式
说明 Min-Sum 近似的原理
解释密度演化的思想
说明错误平台的成因

🎉 教程完成！¶

恭喜！你已经完成了**4G/5G 下行解码数学原理**的完整学习！

知识体系回顾¶

数学基础（第 1-5 章）
├── 概率论、随机过程、线性代数
├── 估计理论、检测理论
│
通信模型（第 6-8 章）
├── 信号空间、无线信道、噪声模型
│
核心算法（第 9-12 章）
├── 信道估计（LS、LMMSE）
├── 均衡算法（ZF、MMSE、MIMO）
├── 解调与 LLR（QPSK、16QAM）
└── 信道解码（BCJR、置信传播）

下一步建议¶

实践练习： 用 MATLAB/Python 实现 LMMSE 信道估计
深入阅读： 3GPP 规范（TS 36.211, TS 38.211）
系统学习： MIMO-OFDM 系统完整架构
前沿追踪： 6G 通信技术（太赫兹、智能超表面等）

反馈与改进¶

欢迎提出： - 内容错误 - 推导不清 - 需要补充的话题

联系方式： 在工作区创建 issue 或在学习笔记中记录

第 12 章结束 · 教程完成

第 12 章 信道解码¶

📌 本章目标¶

12.1 信道解码问题描述¶

🎯 基础概念（零基础友好）¶

为什么要信道解码？¶

解码器输入¶

📐 问题形式化¶

系统模型¶

解码准则¶

✏️ 练习题 12.1¶

12.2 最大后验概率解码 ⭐⭐⭐¶

🎯 基础概念¶

MAP 准则¶

📐 卷积码的 MAP 解码¶

卷积码基础¶

📐 MAP 解码推导¶

后验概率¶

📊 BCJR 算法¶

算法名称¶

算法步骤¶

📐 转移概率计算¶

高斯信道模型¶

📝 数值例子¶

例子 12-1：BCJR 算法（简化）¶

⚠️ 常见误区¶

✏️ 练习题 12.2¶

12.3 置信传播算法（LDPC） ⭐⭐⭐⭐¶

🎯 基础概念¶

LDPC 码基础¶

Tanner 图¶

📐 置信传播算法¶

算法思想¶

算法步骤¶

📊 算法收敛性¶

收敛条件¶

停止准则¶

📝 数值例子¶

例子 12-2：Min-Sum 解码（简化）¶

⚠️ 常见误区¶

✏️ 练习题 12.3¶

12.4 收敛性分析 ⭐⭐¶

🎯 基础概念¶

密度演化¶

收敛条件¶

📊 性能分析¶

误码率曲线¶

✏️ 练习题 12.4¶

📌 本章小结¶

关键公式速查¶

解码器比较¶

🎓 本章完成检查¶

🎉 教程完成！¶

知识体系回顾¶

下一步建议¶

反馈与改进¶

第 12 章信道解码¶