《无线通信报告LDPC码的线性规划译码算法》.docVIP

组合最优化课程论文 论文题目：LDPC码的线性规划 译码算法 班 级： 13级电子A班 姓 名： 周珍珠 学 号：任课老师： 娄定俊 背景 低密度奇偶校验（Low Density Parity Check, LDPC）码一类具有稀疏校验矩阵的线性分组码，也是一种性能非常接近Shannon极限的信道编码方案，具有很强的纠错抗干扰能力。LDPC码的线性规划（Linear Programming，LP）译码算法是将最大似然译码松驰成线性规划问题，译码码字具有最大似然特性。对于LDPC码，线性规划问题中的约束式的数量是随着校验节点度数的增加而呈指数增加，因此研究大规模的线性规划问题的求解问题具有重要的意义。本文对LDPC码的最大似然(Maximum Likehood, ML)译码进行近似求解，建立了二进制分组码的松弛规划译码模型，从而提出了LP译码算法。作为ML译码的估计，理论证明该算法具有最大似然保持特性，也就是，一旦最优解为整数解，那么该解一定为最大似然码字。同时，当Tanner图中存在环时，可以通过添加限制条件，改进LP译码的性能。所以，LP译码可以避免短环对译码性能的影响，提高性能，在误码性能与复杂上的保持平衡。特别是对中短码长的LDPC码，利用线性规划译码算法性能更突出。 LDPC码简介 （一）LDPC码的H矩阵表示法 LDPC码是一种线性分组码，它是把长度为k的信息序列作为一个分组，然后按照一定规则将该信息序列映射为码长为n的码字，可表示为(n,k)线性分组码。对于LDPC码，可以由它的校验矩阵H确定。LDPC码的校验矩阵是m行n列的，一般 LDPC码的码字c就是与其对应的校验矩阵H的零空间，满足如下方程： cHT=0 (2.1) 图2-1 n=10的二进制LDPC码校验矩阵 图２-1显示的是一个码长为10的LDPC码校验矩阵。对于LDPC码的码率的计算则为: R≥k/n=(n-m)/n (2.2) 当且仅当校验矩阵H满秩的时候，等号成立。 对于线性分组通常给出的是k行n列的生成矩阵G，生成矩阵G和校验矩阵H存在着正交的关系，即GHT=0或HGT=0。对于长度为k的信息序列u就可以使用生成矩阵G生成长度为n的码字c，用公式表示如下： c=uG (2.3) 而对于LDPC码，我们首先得到是它的校验矩阵H，要想完成编码过程必须得进行一些矩阵变换从校验矩阵H得到生成矩阵G，通常所用的方法为高斯消元法，现将校验矩阵H进行格式变化： H=Hp-1H=[Im×m PTm×k] (2.4) Hp-1是一个m×m维的变换矩阵，假设不存在矩阵Hp，则表明H矩阵非满秩，这时我们只需保留矩阵中最大数目的线性相关行即可得到H矩阵，继而得到生成矩阵G： G=[Pk×m Ik×k] (2.5) （二）LDPC码的Tanner图表示 LDPC码除了可以使用校验矩阵H进行表示之外，还可以用双向图模型进行表示,而且Tanner图与校验矩阵是一一对应的。Tanner图包含三类元素：变量节点(variable node)、校验节点(check node)和连接变量节点与校验节点的边(edge). 在Tanner图中，还有一个环(cycle)的概念：从某个节点出发经过一定的路径又回到了该节点，除了此节点外，其余节点均只出现一次。在这个过程中经过的边数被称为环长，最短的环的环长又被称为围长(girth)。 图2-2 校验矩阵H和对应的Tanner图 图2-2展现了一个校验矩阵和所对应的Tanner图。从图2-2可以看到，校验节点的度数为3，变量节点的度数为2，虚线所示的就是Tanner图中的一个环，由六条边组成，故环长为6。注意到，因子图和校验矩阵的形式是一一对应的，对于一个给定的码，其可能的校验矩阵有很多个，相应地，可能的因子图也有很多个。很多译码算法都依赖于因子图的结构特性，采用这些译码算法时，因子图的多样性就显得尤为重要。 LDPC码的译码 LDPC码的译码算法可分为硬判决译码算法和软判决译码算法。硬判决算法操作简单，易于硬件实现，但是性能较差;软判决算法性能较好，但实现复杂度太高。在软判决算法方面，以Gallager提出的消息传递算法(Message Passing Algorithm, MPA)为主，在因子图上进行消息迭代地传播算法，也称置信传播(Belief Propagation, BP)算法。推广和积(Sum-Product, SP)算法和变异算法，如最小和(Minimum Sum, MS)译码算法。软判决迭代译码算法均具有译码速度快，译码性能优良，复杂度较